本文最后更新于：7 小时前

开源 Agent 实现调研

调研日期：2026-09-06。范围按初稿链接：Hermes Agent、Prime Agent、Letta Code、OpenClaw。本文阅读了官方文档与固定版本源码，未安装运行四个项目，也未做学习效果、召回率、延迟或成本基准测试。

Overview

表格比较实现方式和默认路径，不作性能排名。此前的星级改为机制描述，便于追溯与后续实测。各行依据和默认条件见对应项目正文。

Project	自主学习	长上下文管理	持久 Memory	Agent loop 编排
Hermes Agent · 详解	主动 memory/skill 工具 + 默认后台复盘；经验写成文本和技能，含技能生命周期整理。	工具输出卸载 + 有损摘要 + 近期尾部；SQLite 历史可补检；独立子 Agent。	有容量上限的 `MEMORY.md`/`USER.md` 常驻提示；技能为程序性记忆；FTS5 检索历史，外部 memory provider 可选。	Python `AIAgent` 显式循环；工具按可并发性分段；delegate/cron 为外层编排。
Prime Agent · 详解	默认自动 review，或 `/refine`；结构化修改四类 harness 条目，可回滚；默认 session-local。	持久 Python REPL 外置数据；有损摘要与 JSONL 历史；RLM 独立子上下文；有界 kernel 快照恢复。	local/global JSON harness；短摘要注入，详情通过 Python API 读取；当前路径无默认向量召回。	daemon → worker → `AgentSession` → `ipython`/host bridge；goal、quality gate、heartbeat、schedule 控制续跑。
Letta Code · 详解	显式记忆编辑 + 默认回合末 reflection；子代理在 Git worktree 提炼经验后合并；Cloud 可接管调度。	API 后端持有窗口；local 压缩实现已开源；摘要与完整 transcript 分离；文件按需加载。	Git MemFS；核心内容注入、其它内容按需读；按 agent 跨 conversation 复用；默认非向量文件库。	客户端 harness 与后端 stream 交替推进；本地工具审批/执行/回传；同库有 local runtime/App Server。
OpenClaw · 详解	默认 Dreaming 三阶段记忆巩固 + 默认 auto Skill Workshop；存在来源门槛和变更校验。	工具结果 pruning 投影 + safeguard compaction + 压缩前 memory flush；不同 runtime 策略有区别。	Markdown 内容源 + SQLite 索引/状态；关键词与可用时的向量 hybrid；默认路径 QMD 已移除。	Gateway → session/global 队列 → 自有 agent-core 或其它 harness；子任务后台执行、结果异步送达。

最影响理解的四点：

四者目前都能通过修改外部状态形成经验复用。这里的“学习”主要发生在提示、记忆、技能层；本次核查未证明常规运行循环会更新模型权重，也未证明自动更新必然提高成功率。
长上下文能力来自多层组合：控制进入窗口的数据量、压缩旧消息、保留可恢复原始历史、按需检索，以及拆分子任务上下文。持久 Memory 解决的是未来如何再用知识，不能替代当前窗口管理。
持久化不等于跨独立会话自动复用。例如 Prime 默认 local harness 可随同一 session 恢复，但新 session 不自动读取它；Letta 的复用边界主要是 agent；Hermes 通常是 profile；OpenClaw 还受会话类型和 DM 隔离策略影响。
“停止”也分层：模型结束本轮、Agent 结束一次 run、目标被标记完成、调度器未来不再唤醒，是不同事件。压缩、断线恢复和后台运行也分别管理不同状态。

版本基准

以下为本次获取的 main 快照，不保证等同用户机器上安装的 release。源码链接固定到对应 commit；官方动态网页仅作补充。

项目	固定 commit	提交时间（Asia/Shanghai）
Hermes Agent	245e48008fa8	2026-09-06 08:00:18
Prime Agent	9c54a35dac3a	2026-09-06 03:12:41
Letta Code	701f2a536782	2026-09-06 09:02:04
OpenClaw	047fdfe90fef	2026-09-06 11:06:22

统一概念

概念	本文含义	容易混淆的边界
自主学习	从轨迹/纠正/使用结果提取经验，更新可复用状态，后续任务再加载。	“能写 skill”只是机制一环；还要看触发、写入控制、召回和效果验证。
Working context	当前模型请求中的系统提示、消息、工具 schema、结果等。	窗口有限；放进历史数据库不等于已经进入模型上下文。
Compaction summary	为继续当前工作而压缩出的有损摘要。	摘要可能丢信息、随任务变化；不应直接等同经过整理的长期知识。
Episodic history	原始对话、工具轨迹、执行事件。	留存用于恢复/取证/检索，并不意味着逐条长期注入。
Semantic / procedural memory	稳定事实、偏好、决策，以及可复用步骤或技能。	数据库存储、向量检索、Markdown 文件是实现选择，不是 memory 是否存在的定义。
参数学习	通过训练更新模型权重。	本文讨论的默认记忆/技能更新路径不能据此宣称持续训练。

下面是跨项目的概念关系图，不是任一项目的逐函数调用图；具体实现见各节。

flowchart LR
    A[用户输入或调度唤醒] --> B[组装本轮上下文]
    M[持久记忆与技能] -->|核心注入或按需加载| B
    B --> C[模型与工具循环]
    C --> H[原始历史与执行产物]
    C --> D{窗口压力}
    D -->|压缩与外置| S[摘要及保留尾部]
    S --> B
    H -->|检索旧细节| B
    C -->|满足触发条件| R[经验复盘]
    R --> V[写入校验与可选评估]
    V --> M
    C --> E[本次运行结束]
    E -->|目标或调度策略继续| A

