DeepSeek Harness vs Hermes Agent：能力对比（含 OpenClaw）
Hermes Agent、DeepSeek Harness 与 OpenClaw 能力对比：工具、记忆与学习循环、沙箱、接入渠道、模型支持、扩展方式和许可证，按官方仓库逐项核对，附选型建议。
先说结论 —— 三个开源 Agent 框架，押注完全不同（仓库于 2026 年 10 月 4 日复核）：
- Hermes Agent 押学习：README 描述了内置闭环，能从经验中生成并改进技能。
- OpenClaw 押触达：一个 Gateway 接 Discord、Slack、Telegram、WhatsApp、iMessage、Teams 等 20 多个渠道。
- DeepSeek Harness 押可组合：模型、工具、沙箱、会话存储都是可替换插件，但仍是开发者预览版。
- 三者都是 MIT 协议、可自托管。下面的能力对比表把工具、记忆、沙箱、渠道、模型支持和扩展方式并排列出。
简短结论：DeepSeek Harness、Hermes 与 OpenClaw 怎么选
如果你今天就要一个可用的个人助手，选 OpenClaw；如果重复工作应该依靠记忆和技能沉淀不断变快，选 Hermes Agent；如果你要组装自定义运行时，并要求模型、工具、存储和 Agent 循环都可以替换，选 DeepSeek Harness——但要把它视为开发者预览版，而不是生产就绪产品。这就是“DeepSeek Harness 对比 Hermes Agent”和“DeepSeek Harness 对比 OpenClaw”的直接答案，下面的能力对比表会解释取舍。
关于 DSH 的安装边界和当前版本风险，参见 DeepSeek Harness 开发者预览指南；关于插件架构本身，参见 DSH Capability Seams 设计模式。
Agent Harness 能力对比：Hermes、DeepSeek Harness 与 OpenClaw
这张表直接回答“三者能力差在哪”。每一格都来自项目自己的 README 或文档，2026 年 10 月 4 日复核：DeepSeek Harness README及其架构、安全文档，Hermes Agent README，OpenClaw README。文档没写的能力，表里就写“未说明”，不做推测。
| 能力 | DeepSeek Harness | Hermes Agent | OpenClaw |
|---|---|---|---|
| 工具 | 工具是注册在 ctx.tools 上的插件；shell、终端、文件系统、后台任务各自有可替换的服务接口 | 内置 40+ 工具和 toolset 机制，可接入任意 MCP server | 工具、技能和插件；配套 App 在支持的平台上提供语音、摄像头、屏幕和设备操作 |
| 记忆与学习循环 | 只追加的会话日志，模型上下文从日志重建；架构文档未说明内置学习循环 | 内置闭环：Agent 自行整理记忆并定期提醒自己沉淀，复杂任务后自动生成技能、使用中改进技能，FTS5 检索历史会话 | 状态和记忆存在你自己的机器上，也支持技能；README 未说明会自动生成技能 |
| 沙箱 | base bundle 自带沙箱与审批策略，ctx.sandbox 后端约束子进程；安全说明提醒沙箱不保证完全隔离 | 七种终端后端：本地、Docker、SSH、Singularity、Modal、Daytona、Vercel Sandbox | 主会话的工具默认直接在宿主机执行，需要自己配置沙箱（有专门的沙箱指南） |
| 渠道与接入方式 | Web UI、桌面端、无界面运行、SDK 服务（含 Python SDK）、ACP 服务；也能由 webhook 触发会话 | 终端 TUI，加一个网关接 Telegram、Discord、Slack、WhatsApp、Signal、Email | 一个 Gateway 接 Discord、iMessage、Slack、Teams、Telegram、WhatsApp 及另外 20 多个渠道，另有 macOS、iOS、Android、Windows、Linux 原生应用 |
| 模型支持 | 模型提供方是注册在 ctx.llm 上的适配器 | Nous Portal、OpenRouter、OpenAI、自建端点等，用 hermes model 切换 | 云端和本地模型提供方均可；模型和 Agent harness 都是可替换插件 |
