AgenticSeek、Hermes 與 OpenClaw：記憶、任務觸發與自主優化的技術差異

「自主 Agent」這個詞經常把幾種不同能力包在一起。能回答問題，不代表能執行工具；能執行工具，不代表能在隔天記得；能記得，也不代表能把經驗轉成更好的流程。用工程角度看，至少要分成四層：

這不是「誰功能比較多」的排行榜，而是能力層級比較。AgenticSeek 把大量邏輯放在一個應用程式內；Hermes 與 OpenClaw 則把 Gateway、session、trigger、tool policy 和長期運作視為一等公民。

先建立記憶的四級模型

可以把 Agent 記憶想成四個逐漸變得更有用、也更難做好的層次：

1. Transcript：保存對話與工具輸出，主要用途是恢復 session。
2. Curated facts：抽出穩定偏好、環境、專案決策，避免每次重新問。
3. Retrieval：不把所有歷史塞進 prompt，而是在需要時用關鍵字、向量或混合搜尋找回。
4. Procedural memory：把跨任務反覆出現的成功方法寫成技能或 SOP，讓未來直接照流程做。

AgenticSeek：它有記憶，但更接近「可恢復的對話緩衝區」

AgenticSeek 的 Memory 類別以角色訊息列表保存 system、user、assistant 內容。啟用 session 儲存時，檔案會寫到 runtime 目錄下的 conversations/<agent_type>，格式是 JSON；下一次可找到最近的檔案再載入。這對「繼續上一段對話」有效，但與可查詢的長期知識庫仍是兩件事。

原始碼也放入一個 pszemraj/led-base-book-summary 的摘要模型，目的在壓縮過長訊息。這解決的是 context window 和記憶長度問題，不會自動判斷哪些經驗值得永久保存，也不會把成功操作寫成技能。更值得注意的是，目前幾個主要 Agent 建構 Memory 時都把 memory_compression 設為關閉；因此不能只看到類別裡有摘要函式，就推論整個產品已啟用智慧長期記憶。

Hermes：把「事實記憶」和「程序記憶」拆成兩種資產

Hermes 的基礎記憶有清楚的容量邊界：MEMORY.md 放 Agent 的環境事實、慣例與學到的經驗；USER.md 放使用者偏好與溝通方式。兩者在新 session 開始時注入，讓固定重要資訊不用每次搜尋。另一方面，完整歷史保存在 SQLite session store，透過 session_search 按需找回，而不是把所有歷史都塞進每一個 prompt。

這個設計的關鍵是「記憶不等於技能」。例如「伺服器的 Docker socket 不應開放」是事實或規則；「先用 health check，再讀 log，最後才重啟」則是程序。Hermes 用 Skills 保存後者，採漸進式揭露，只在任務需要時載入，避免把所有工作流程變成永久 prompt 負擔。

Hermes 的記憶更新會立即寫回檔案，但正在執行的 session 使用固定快照，下一個 session 才會看到新的 system prompt。這是刻意的工程取捨：犧牲一點即時性，換取穩定的 prompt prefix cache 與可預期的上下文。

OpenClaw：把記憶做成「日誌、長期知識、搜尋與背景鞏固」

OpenClaw 的 workspace 記憶由 USER.md、MEMORY.md 與每日 memory/YYYY-MM-DD.md 等 Markdown 檔組成。每日 notes 是工作層，長期記憶是精簡、可長期載入的層；模型只記得真正寫進磁碟的內容，沒有一個看不見的神祕狀態。

它另外提供 memory_search、memory_get 與 intent。其中 intent 不是一般提醒，而是事件條件型的「未來要做什麼」；精確的時間提醒仍交給排程。compaction 前的 memory flush 先把重要內容寫下來，Dreaming 再以分數、召回頻率與查詢多樣性等門檻，把合格候選提升到長期記憶。這已經從「檔案保存」進入「背景資料整理」。

觸發機制決定 Agent 是聊天工具，還是可以長期運轉的自動化系統。可以分成四類：

AgenticSeek 的限制：Celery 出現，不等於已經有任務佇列

AgenticSeek 的 api.py 建立了 Celery broker/backend 設定，但目前 /query 路徑仍直接 await think_wrapper(...)，並用程序內的 is_generating 阻止同時處理。當另一個請求進來時回傳 429。這代表目前使用體驗仍是「一個 API 請求對應一段前景執行」，不能把 Celery import 當成已完成的排程、重試、死信與重啟恢復系統。

它的 start_services.sh 負責啟動 Docker 服務，不是事件排程器。若要每天自動研究、收到 GitHub push 後審查，或在失敗後等候外部核准，仍需要另外接 cron、n8n、Webhook service 或其他工作佇列。這正是應用程式與 Agent 平台的分水嶺。