Hermes Agent

1. 自主学习：提示驱动的经验外化闭环

事实：主 agent 在执行中可调用 memory 和 skill_manage。此外具有真实的后台复盘路径：memory 默认每 10 个用户回合计数触发；skills 默认累计 10 次工具迭代后，在回合结束检查。只有产生最终回复、未中断、未设置 skip_background_review 且触发复盘时才启动后台 fork；自动复盘默认开启，可配置关闭，/refine 为显式入口。H1

观察材料是刚完成的对话快照；同模型 fork 重放快照，另行路由的复盘使用摘要历史。复盘 prompt 识别用户纠正、有效解决步骤、遗漏或过期技能，要求先更新已使用的相关技能，再考虑已有通用技能和支持文件，最后才新建。运行时白名单限制到 memory、skill 管理和有关读取工具；不是“给主模型一句记得学习”而已。现有技能修改需当前复盘重新读取；后台仅能改 curator 管理的技能，用户拥有、固定、内置及 Hub 安装技能受保护。H2

写入产物是 $HERMES_HOME/skills/.../SKILL.md、references/scripts/templates，以及 memories 下的文本条目。后续通过系统提示中的技能名称/描述索引选择，再 skill_view 按需加载正文和关联文件；memory 则直接注入。判断：这是程序性知识和事实记忆的提示驱动更新，不是模型参数在线训练。H3

评估边界：skill 写入有 frontmatter/大小校验、lint、读取前置保护；agent-created 安全扫描为可选，默认关闭。复盘 prompt 要求不把未解决失败包装成可靠方法，但这仍是模型判断。未发现该常规复盘路径强制执行“新技能运行→基准评分→优于旧版才晋升”的自动效果验证，也未见反向传播/优化器更新；不能把库中 evals 或轨迹生成能力当成每次学习已验收的证明。H2、H3

另有 curator：默认每 7 天且空闲至少 2 小时检查；默认只做确定性的长期未用技能 stale/archive 转换（30/90 天），LLM 合并整理默认关闭。run_curator_review 先备份、做状态迁移，再按配置 fork 整理并记录报告；其存在不代表学习质量得到了任务级评估。H4

2. 长上下文：有损摘要、可恢复历史与输出卸载

默认 engine 为内置 ContextCompressor，可显式配置插件替换；不能默认称为无损上下文。配置基础比例为 50%，但**小于 512,000 tokens 的模型窗口将比例提高到至少 75%**，部分 Codex 路由另有 85% 自动提高。实际 token 阈值以扣除输出预留的有效输入预算计算，还受最小值及绝对 token cap 影响，不能直接当作完整窗口占用百分比。使用 API 报告的 prompt tokens，缺失时估算。Gateway 回合前另有 85% session hygiene 安全网。不能只写一个全局固定 50%。H5

压缩流程：先廉价裁减旧工具结果/空白行，再确定首部、摘要中段及近期尾部，辅助 LLM 总结中段，修复工具调用配对。当前默认 lean 尾部预算是窗口 2.5%，夹在 10K–25K tokens，默认保护最近 20 条及至少 1 个真实用户消息；保护可能使实际保留量超过软预算。摘要附加机械提取的标识符索引、预算内原文用户请求和 session_search 恢复提示；超大摘要输入会采样，因此摘要不是无损复制。legacy 大尾部为可选。H6

默认 in-place 压缩保持 session id，把被压缩旧消息软归档为 active=0, compacted=1，保留搜索；可选择旧式 session 轮换。摘要用于继续当前上下文，SQLite 历史用于按需恢复，curated memory 用于跨会话稳定知识，三者用途不同。自动压缩失败有 60/300/900 秒冷却及无效压缩熔断；手动 /compress 或有界的 provider overflow 恢复可重试。H5、H6

工具结果还有独立卸载层：普通结果默认上限 100K 字符、MCP 50K、每轮总量 200K，较小窗口按比例缩小；超限全文写 $HERMES_HOME/cache/spillover，上下文留下约 1,500 字符预览与路径。read_file 豁免以免读回又卸载；多模态另走路径。若写盘失败则明确 inline truncation，故“所有输出永远可恢复”不成立。H7

子 agent 具有独立消息上下文，父任务仅传 goal/context，回传摘要并按父窗口余量限额；它是主动隔离中间材料的机制，不能假设自动分享完整父历史。H11

3. 持久 Memory：小型文本笔记与独立历史库

默认 $HERMES_HOME 通常为 ~/.hermes；内置 memory 位于 memories/MEMORY.md（agent 环境/经验）、USER.md（用户信息），分别默认 2,200/1,375 字符，条目以 \n§\n 分隔。MemoryStore 是每 AIAgent 一份实例，写入时文件锁、重读、原子保存；add/replace/remove，也支持按最终预算原子批量操作，唯一子串定位修改。超限返回错误让模型合并/删减，而非后台自动语义压缩；失败次数还有每回合限制。H8

索引与注入：内置两文件没有向量检索；全部有界内容形成系统提示快照。会话期间 tool 写盘而不逐次刷新前缀。需要特别纠正文档的绝对说法：源码 invalidate_system_prompt 在上下文压缩后会重新从磁盘加载，因此“整场会话永不更新、只能下一场可见”不准确。Memory 可由主 agent、后台 reviewer 或用户文件编辑更新；入口权限/写入审批另可配置。H8、H9