| 扩展方式 | 一切皆 Cordis 插件；base 配置默认开启按配置热重载；GitHub 用 dsh-plugin topic 发现插件 | 技能（兼容 agentskills.io，有 Skills Hub）、MCP server、子 Agent | 插件和技能，配套 ClawHub |
| 许可证 | MIT | MIT | MIT（OpenClaw Foundation） |
| 语言与状态 | TypeScript；开发者预览，README 警告会有不兼容变更（npm @deepseek-ai/dsh 最新为 0.2.0-rc.2） | Python | TypeScript |
| GitHub Stars（2026-10-04） | 242,936 | 251,001 | 391,250 |
怎么读这张表：真正拉开差距的是学习循环和渠道层。三者里只有 Hermes 的文档描述了 Agent 自己写技能、改技能；OpenClaw 的消息渠道和原生应用覆盖最广；DeepSeek Harness 提供的嵌入方式最多（SDK、ACP、webhook），而且表里每一行都能替换，代价是预览期不稳定。三者都能配沙箱，但开箱就列出 Modal、Daytona 这类托管后端的只有 Hermes，OpenClaw 默认则在宿主机上跑工具。
它们不是在竞争——是在解决不同问题
懒人结论是”哪个最好”。但诚实的回答是：这三个根本不在同一条赛道上。
- DeepSeek Harness 是基础设施框架——你用可组合插件拼出自己的 Agent。
- OpenClaw 是个人 Agent 网关——部署一次，到处跟它说话。
- Hermes Agent 是学习型运行时——它积累知识，重复任务越做越快。
如果你在三者之间”选一个”，说明你还没想清楚自己要什么。大多数团队最终会用到三者的思路。真正的问题是：你眼前的需求匹配哪种架构？
快速对比
| DeepSeek Harness | OpenClaw | Hermes Agent | |
|---|---|---|---|
| 开发者 | DeepSeek AI | OpenClaw Foundation（社区） | Nous Research |
| GitHub Stars（2026-10-04） | 243k | 391k | 251k |
| 语言 | TypeScript | TypeScript | Python |
| 许可证 | MIT | MIT | MIT |
| 核心理念 | 一切皆插件 | 多渠道个人 Agent | 自我进化循环 |
| 架构 | Cordis 元框架 | 网关 → Agent Runner 管线 | 五支柱（记忆、技能、灵魂、定时、学习） |
| 成熟度 | 开发者预览 | 生产级 | 生产级 |
| 模型支持 | 任意（适配器插件） | 云端 + 本地提供方 | 任意提供方（Nous Portal、OpenRouter、OpenAI、自建） |
| 学习能力 | 无内置 | 有技能，未说明自动生成 | 技能生成 + 记忆闭环 |
| 多渠道 | Web、桌面、SDK、ACP、webhook | 内置 20+ 消息平台 | 终端 + 6 个消息渠道 |
| 定时任务 | 插件 | 通过外部集成 | 内置 cron |
| 扩展方式 | 热重载插件，无需 fork | 插件 + 技能（ClawHub） | 技能 + MCP server |
架构拆解
DeepSeek Harness：空框架
DSH 最激进的主张：框架本身几乎什么都没有。运行时 dsh 就是 Cordis——一个管插件加载、卸载和依赖关系的内核。所有实际能力都是插件：
┌─────────────────────────────────────────────┐
│ Cordis 运行时（加载/卸载，依赖管理） │
├─────────────────────────────────────────────┤
│ 模型插件 │ 工具插件 │ UI 插件 │
│ 会话存储 │ 沙箱 │ 循环/调度 │
│ 存储 │ 技能 │ 遥测 │
└─────────────────────────────────────────────┘想用 Redis 存会话？写个会话插件。想用 Docker 跑沙箱？写个沙箱插件。想换 Agent 循环模式？写个循环插件。永远不需要 fork DSH 本身。