Hermes：觸發器是平台功能，不是使用者自己拼接的外掛

Hermes Cron 使用統一的 cronjob 工具，可以建立一次性或週期性工作、附加一個以上的 Skill，並把結果送回 origin chat、檔案或指定平台。它還有 no-agent 模式，讓純腳本定時執行、完全不呼叫 LLM；這對健康檢查、固定資料抓取與成本敏感流程很重要。

事件觸發則由 Webhook adapter 處理。路由可以限制事件類型、用 HMAC 驗證來源、過濾 payload、選擇 Profile 和 Skills，並將結果投遞到 GitHub comment、Telegram 或其他平台。這比「公開一個 /query 端點，收到什麼就交給 Agent」多了身份、路由、重複請求與輸出目的地等控制層。

OpenClaw：以長駐 Gateway 統一聊天、排程與裝置事件

OpenClaw 的 Automations 會保存 job 定義、執行狀態與歷史，每次執行會建立 background task。排程可以送到聊天頻道、Webhook，或選擇不投遞。除了固定時間，它還把 heartbeat、hooks、standing orders 與 event-conditioned intent 放進同一個自動化世界。

這個模型更像家用或團隊的事件控制平面：訊息進來是事件，排程到點是事件，裝置節點回報也是事件。代價是系統長期在線、入口更多、狀態更多；因此身份配對、權限與 Gateway 暴露面比單機 Web UI 更重要。

最容易誤判的地方是把 runtime correction 叫做 self-improvement。以下五級可以用來檢查一個專案到底做到哪裡：

AgenticSeek：L0 做得直接，沒有把結果送進學習閉環

CoderAgent 在一次任務中最多嘗試五次；程式執行失敗後，將 interpreter feedback 放回記憶，再請 LLM 修正。FileAgent 也有五次執行嘗試；PlannerAgent 解析計畫失敗時最多重試四次。這是合理的 prototype recovery：錯誤不是立刻終止，而是讓模型看到可操作的失敗訊息。

但這種流程的邊界很清楚：第五次成功只代表這次成功，不會自動修改下一次的 prompt、工具 schema、路由器或固定 SOP。程式碼也沒有看到把成功軌跡送進 evaluator、產生候選 Skill、經審核後寫回未來 session 的完整路徑。因此它是「會自我修錯」，不是「會累積可泛化的能力」。

Hermes：用 Memory + Skills 形成程序化學習

Hermes 的自我改善主要發生在 harness 層，而不是模型權重。Agent 可以主動把穩定事實寫入記憶，也可以透過 /learn 從來源建立可重用 Skill；Skills 採 progressive disclosure，只有在任務相關時才把完整程序載入。

這種設計讓「下次做得更好」有具體載體：不是把上一輪整段對話塞回去，而是留下更短、更抽象、可以被驗收的做法。官方文件也把記憶寫入與技能寫入分開管理，並提供容量上限、寫入核准與安全掃描。它仍然不是自動改模型權重，但對一般維運、研究和程式工作而言，改善發生在 prompt、工具選擇、程序和路由層，已足以產生實際差異。

OpenClaw：把「經驗變技能」做成獨立的 Workshop 生命週期

OpenClaw 的 self-learning 明確定義為：從 correction 與成功工作擷取可重用 Skill。它有三種模式：

• off：關閉自主擷取，但仍可手動建立或使用 /learn。
• propose：產生待審核提案，不自動套用。
• auto：將合格結果送進 Skill Workshop 的掃描與套用流程；目前文件把它列為預設模式。

OpenClaw 的重點不是「模型寫了一個 Markdown 檔」而已。候選內容由獨立 review session 根據真實證據撰寫；套用前會再掃描，更新會綁定現有 Skill 的 hash，Skill 變動後提案會失效；套用會保留舊內容作為 rollback metadata；每週還有 collection review，只處理 Workshop 擁有的路徑。這些機制把自主優化從一句口號變成可追蹤的變更生命週期。

AgenticSeek 的 Planner 是應用程式內的工作流

Planner 會讓 LLM 把複雜請求轉成 JSON，之後依序啟動 Coder、File、Web 或 Casual Agent。每個 task 可指定前置結果，失敗後再要求 Planner 更新後續計畫。這對「搜尋資料 → 寫檔案」一類的展示任務足夠直觀。

限制是計畫、狀態與 Agent 物件都在同一個應用程式執行上下文裡。它沒有 Hermes Kanban 那種獨立卡片的 Goal、Acceptance、Artifact 與 Verify By，也沒有 OpenClaw background task 那種長駐 Gateway 的完成回傳。因此某一步卡住，通常是整個 request 卡住；服務重啟後也不會自然地從中間節點繼續。