历史则是 profile 下 state.db，session_search 使用 SQLite FTS5，支持发现、会话浏览和围绕消息滚动，默认发现 3 个结果、adaptive detail，不需 LLM。文档/源码差异：官方 memory 页面称“不截断”，但当前发现结果每条内容明确有 4,000 字符截断标记；原消息可另外滚动/读取，不能描述为每次搜索回传完整无限历史。H10

隔离默认是 profile/home，不是每个 session 单独一份 memory；同 profile 会话共享。删除 memory 条目不等于删历史。session_search(profile=...) 可显式只读访问其他 profile，按 session id 还会定位其他 profile DB；因此 profile 文件组织不是对同一 OS 用户的严格安全边界。可选 memory.provider 加载外部 provider，与内置共存；不能把 Honcho/向量/图检索当作默认内置能力。未逐一验证各外部插件的召回和删除语义。H8、H10、H12

4. Agent loop 与任务编排

核心入口 AIAgent 委托到 agent.conversation_loop.run_conversation：build_turn_context→循环中的 begin_iteration/prepare_iteration→组装请求与 preflight→_run_api_retry_loop→规范化模型回复→有工具则 run_tool_round，否则 finish_text_response→finalize_turn 持久化和后台复盘。是显式 Python 状态循环，不是固定 DAG。codex_app_server 模式是可选的整回合外包 runtime 分支，应与 Hermes 自己的常规循环区分。H12

主循环受 max_iterations 与共享 iteration_budget 约束，构造器默认 sys.maxsize（实际近于无限），可另配时间预算；最终文本、预算耗尽、中断、不可恢复 API/持久化失败等退出。API 外层默认 3 次尝试，错误分类决定是否恢复/重建/失败；上下文溢出另受压缩次数约束，不能等同于“任何错误都重试三次”。硬中断/steer 有专门状态路径。H12

工具批次由 _plan_tool_batch_segments 按模型给出顺序分段：可并行的只读、互不重叠文件目标、显式允许的 MCP 同段并行；其他工具形成串行屏障。底层有顺序/线程池/分段执行器，超时与中断可终止等待；这比“全部工具串行”或“同轮全部并发”更准确。H11

delegate_task 新建 AIAgent：skip_memory=True，子工具集禁 memory/cron/clarify；默认最多并发 10 个子任务、深度 1，深度可配，父中断传播到孩子。上下文隔离不自动等于文件系统隔离，可选 worktree 另处理。cron 则 tick→run_one_job→run_job→_construct_cron_agent→run_conversation，独立运行、存结果并投递，支持并行和无 LLM 的 script-only；当前 cron 明确加载 memory（skip_memory=False）但禁止后台复盘（skip_background_review=True）。H11、H12

源码导航

H1 复盘触发及默认值：memory 回合计数；后台复盘 gate；默认间隔。

H2 复盘观察、更新策略与真实 fork：纠错→技能及保护规则；白名单和 run_conversation；自动启用。

H3 技能读写及验证边界：读索引/正文工具；写入位置与可选扫描；格式校验；lint 是 advisory。

H4 Curator 实现：默认周期和非 LLM 剪枝；完整 review 流程；官方触发说明。

H5 压缩默认与例外：官方默认引擎、双阈值、冷却；75% 下限实现；配置和可选剪枝。

H6 有损压缩与恢复：压缩主流程；lean 尾预算；机械恢复附件；阈值和熔断。

H7 工具卸载：预算、豁免和窗口比例；全文保存/失败截断；调用链。

H8 内置 Memory 存储及变更：格式、默认容量、快照、原子操作；profile 路径与批量工具；增删替换。

H9 压缩时刷新冻结快照：invalidate_system_prompt；系统提示注入。

H10 历史检索及隔离边界：发现结果截断、FTS 查询；4000 字符和查询；跨 profile 只读 DB；默认参数。

H11 工具并发和子任务：分段调度入口；子 agent 构造；子工具禁用；并发/深度默认；父窗口控制返回量。

H12 主循环、外部记忆和 cron：主循环与 runtime 分支；默认迭代无限；API 重试默认；可选外部 memory provider；cron agent 的 memory/review 开关；cron 进入 agent 并执行。

Prime Agent

实现定位

Prime 将 RLM 执行环境与 Continual Harness 可编辑状态分开：前者让模型通过持久 Python REPL 操作数据、工具和子 Agent；后者保存提示补充、事实记忆、技能调用说明、子 Agent 规范。TypeScript AgentSession 负责模型调用、调度、压缩和落盘。正常交互由 daemon 托管，关闭终端只是客户端 detach。架构

触发：可手动 /refine，也可由模型通过 refine.run 请求。当前 autoRefine 默认开启，间隔默认 25 个 assistant turns，压缩后也可检查，默认冷却 20 分钟；自动路径限于有持久 harness 目录的根会话。这些是检查条件，不保证每次都会写入。默认配置、根会话限制
提炼：自动路径先由 LLM 判断 shouldRefine；通过后结合 harness、历史 refinement 和轨迹提出 JSON create/update/delete。轨迹取序列化会话末尾 80,000 字符，并非全部历史无损复盘。修改对象是 prompt / memory / skill / subagent 四类条目，基础 system prompt 不在可编辑范围。review 调度、提案生成
写入与复用：校验字段、检查条目是否在规划期间变化；保留版本和 before/after，支持 rollback。应用后重建 system prompt，后续 turn 可看到新摘要。默认写 session-local；跨独立会话复用需显式 global refinement 或 global 写入。应用与冲突检查、落盘及重新注入