代价也很明显：灵活度最大，需要自己组装的也最多。开箱时 DSH 什么都不干，直到你配好要加载哪些插件。
截图：2026 年 8 月截取的 DeepSeek Harness 仓库（当时 18.5k 星，2026-10-04 为 242,936），MIT 协议，一切皆插件。
OpenClaw：多渠道网关
OpenClaw 的架构是三层管线，目标就一个：让你从任何平台跟 Agent 说话。
┌─────────────────────────────────────────────┐
│ 渠道层（WhatsApp、Slack、Telegram、 │
│ Discord、Signal、iMessage、Teams、Matrix） │
├─────────────────────────────────────────────┤
│ 网关服务（认证、路由、队列） │
├─────────────────────────────────────────────┤
│ Agent Runner（上下文、模型、Agent 循环） │
└─────────────────────────────────────────────┘网关把 10+ 个平台的消息统一成通用格式，Agent 不知道也不关心你是从 Telegram 还是 Slack 发的。身份定义在 SOUL.md 里；记忆用分层 Markdown 文件。
代价：OpenClaw 对管线架构很有主见。你可以加渠道适配器，但想换掉网关-Runner 的根本架构，只能 fork。它是产品，不是工具箱。
详见 OpenClaw 架构解读。
截图：2026 年 8 月截取的 OpenClaw 仓库（当时 250k+ 星，2026-10-04 为 391,250）。
Hermes Agent：学习机器
Hermes 围绕一个核心信念构建：Agent 应该越用越好，不需要你改代码。三个机制驱动这件事：
┌─────────────────────────────────────────────┐
│ 任务执行 │
├──────────────┬──────────────┬───────────────┤
│ 技能文档 │ 记忆 │ Nudge 系统 │
│ (过往成功 │ (user.md + │ (自我提示 │
│ 的做法) │ memory.md) │ 去持久化) │
├──────────────┴──────────────┴───────────────┤
│ Cron 调度（离线工作） │
└─────────────────────────────────────────────┘Hermes 解决一个难题后，Nudge 系统会提示它把做法写成技能文档。下次碰到类似任务，技能直接加载到上下文——Agent 不用重新推导。有社区文章称重复任务耗时降低约 40%，但我们没有找到一手来源，只能当作个例参考。
代价：第一天优势为零。技能库需要几周使用才能积累出明显差距。而且技能质量严重依赖底层模型——弱模型写出来的技能又空又没用。
详见 Hermes 自进化循环解析。
Nous Research——Hermes Agent 自进化架构背后的团队。
真正重要的差异
1. 第一天 vs 第九十天
| 时间线 | DeepSeek Harness | OpenClaw | Hermes Agent |
|---|---|---|---|
| 第 1 天 | 高搭建成本（选插件、配环境） | 马上能用（装好、连渠道） | 马上能用但还没优势 |
| 第 30 天 | 定制管线贴合你的工作流 | 各平台都有熟悉的助手 | 技能库开始积累 |
| 第 90 天 | 成熟的插件生态（也许） | 和第 30 天差不多 | 重复任务可测量地变快 |
2. 各选什么场景
选 DeepSeek Harness 如果：
- 你在造自己的 Agent 产品，不是用现成的
- 你需要换掉每个组件（模型、沙箱、存储、循环）
- 你愿意参与构建可组合插件生态
- 你能接受预览期项目随时 break
选 OpenClaw 如果：
- 你想有个随时能从手机联系的个人 Agent
- 多平台在场很重要（团队 Slack + 个人 Telegram + WhatsApp）
- 你要的是开箱即用的产品而不是工具箱
- 写代码只是 Agent 要做的事情之一
选 Hermes Agent 如果：
- 你的工作有大量重复（同一个代码库、同一套部署流程、同类研究）
- 你想让 Agent 自己变快，不用人工干预