Hermes 的重點是「把 Agent 當成可治理的工作單位」

Hermes 將 Profile、Skill、MCP、Cron、Webhook、session、terminal backend 與 worker 分開。Profile 可以有自己的設定、模型、Skills、Memory、session 與 Gateway；Kanban 則把跨回合的任務依賴、責任歸屬、工作區、重試和審核狀態變成持久資料。這讓「研究、實作、驗證、發布」可以拆成不同工作單位，而不是全塞進一次 prompt。

要注意 Profile 不等於沙箱。官方文件明確區分 state isolation 和 filesystem isolation：local terminal 仍以使用者權限存取檔案；需要降低 blast radius 時，才切到 Docker、SSH、Modal 等隔離 backend。這種誠實的邊界說明，比宣稱「Profile 已經安全隔離」更重要。

OpenClaw 的優勢是訊息與事件的長期生命週期

OpenClaw 的 Sub-agent 會在獨立 session 執行，完成後把結果透過內部事件交回請求者；主 Agent 再決定是否驗證、繼續或對人投遞。排程執行也會留下 background task 記錄。這種 push-based handoff 適合長時間研究與慢速工具，不必讓前景聊天一直輪詢。

代價是它仍然不是惡意多租戶平台。官方安全模型把一個 Gateway 視為單一信任域；能操作 Agent 的人，共享該 Agent 被授予的工具能力。若使用者彼此不信任，應該拆成不同 Gateway、OS 使用者或主機，而不是只靠 session ID 假裝完成隔離。

AgenticSeek 的 Docker Compose 已把 backend host port 綁到 loopback，並將 Agent workspace 與 runtime data 分離，這是正確方向；但它不能抵銷任意程式執行、瀏覽器操作、容器預設權限與外部網路能力的風險。CLI 模式更會直接在主機工作區執行。

授權方面，AgenticSeek 的官方 LICENSE 是 GPL-3.0；Hermes 與 OpenClaw 的官方 LICENSE 是 MIT。若只是把專案當獨立服務執行，授權影響與把程式碼拷貝進另一個專案不同；若要把 AgenticSeek 的元件直接併入 MIT 或商用核心，必須先做 GPL copyleft 相容性審查。OpenClaw 的 GitHub API metadata 目前可能顯示 NOASSERTION，但 repository 的實際 LICENSE 檔是 MIT，授權判斷應以 LICENSE 為準。

本篇是 source-level 技術分析，不把 GitHub stars 或展示影片當成效能基準。若要真正比較，應把三個系統放在相同模型能力、相同工作目錄與相同任務下，至少測以下六項：

這套測試會把「一次 Demo 成功」和「系統長期可靠」分開。尤其要測重啟、延遲、重複事件與錯誤記憶；這些情境不會在漂亮的即時展示中出現，卻決定系統能不能放進日常工作。

對 Hermes／DKY 的實際判斷

AgenticSeek 最有價值的地方，是把本地模型、瀏覽器、程式執行和 Planner 放進一個可操作的展示，適合拿來理解「Agent 如何從文字走到動作」。它也提供 workspace containment、runtime 分離與 loopback binding 等值得參考的修正方向。

但 DKY 已經有 Hermes Gateway、Profiles、記憶、Skills、Cron、MCP、Webhook 與 Kanban。若把 AgenticSeek 整包導入，會同時引入第二套路由、第二套 Agent 狀態、另一種 prompt block 格式、GPL-3.0 與 amd64 Docker 包裝，增加而不是減少系統複雜度。比較合理的做法，是把它當成隔離 POC 或程式碼閱讀案例，必要時只抽取「本地瀏覽器 Agent」或「workspace boundary」的局部想法。

AgenticSeek、Hermes 與 OpenClaw 都可以讓 LLM 呼叫工具，但它們回答的是不同問題：

• AgenticSeek：現在這個任務能不能在本地完成？它強在整合展示與直接執行，弱在長期狀態、外部觸發與程序學習。
• Hermes：如何讓同一個 Agent 在多個平台、Profile、排程與工作者之間長期運作，並把經驗保存成可治理的記憶與 Skills？
• OpenClaw：如何讓聊天、事件、裝置節點、排程與自我學習都接到同一個長駐 Gateway？

所以「記憶」「任務觸發」「自主優化」不是一個功能開關，而是一條生命週期：

事件／訊息
  → 建立 session 與任務
  → 檢索適當記憶與 Skill
  → 規劃並執行工具
  → 收集結果與證據
  → 評估是否值得保存
  → 審核、套用、回滾
  → 下一次任務載入改善後的程序

AgenticSeek 目前主要走到「執行失敗後重試」；Hermes 走到「記憶與 Skill 的可治理累積」；OpenClaw 則更進一步把「事件喚醒、背景任務與 Skill Workshop」整合成長駐助理的控制平面。這就是三者最重要、也最容易被產品 Demo 掩蓋的技術差異。