评估边界：这里的学习是外部状态更新，未在这条路径看到模型参数训练。记录的 expectedOutcome 是预期效果，不是已测得的收益；字段校验也不等于经验正确性评测。skill 条目记录 Python 能力的调用契约，/refine 本身不会把描述自动构建、测试并安装成新 Python 包；可执行技能另有创建流程。refinement 约束、技能机制

长上下文：外置工作数据 + 对话压缩 + 独立子上下文

外置数据：默认内置模型工具是 ipython。模型把文件、解析结果、函数留在 Python 环境，按需读取和打印；rlm(...) 建立独立子会话。这减少每次模型请求需要携带的数据，但打印出来的内容仍消耗上下文。RLM 接口
压缩：默认开启，触发为 contextTokens > contextWindow - reserveTokens，默认预留 16,384 tokens、目标保留最近约 20,000 tokens。旧消息由 LLM 摘要；JSONL 保留原始条目及 compaction 记录，模型上下文重建为“摘要 + 保留消息 + 后续消息”。预算及触发、上下文重建
恢复边界：kernel 一般跨压缩保留，并注入剩余变量名；当前实现也会清理超过单变量快照限制的变量。跨进程恢复依赖 dill 尽力快照，默认总量 256 MiB、单变量 16 MiB，不可序列化对象会跳过。持久 REPL 不意味着所有对象永不丢失，大数据宜显式存文件。压缩后变量处理、快照限制

持久 Memory：有作用域的 JSON 条目库

层	存储与使用方式
会话经验	`<session artifact dir>/harness/harness_state.json`；默认 refinement 写入这里，恢复同一会话时复用。
跨会话经验	默认 `~/.prime/agent/harness/harness_state.json`；显式 global 写入，另有 `refinements.jsonl` 历史。
注入与访问	合并 global/local state，默认每类最多展示 6 条，内容摘要 180 字符；详情通过 Python harness API 的 `list/get` 等读取。该路径不是按当前 query 做 embedding 检索。
操作与纠错	`create/update/delete/upsert`，记录版本、来源和作用域；refinement 可回滚。删除活跃条目不等于删除历史审计记录。

依据：路径与原子保存、摘要选择规则、Python harness API。

Agent loop 编排

TUI / headless / heartbeat / schedule / peer message
  → daemon supervisor → session worker → AgentSession 输入队列
  → 模型请求 → ipython → Python执行 / typed host request / rlm子任务
  → 工具结果 → turn边界：压缩、refinement、steering、续跑策略
  → 下一轮或退出；会话与artifact持续落盘

底层 runLoop 有“模型—工具”内循环及 follow-up/continuation 外循环，检查 abort、工具终止和宿主停止策略。通用工具调度可并行，但 ipython 标记 sequential 以保护共享 kernel；并行主要在 Python 中编排和独立子会话中运行。rlm() 返回接纳句柄，不等待最终答案，结果通过显式消息或文件交付。loop、工具模式、ipython 顺序执行

外层 goal 保存目标与进度，autonomous mode 按 turn/token/time/continuation 预算及可选命令 quality gate 决定是否再跑，heartbeat/schedule 负责以后重新入队。达到预算是停止原因，不是成功证据。关闭终端、压缩上下文、恢复进程分别作用于不同状态层，不能用单一“支持 resume”涵盖。长期执行策略

Letta Code

定位与重要版本边界

当前 Letta Code 已不只是旧 Letta API 的薄 CLI：同仓库包含交互终端、headless harness、本地 runtime、App Server 与消息渠道。当前 letta-ai/letta 主分支仅为项目入口，README 明确旧 V1 server 已退休，源码保存在 archive；因此不能将旧 Python 服务端的 core/archival/recall 架构直接等同于当前 CLI 默认实现。L1

源码 backend resolver 未显式覆盖时默认 api，可通过 --backend local 使用进程内 runtime，App Server 也可选择 local。默认 API 地址为 https://api.letta.com。Cloud 路径中，agent 身份、conversation、消息和云端 memory repository 属于后端状态，harness 在当前计算机执行本地工具；local 路径则将这些状态保存在本机。源码仍用 experimental 命名 local 的环境开关，但官方已提供正式自托管使用说明，不宜仅据内部变量名断言功能不可用。L2

1. 自主学习：实际更新 token-space，未见参数训练闭环

这里的学习对象是 memory 文件、可复用 skill 和运行环境配置，主要依赖 LLM 从交互中提炼经验、修改文件并提交 Git。默认提示明确要求把用户纠正、偏好和重复错误写入核心记忆；/remember 是显式教学入口，/init 用于项目记忆初始化。模型是否识别并记录某条经验仍由推理决定，不能理解成每次交互都有确定、完整的知识提取。L3

后台 dreaming/reflection 有可核查控制流：本地设置默认 step-count、25 步、auto 合并；maybeLaunchPostTurnReflection 在回合结束且 transcript delta 已追加后检查累计步数，也可配置压缩事件触发或关闭。它要求 MemFS；不是每25条用户消息，也不是独立于活跃进程的通用夜间定时训练。若 Cloud 返回 cutover=true，客户端退出该自动启动路径，由 Cloud 管理，云端实际调度器实现未在此次仓库中核实。L4

reflection 子代理读取最近 transcript 切片以及父 memory 快照，在独立 Git worktree 中整理错误纠正、偏好、事实和重复流程；提示词要求去重、替换过时事实、排除一次性任务状态，必要时更新最多一项 skill。产出提交后由 harness 合并；也可配置由主 agent 在另一后台 conversation 审阅和修订，并非必然请求用户批准。失败或冲突不应消耗待反思 transcript，成功后推进反思游标。上述是运行成功与整合检查，不能当成任务能力提升的实证评测；/doctor 是记忆布局、重复和提示词 token 使用审计，未核实默认运行独立基准、量化奖励或模型权重更新。L5