- 后台定时任务（你睡着时跑 cron）对你有意义
- 你是 Python 生态的人
3. 能组合用吗？
理论上可以。三者架构不互斥：
- Hermes 技能放进 DSH：写一个 DSH 插件实现 Hermes 式的技能提取和记忆。DSH 的插件架构让这件事可行，不用 fork 任何一方。
- OpenClaw 渠道接 DSH：做一个 DSH 的 UI 插件充当 OpenClaw 式多渠道网关。Agent 逻辑留在 DSH，渠道层只是另一个插件。
- DSH 当 OpenClaw 的后端：OpenClaw 的 Agent Runner 理论上可以换成 DSH 实例，获得插件可组合性的同时保留 OpenClaw 的渠道层。
这些集成今天都不存在，但架构兼容性在那里。
基准测试相关性
| 基准 | DeepSeek Harness | OpenClaw | Hermes Agent |
|---|---|---|---|
| SWE-bench | 取决于模型插件 | 未测（不是代码优先） | 未直接测 |
| Terminal-Bench | 极简模式专门为此设计 | 不适用 | 不适用 |
| 重复任务耗时缩减 | 不适用 | 不适用 | ~40%（社区说法，未核实） |
DSH 的极简模式（仅 shell + 文件编辑）就是为干净的 benchmark 评测设计的。OpenClaw 和 Hermes 都不针对编码基准——它们是通用 Agent。
生态和社区
| DeepSeek Harness | OpenClaw | Hermes Agent | |
|---|---|---|---|
| 社区 | Discord + GitHub Discussions | Discord + GitHub | Discord + GitHub |
| 插件/扩展数 | 极少（刚发布） | 10+ 渠道适配器 | 不断增长的技能库 |
| 文档 | 架构文档，指南较少 | 文档完善，社区活跃 | 文档不错 |
| 企业背书 | DeepSeek AI | 社区驱动 | Nous Research |
| 贡献模式 | dsh-plugin topic | Fork + PR | Fork + PR |
FAQ
哪个最适合上生产？
OpenClaw 和 Hermes 都是完整产品，不是预览版。DeepSeek Harness 明确是开发者预览，README 写明会有不兼容变更，现在别上生产。
能用 SandBase 跑这三个吗？
能。三个都支持 OpenAI 兼容 API。把 api_base 指向 https://api.sandbase.ai/v1，填上 API key，就能用 300+ 模型。想用一套接口连接 LLM、图像和视频能力，可以继续看统一 AI API 指南和视频生成 API 对比。
哪个最适合写代码？
三个都不是代码优先的。专门写代码建议看 Claude Code、Codex CLI 或 OpenHands。这三个是通用 Agent 框架，架构哲学不同。编码场景的对比见 Claude Code vs Codex vs OpenClaw。
如果你要构建的是运行时，而不只是选择 Harness，可以继续看 Claude Agent SDK 实战指南 和 GitHub MCP Server 安全指南。两篇文章分别解释工具权限和仓库边界，补上模型选型之后的生产环节。
DeepSeek Harness 的 star 数能追上来吗？
已经快追上 Hermes，离 OpenClaw 还远。DSH 8 月发布时约 18.5k 星；2026 年 10 月 4 日，DSH 为 242,936，Hermes Agent 为 251,001，OpenClaw 为 391,250。不过 Star 不等于有用，真正决定 DSH 长期价值的，还是插件生态能不能起来。
有赢家吗？
没有。不同工具解决不同问题。如果非要选一个：今天想用就选 OpenClaw，工作重复性高选 Hermes，在造自定义 Agent 基础设施且能忍预览期不稳定选 DSH。
如果你要继续看这些系统背后的工程基础，可以阅读：Agent Harness 性能分析、Agent 可观测性与追踪、可移植 Agent Plugins 标准，以及 vLLM vs SGLang 推理引擎对比。
在 SandBase 体验 DeepSeek V4：DeepSeek V4 Pro | DeepSeek V4 Flash