三大 Agent 框架比较：Claw Code、GenericAgent、Hermes Agent

三个框架代表了 AI Agent 设计的三种不同哲学：功能对等的工程严谨性、极简自进化、持续学习的全能平台。

一、定位对比

二、架构风格对比

2.1 分层方式

Claw Code — 严格的 Cargo Workspace 分层，9 个 crate 各司其职：

入口层 (rusty-claude-cli)
  → 运行时层 (runtime)
    → API 层 (api)
    → 工具层 (tools)
    → 插件层 (plugins)
    → 遥测层 (telemetry)

编译时隔离，依赖关系显式声明，是三者中工程化程度最高的。

GenericAgent — 扁平的单文件核心，职责通过文件名区分：

agent_loop.py（心脏，~100 行）
  → ga.py（肌肉，工具执行 + 记忆）
    → llmcore.py（神经系统，LLM 抽象）

极简到极致，核心逻辑一眼看穿。

Hermes Agent — 功能模块化，但核心集中在单个巨型文件：

run_agent.py（核心，~12K LOC，~60 个初始化参数）
  → model_tools.py（工具编排）
  → gateway/（多平台网关）
  → skills/ + agent/（学习系统）

功能最全，但核心文件体量大，理解成本高。

2.2 工具系统设计

GenericAgent 的 code_run 是最激进的设计——任何新能力都通过执行代码获得，无需修改框架本身，但安全风险最高。Claw Code 的 Hash-anchored Edit 是三者中最精确的文件编辑方案。

三、记忆与学习机制

这是三者差异最大的维度。

Claw Code:     会话持久化 + CLAUDE.md 项目记忆（无跨会话学习）
                        ↓
GenericAgent:  工作记忆 → 全局洞察 → 技能固化 → 技能树（被动进化）
                        ↓
Hermes Agent:  Memory + Skills + Session Search + User Profile（主动学习闭环）

核心差异：Claw Code 是无状态工具（每次从 CLAUDE.md 重建上下文）；GenericAgent 是被动进化（解决问题后固化技能）；Hermes Agent 是主动学习（定期 nudge 保存知识，构建用户画像）。

四、多平台与多环境支持

Claw Code — 专注 CLI，支持多 LLM Provider（Claude + OpenAI 兼容），ModelFamilyIdentity 区分身份：

• 单一 CLI 入口
• 5 层配置文件合并（全局 → 项目 → 个人）
• 沙箱隔离（unshare）

GenericAgent — 多前端，专注本地系统控制：

• TUI / Qt / Streamlit / 微信 / QQ / 飞书 / 钉钉
• CDP 注入真实浏览器（保留登录态）
• ADB 控制 Android 设备
• 是三者中本地系统控制能力最强的

Hermes Agent — 多平台消息网关，专注跨平台统一：

• 10+ 消息平台（Telegram / Discord / Slack / WhatsApp / Signal / Email / 微信 / 钉钉）
• 7 种终端后端（Local / Docker / SSH / Modal / Daytona / Singularity / Vercel）
• 是三者中平台覆盖最广的

五、安全模型对比

Hermes Agent 安全机制最完善，但用户体验有审批摩擦；GenericAgent 安全最弱，code_run 可执行任意代码；Claw Code 默认 danger-full-access 是一个有意识的取舍——减少摩擦，但需要用户自己承担风险。

六、测试策略对比

Hermes Agent 测试体量最大（17K 测试），Claw Code 测试策略最独特（Parity Harness），GenericAgent 工程化最弱。

七、设计哲学的本质差异

Claw Code:      "重写不是创新，是用更好的材料建同一栋楼"
                 → 功能对等 + Rust 确定性 + 工程严谨性

GenericAgent:   "框架越薄，Agent 越自由"
                 → 极简种子 + 自进化 + 无限可能

Hermes Agent:   "Agent 应该像人一样成长"
                 → 闭环学习 + 持续进化 + 全能平台

三者的核心矛盾

• Claw Code 的矛盾：功能对等约束了创新空间，Rust 带来确定性但开发速度慢。
• GenericAgent 的矛盾：极简带来自由，但初始能力弱，需要”养”；code_run 万能但不安全。
• Hermes Agent 的矛盾：功能最全但复杂度最高；主动学习强大但 run_agent.py 的 12K LOC 是维护噩梦。

八、选型建议

九、可复用的架构模式汇总

从三者中提炼出的通用模式：

1. ReAct 循环极简实现（GenericAgent）— 100 行实现完整 Agent Loop
2. 命名约定路由（GenericAgent）— do_{tool_name} 无需注册表
3. Skill 固化模式（GenericAgent + Hermes）— 执行路径 → 可复用技能
4. Parity-First 重写策略（Claw Code）— manifest 提取 + 确定性 mock
5. 分层配置合并（Claw Code）— 全局 → 项目 → 个人的覆盖链
6. Provider-Aware 身份（Claw Code）— 多 LLM 后端的统一抽象
7. 适配器模式（Hermes Agent）— Gateway 平台适配 + 终端后端适配
8. Nudge 机制（Hermes Agent）— 主动提醒 Agent 保存知识
9. FTS5 跨会话搜索（Hermes Agent）— SQLite 全文搜索 + LLM 摘要

关联笔记

• Claw Code
• GenericAgent
• Hermes Agent
• ReAct Pattern
• Agent Memory System
• LLM Agent Framework
• Cargo Workspace
• Self-Evolving AI