2. 长上下文：持久历史与当前窗口分开

API 模式的 sendMessageStream 发往 conversation 的是本次消息或 approval 结果、client tools/skills，而不是每轮由 CLI 重传完整历史；请求开启 compaction messages。conversation 后端持有当前上下文和历史。CLI 有 compact API 调用及压缩事件处理，但这只能证明接口和事件契约；当前云服务的完整压缩算法、预算阈值及数据库实现未由开源客户端证明。L6

local 模式的算法则已开源：预算优先使用最近模型 usage，再估算其后消息；无可信 usage 时计算提示词、消息和 tool schema（字符数/4，图片固定估算）。预留量为 min(16384, max(1, floor(window×0.2)))，超出窗口减预留的阈值会提前压缩，provider overflow 另有补救路径。默认 sliding window、保留预算比例 0.3，也支持 all；生成摘要后以“摘要+保留尾部”替换 active message IDs，向完整 transcript 追加 compaction 记录而非直接删除原历史。压缩失败或压后仍超窗有全量摘要等退路；system prompt 加工具定义本身超过窗口则无法靠历史摘要解决。L7

这种方案延长连续运行寿命，但摘要是有损信息；需要靠保留的消息历史和记忆文件补检，不能等同无限上下文。local 查历史以 transcript 全文匹配为主，Cloud message search 接口支持 fts/vector/hybrid；检索到的结果只有经工具读取后才进入当前上下文。L8

3. 持久 Memory：当前核心是 Git MemFS

MemFS 把 agent 的 Git memory repository 投影成真实本地 checkout：API agent 常见目录 ~/.letta/agents/<agent-id>/memory，local backend 为其 storage root 下 memfs/<agent-id>/memory。memory 与 memory_apply_patch 小修改工具会自动 commit；直接文件修改须显式提交，远端同步在后续 harness 同步时完成。local prompt compiler 用 git ls-tree HEAD、git show HEAD:<path> 读取已提交版本，证明未提交工作区内容不会直接成为核心提示。L9

须区分两代布局：MemFS v1/local 使用 system/*.md 作为核心记忆；其它文件主要投影目录索引，内容按需读取。当前代码另支持云端 MemFS v2：若非local且存在根 MEMORY.md，根级 Markdown 是 core memory，子目录要求自己的 MEMORY.md，skill 独立；所以“所有版本都用 system/”和“所有版本都用根 MEMORY.md”均不准确。v2 的客户端格式检测、读写验证和提示模板可见，云端 prompt compiler 的实现此次未核实。官方 MemFS 页面仍主要展示 v1，详细实现优先引用固定源码。L10

MemFS 默认没有向量索引。普通 Read/Grep/文件搜索按路径、描述和 Markdown 链接查找；官方另提供 memfs-search mod，可选语义/混合模式依赖 QMD。该可选文件检索与 Cloud 对话消息向量搜索是两种能力。旧 V1 的 archival memory 向量存储并非当前创建 agent 的默认工具集：creation builder 显式关闭 include_base_tools，仅默认挂服务端 web_search/fetch_webpage，local工具运行时传入。因此不能写成“CLI 默认把所有记忆 embedding 存入向量库”。L8、L11

同一 agent 的 MemFS 跨 conversation 复用；conversation 的窗口独立。agent 以ID划分本地目录，sharing 需显式附加 shared-memory repository；这是状态归属设计，并非宣称跨agent读取在任何权限模式下绝对不可能。项目 skills > agent MemFS skills > 全局 skills > bundled skills；发现阶段提供名称/描述，完整内容按需加载，agent-owned skills 可随云端记忆跨机器迁移。L9、L11

4. Agent loop：harness与后端交替推进

可核查调用链为交互 use-conversation-loop.processConversation 或 headless 的迭代循环 → sendMessageStream → backend conversation stream → 收集assistant/tool/approval/stop事件。API 模式中，服务端可处理自身工具并继续推理；本地工具产生 requires_approval 后由客户端分类为自动允许、拒绝或需用户输入，执行 executeApprovalBatch → tools manager → 以 approval 结果作为下一次输入继续。当前云端内部多step调度只从协议边界可见，不能以退休 V1 源码作“当前实现”证据；local backend 的 provider executor 则在同仓库可审阅。L6、L12

本地工具批次按资源调度：标记为可并发的只读工具和 Task 可一起执行；写工具按目标资源分组，同资源串行、不同资源可并行，结果按原始调用顺序回传。客户端等待审批并不意味着整个工具批次必然串行。executeApprovalBatch

正常终止、取消、错误、max_steps 都有分支；headless 特别避免在回传 approval 前强制max_steps，以免让后端永久停在等待审批。SDK自动重试默认关闭以避免状态重放，外层有共享恢复策略：429/5xx/网络故障按预算延迟重试，busy时尝试续接已有stream，审批ID失配重新取后端状态；鉴权、无额度等错误不会一律无限重试。子agent通过独立headless子进程运行，有新建隔离context、fork继承上下文以及调用已有agent的路径；reflection属于受限memory scope的专用子agent。它们隔离上下文预算，不代表与主agent的工作目录天然没有共享副作用。L12

综合判断（推断）：Letta Code 的差异化是把跨会话身份、可提交记忆、后台经验整理和按需召回组合成持续工作的agent；该机制具备“写入—保留—再次使用”闭环，但“不断学习必然变好”仍需要具体任务、检索命中和记忆质量的实测。

源码导航

L1 当前/历史边界：Letta当前README。

L2 backend默认与部署：resolver、settings默认、官方self-hosting。

L3 学习意图与触发：根MemFS prompt、官方memory/dreaming。

L4 reflection实际开关：post-turn入口、Cloud cutover处理；默认值见E2。

L5 reflection提炼、写入、完成：reflection-v2提示、worktree finalization、success checkpoint。

L6 API消息边界：request builder与SDK重试、backend代理接口、官方compact API。

L7 local上下文压缩：预算与threshold、默认策略、摘要切换active IDs且追加历史、fallback。

L8 检索边界：官方MemFS无默认vector、Cloud search endpoint、local transcript search。

L9 持久化和已提交注入：memory工具自动提交、local compiler读HEAD、memory路径与作用域。

L10 MemFS两代布局：检测规则、local编译system目录。

L11 默认工具与skills：创建工具集、禁用base tools、skills来源优先级。

L12 loop、恢复、子agent：交互循环、headless approval执行与回传、max_steps的approval边界、重试分类、子agent spawn。

OpenClaw

1. 自主学习：当前版本已有两条默认自动闭环

事实：不能沿用“只有记笔记、没有标准自主学习”的旧结论。 第一条是 memory-core 的 Dreaming：默认启用，默认每天 03:00 的托管 cron sweep；依次 light（整理去重候选）→REM（主题反思、强化信号）→deep（评分门槛后巩固长期记忆）。深层晋升要求分数、召回次数、不同查询数量同时达标；untrusted/system 源先被代码排除，会话衍生候选只接受 interactive。模型在确定性门槛内选择 additions/merges/supersessions，接受前校验来源、旧条目保留比例与 bootstrap 容量；改写有 preimage、内容哈希检查，失败回退 append promotion。DREAMS.md 是人工审阅输出，不反过来当新学习来源。O1 O2

第二条是核心 Skill Workshop 的 self-learning。skills.workshop.autonomous.mode 与 approvalPolicy 都默认 auto，不是额外安装社区技能才有。已用技能的即时修复、完工后的 detached experience review、每周 collection review构成过程知识沉淀。经验复盘要求单轮至少 10 次 model iterations、前台完成或中断但非 provider/prompt error、runtime 报告实际模型和 skill_workshop 可用、静默30秒且无活动agent；排除 cron/heartbeat/memory/overflow/hook/subagent/review，源码还排除 compacted === true。复盘读取固定完成位置的证据，最多一次技能变更；只能写本agent的 workshop-skills，经过 proposal→hash binding→scanner→apply，可留 pending 或 quarantine。新会话复用更新技能，正在运行的 skill snapshot 不被热替换。propose 只生成提案，off 关闭自动捕获。O3

边界/推断： 这是外部记忆与程序性技能更新，不是参数训练；有自动学习工作流，不等于保证学习正确。Memory flush 只是压缩前把未存上下文追加到日记，最终巩固由 dreaming负责。Heartbeat/cron是调度机制，不天然等于学习；默认 heartbeat 本身不做记忆维护。Workshop还提供显式评估插件hook，但“评价→反复修订→停止条件”的外部优化控制器并未内嵌，不能宣称标准无限自优化。O4

2. 长上下文：pruning、compaction、flush分工

事实： pruning针对旧 toolResult，不概括普通对话。当前客户端投影视图会写入隐藏 openclaw.cache-ttl marker，因此可跨Gateway重启恢复，原工具结果不改写；“永远仅内存、不持久化”已过时。非Anthropic默认关闭；Anthropic auth可播种智能默认。直接Anthropic API-key请求走服务端tool-result clearing，其余符合条件路径在TTL过期且上下文占用约30%后soft trim，仍约50%且有足量内容则hard clear；最近3轮与初始用户消息之前内容受保护。O5

Compaction默认开启，接近窗口预算或provider overflow触发，旧对话摘要持久化、保留近期尾部；分割时保持tool call/result配对。当前新配置默认safeguard，有摘要质量校验与有限纠正；不合格不写入。客户端阈值核心是 contextWindow−reserve；提前flush再减softThreshold，使用新鲜token观测，必要时读transcript推算。默认flush要求可写workspace，仅追加 memory/YYYY-MM-DD.md，禁止改MEMORY/DREAMS/SOUL/AGENTS；无待存内容可NO_REPLY。O6 O7

Flush失败/重试耗尽不会重置会话；必要compaction失败保留原历史并报错，不能写成“自动清空重启”。摘要模型未显式覆盖时可临时使用配置的fallback链，取消或质量校验失败不切模型；overflow compaction后可重试原turn，重试会重置流缓冲防重复输出。Stop后停止后续恢复/重试，已完成compaction不回滚。原生Codex等runtime拥有自己的压缩策略，不能把内置runtime全部细节套到所有harness。子agent通常独立context/token预算，也允许显式context: fork，并非绝不继承父历史。O7 O11

3. 持久Memory：Markdown为内容源，SQLite为索引与状态

事实： memory-core默认索引MEMORY.md、现存USER.md、memory/*.md；MEMORY保存长期事实，USER保存偏好指令，日记保存细节，DREAMS供审阅。文件可人工读写，SQLite保存chunk、embedding、FTS、provenance与运行状态，因此不宜把“无隐藏状态”的产品说法扩写成“所有系统状态只有Markdown”。当前每agent主数据库是 ~/.openclaw/agents/<agentId>/agent/openclaw-agent.sqlite，会话与transcript也已迁入该库；JSONL/sessions.json属于旧迁移或归档，不再是默认热写源。O8

Builtin支持FTS5/BM25+向量hybrid，400-token chunk/80 overlap，文件变更debounce重索引；综合相关性、时间、importance后MMR去重（不是学习式reranker）。默认OpenAI embedding；有可用凭证才获得向量检索，否则关键词搜索。可显式Gemini、Voyage、Mistral、Ollama等，本地GGUF需官方llama.cpp provider，sqlite-vec是可选加速。O8

重大版本边界：QMD已移除，doctor迁移旧backend/qmd配置并保留extraPaths和原始记忆；当前builtin不带旧QMD的HyDE/cross-encoder reranking。这里“builtin唯一engine”仅指这条内置检索引擎，不是系统不能换memory plugin：官方文档仍列Honcho及需安装的memory-lancedb外部插件，后者通过plugins.slots.memory选用；memory-wiki为旁路知识层，非memory-core替代。O9

写入—复用路径：工作日记/flush/合格interactive transcript→带来源索引→dreaming→curated memory→预算内bootstrap与逐轮刷新；触发短语还可通过确定性lexical/vector匹配注入最多3条可信curated内容。Active Memory默认escalate：用户显式回忆意图且普通lane无强命中，才运行阻塞式检索子agent。跨会话记忆个人安装默认开，配置DM隔离时默认关；只限同agent已识别私聊，排除群聊、其他agent及元数据不足会话；不会扩大sessions_*权限。配置sources默认memory，但rememberAcrossConversations开启会加入sessions，不能仅凭sources默认值断言“不索引会话”。O10

4. Agent loop：已从“嵌入外部Pi”演进为自有runtime及可插拔harness

事实： 当期链路是 Gateway agent RPC校验与session解析、立即返回runId→agentCommand→runEmbeddedAgent→session lane再global lane→prepared model runtime/harness选择→session与prompt准备→模型/工具循环→事件桥接、流输出与持久化→终态。源码run-orchestrator的enqueueSession包enqueueGlobal，CLI eligible path也在入队后分发。不同session可并发，同session串行，SQLite activeWriterRunId提交栅栏阻止被替代run落过期transcript。O11

当前运行内核在自有 packages/agent-core（Agent/agent-loop）与 @openclaw/ai，第三方说明仅称部分实现改编自Pi/pi-mono且依赖pi-tui做TUI。应写“源自Pi的自有内核”，不再称当前运行loop依赖外部pi-coding-agent。另有embedded plugin harness codex/copilot与独立CLI backend，provider/model/runtime是不同层。内核Agent默认toolExecution parallel，显式sequential或某工具要求sequential会使批次串行；模型轮次仍按工具结果/steering/followup继续，不能把session串行误写成工具永远串行。O12

循环在无待处理tool/steering/followup时结束，error/abort/预算超时可终止；agent.wait超时仅结束等待，不取消执行。队列支持steer/followup/collect/interrupt，当前默认steer。子agent用独立session在后台运行，完成后通过有幂等key的parent handoff；父run活跃时先steer，无法接收则排同session lane。计算完成与结果送达是独立状态，送达重试有上限。Cron隔离turn由scheduler负责预算与清理；这些异步调度组件不等价学习系统。O11 O12

源码导航

所有链接固定同一SHA；文档与源码发现冲突时以本节较具体源码/说明为准。

O1 Dreaming默认值和03:00频率；三阶段及巩固验证。

O2 代码：候选来源和interactive gate；托管cron实现。

O3 Workshop默认auto；复盘阈值和资格代码；完整学习流程。

O4 外部评估优化loop边界；默认heartbeat不维护memory。

O5 pruning持久投影、路由和阈值。

O6 flush目标与只追加提示；默认启用与预算；提前阈值/过期计数处理。

O7 compaction、safeguard、恢复和失败保留历史。

O8 Builtin检索与SQLite位置、索引；Session SQLite与旧JSONL迁移。

O9 QMD已移除及能力差异；外部LanceDB插件。

O10 Memory信任层与双lane；跨会话默认与隔离；sources和权限边界。

O11 真实入队与runtime准备；RPC到loop及writer fence；子agent隔离、fork及异步交付。

O12 自有内核循环及终止；工具串并行决策；默认parallel；Pi来源声明；队列。

官方文档冲突与核查边界

未做模型行为/准确率/收益评测。扫描、来源门槛和hash并不证明记忆或skill内容正确。
同一 commit 的 self-learning 说明仍称每周 collection review 有整体备份及自动回滚，而更具体的 Workshop 恢复说明明确新实现按普通 Agent 文件编辑处理，没有 collection 整体事务或新备份。本文不承诺周 review 具备整体自动回滚；逐 skill proposal apply 的 rollback metadata 是不同层次的机制。
compaction.md末尾对照表仍将 pruning 写成仅内存，与 pruning 专页的持久投影标记说明不一致。本文采用后者：原始 toolResult 不改写，客户端投影可持久恢复。
文档称 memory“无 hidden state”是面向用户内容的简化说法；SQLite 实际还保存来源、索引和 Dreaming 运行状态。

横向结论与可借鉴实现

以下是基于上述实现的工程判断，不是经过统一任务集验证的产品排名。

希望解决的问题	值得先读的实现	原因与边界
个人偏好、环境事实和经验步骤的轻量持久化	Hermes `MemoryStore`、background review、skills 工具	文件简单、容量明确，能看到从复盘到复用的完整路径；常驻笔记容量小，较大知识库要靠技能/历史/外部 provider。
大材料、多步数据处理与可编程多 Agent	Prime REPL、host bridge、`runLoop`、`AgentSession`	外置变量、独立子会话和宿主调度边界清楚；需要理解变量丢失、预算及异步结果交付。
可版本化、跨 conversation 的长期身份和知识	Letta MemFS、reflection worktree、local prompt compiler	能审查记忆 diff/提交与注入过程；必须区分 API/local 和 MemFS 版本，云端内部不能由客户端代码直接推断。
常驻多入口助理的记忆巩固与异步运行	OpenClaw memory-core、Dreaming、Workshop、session lane	来源过滤、分阶段巩固、队列与结果投递较完整；配置和状态层更多，需逐项确认实际启用的 runtime/plugin。

学习闭环：哪里已经实现，哪里还需实测

环节	已看到的代表实现	仍需验证的效果
提取经验	Hermes 后台复盘；Prime review/refine；Letta reflection；OpenClaw Dreaming/experience review。	是否准确识别用户纠正与稳定规律，有无把偶然成功、工具输出或旧召回误当新知识。
控制写入	有界文件与技能保护；JSON schema/版本冲突；Git worktree/commit/merge；来源评分、hash、scanner。	结构合法、合并成功不代表事实正确；错误记忆能否被下一次反例修正。
后续复用	常驻短记忆；harness 摘要；核心 MemFS 与目录投影；混合检索和可信触发注入。	该用时能否命中、不相关时是否避免干扰；知识增多后效果是否退化。
效果反馈	人类纠正、后续任务结果、回滚与可配置 quality/evaluation hooks。	未完成四者统一的“新旧记忆 A/B → 独立任务评分 → 自动晋升”验证，不能凭已有 hooks 宣称持续提升。

建议用于下一轮实测的最小任务集

这些是后续验证方案，本次没有执行。

场景	测试方式	记录指标
偏好与事实更新	A 会话给出事实，B 会话要求使用；再给出相反的新事实，C 会话检查是否采用新版本。Prime 分 local/global，Letta 分同/不同 agent。	写入位置、版本、召回来源、采用率、旧事实残留。
程序性学习	完成一次包含纠错的任务，再给同类但参数不同的任务；对照启用/关闭复盘的干净状态。	技能是否产生与调用、错误是否重复、成功率、token/耗时。
压缩后精确信息恢复	在早期埋入精确 ID、失败原因、禁止操作，触发多次压缩后要求继续任务。	摘要保留率、历史补检成功率、未检索即猜测比例。
跨进程恢复	分别关闭 UI、重启 worker/Gateway、恢复会话，检查目标、工具执行状态、子任务及外置数据。	状态丢失、重复副作用、子结果丢失或重复投递。
记忆纠错和隔离	写入带来源的错误结论，再明确纠正；测试群聊/个人、不同 agent/profile 和删除后的可见性。	活跃记忆与原始历史是否分别清理，隔离是否符合配置。

阅读资料时应避开的旧结论

Letta：旧 V1 server 已退休；当前默认 API 与开源 local runtime 必须分开。旧 archival/recall 向量架构不能直接当作当前 MemFS 默认实现。当前仓库说明
OpenClaw：本次快照已有默认 Dreaming 和 auto Workshop，内置 QMD 已移除；“当前完全依赖外部 Pi loop”“会话热写仍全是 JSONL”均不符合本次版本。具体来源见 O1–O12。
Hermes：压缩比例不是所有模型统一 50%；memory 快照在压缩后会重载；搜索结果也有长度限制。具体来源见 H5、H9、H10。
Prime：默认自动 refinement 只对满足条件的根会话启用，默认 local 不自动传播到新 session；REPL 状态也有序列化与尺寸边界。具体来源见 Prime Agent。

本文的“已实现”指在上述版本看到调用链、存储和默认配置，或明确标为官方文档描述；“判断”是这些机制的工程含义；效果与未公开后端细节均保留为待验证项。

本文作者: Uyouii
文章链接: https://uyouii.cool/posts/3f0ed6b/
版权声明: 本博客文章除特别声明外, 均采用署名4.0国际(CC BY 4.0)国际许可协议进行授权, 转载请注明出处

Agent

#Agent #AI #大模型

开源 Agents 调研

https://uyouii.cool/posts/3f0ed6b/

作者

Uyouii

发布于

2026年9月6日上午11点27分

许可协议

常用命令下一篇

开源 Agents 调研

开源 Agent 实现调研

Overview

版本基准

统一概念

Hermes Agent

1. 自主学习：提示驱动的经验外化闭环

2. 长上下文：有损摘要、可恢复历史与输出卸载

3. 持久 Memory：小型文本笔记与独立历史库

4. Agent loop 与任务编排

源码导航

Prime Agent

实现定位

自主学习：自动 review → 结构化 refinement → 后续注入

长上下文：外置工作数据 + 对话压缩 + 独立子上下文

持久 Memory：有作用域的 JSON 条目库

Agent loop 编排

Letta Code

定位与重要版本边界

1. 自主学习：实际更新 token-space，未见参数训练闭环

2. 长上下文：持久历史与当前窗口分开

3. 持久 Memory：当前核心是 Git MemFS

4. Agent loop：harness与后端交替推进

源码导航

OpenClaw

1. 自主学习：当前版本已有两条默认自动闭环

2. 长上下文：pruning、compaction、flush分工

3. 持久Memory：Markdown为内容源，SQLite为索引与状态

4. Agent loop：已从“嵌入外部Pi”演进为自有runtime及可插拔harness

源码导航

官方文档冲突与核查边界

横向结论与可借鉴实现

学习闭环：哪里已经实现，哪里还需实测

建议用于下一轮实测的最小任务集

阅读资料时应避开的旧结论