На YouTube‑каналі Tech With Tim вийшов детальний розбір двох найпопулярніших open‑source AI‑агентів 2026 року — OpenClaw та Hermes Agent. Автор налаштовує обидва на реальних серверах, ганяє через них однакові завдання й показує, де саме один підхід обганяє інший. Окремий пласт цієї розмови — те, як Hermes будує навички, керує пам’яттю й чому завдяки self‑improvement loop стає дешевшим і ефективнішим що довше працює.
Ця стаття зосереджена саме на цьому: як влаштовані навички й пам’ять Hermes Agent, чим вони відрізняються від каталогу навичок OpenClaw і як це впливає на вартість та продуктивність агента у довгостроковій перспективі.
Каталог навичок проти самонавчального циклу
OpenClaw історично будувався навколо ідеї великого каталогу навичок. Це ядро його екосистеми. Модель проста: є хаб, у якому накопичено тисячі вже написаних markdown‑навичок, і користувач «просто йде, переглядає і встановлює їх». Робочий сценарій нагадує маркетплейс: потрібно щось для GitHub — відкривається розділ Claw Hub, у рядок пошуку вводиться «GitHub», і вискакує довгий список готових навичок. Далі користувач відкриває конкретну навичку, читає опис і натискає «Install».
Якщо потрібно щось унікальне, OpenClaw дозволяє згенерувати власну навичку, але й тут усе тримається на ручному керуванні. Користувач має прямо сказати моделі, що робити: сформулювати запит на кшталт «створи навичку, яка робить X, Y, Z». Агент дійсно може її зібрати та встановити, але ініціатива завжди за людиною. Автоматичного виявлення повторюваних патернів роботи й перетворення їх на навички тут немає.
Hermes Agent підходить до тієї ж задачі з іншого боку. Його архітектура «побудована навколо самонавчального циклу». Це означає, що з кожною сесією, з кожною новою задачею агент поступово вдосконалюється. Він «запам’ятовує речі про вас за замовчуванням» і критично — «автоматично створює навички на основі того, що ви просите його робити».
Звідси виникає розподіл за сценаріями. Якщо потрібен швидкий старт з уже готовим набором типових навичок — OpenClaw дає це «з коробки» завдяки великому маркетплейсу. Якщо ж мова про довгу роботу з агентом, постійні розмови, поступове навчання його власних процесів і систем, Hermes виглядає привабливішим: за рахунок самонавчального циклу він «дійсно стає кращим з часом».
Curator як мозок, що чистить і конструює навички
Ключова деталь, яка відрізняє Hermes, — модуль Curator. Саме він перетворює просто «агента з пам’яттю» на систему, що розвиває власну бібліотеку навичок без постійного втручання користувача.
Curator «проходиться по вашій пам’яті, журналах сесій і тому, про що ви спілкувалися з агентом», і «автоматично визначає, чи потрібно створити навичку». Логіка проста й водночас критично важлива: якщо агент бачить, що ви робите одну й ту саму дію «п’ять, шість, сім, вісім разів», він робить висновок: це стабільний workflow, який варто перетворити на окрему навичку. У такому разі Hermes «автоматично створює файл навички і налаштовує його так, щоб ви могли перевикористовувати цей процес».
Curator не обмежується лише створенням. В описі цього модуля прямо сказано, що він працює як «процес фонової підтримки», який проходить по навичках, створених агентом, і переводить їх між станами active, stale й archived залежно від того, наскільки часто вони використовуються. Це задумано для того, «щоб навички, створені через self‑improvement loop, не накопичувалися безкінечно». Тобто Hermes не лише автоматично вигадує нові шляхи роботи, а й захищає себе від хаосу, прибираючи застаріле й рідко використовуване в архів.
Окремо підкреслюється, що агент може «створювати, оновлювати й видаляти власні навички» через спеціальний інструмент керування. Усе це разом формує те, що автор називає «процедурною пам’яттю агента».
Процедурна пам’ять: як Hermes зберігає робочі підходи
У Hermes поняття «процедурна пам’ять» винесене в окремий концепт. Йдеться не просто про збереження фактів із чатів, а про фіксацію самих способів роботи. У документації Curator це сформульовано так: «коли агент знаходить нетривіальний workflow, він зберігає цей підхід як навичку для майбутнього перевикористання».
Практична відмінність добре видно на експерименті з досить складним багатокроковим завданням. Користувач задає Hermes «семикроковий workflow» і чекає, чи перетвориться він на нову навичку. Після завершення задачі запускається нова сесія з коротким запитом: «знову запусти мій video research brief, мені потрібно X, Y, Z». У відповіді Hermes першим кроком «шукає навичку» і підтягує skill із назвою, якої «немає в базовій комплектації Hermes» — це якраз та навичка, що виникла «після попередньої розмови». Вона була «згенерована автоматично у фоні» й тепер повторно використовується без необхідності знову промальовувати всі кроки.
У OpenClaw аналогічне завдання теж виконується, але повторний запуск показує іншу картину. Агент «не використовує жодних навичок», працює через пошук у пам’яті та звичайне відтворення попереднього результату. Якщо відповідні фрагменти пам’яті з часом випадуть з контексту, OpenClaw доведеться по-новому «розбиратися, як це зробити», або користувач має вручну наказати створити окрему навичку.
Саме тут проявляється різниця між просто «налаштуванням хорошого контексту» й повноцінною процедурною пам’яттю. Hermes не лише пам’ятає, «що» ви робили, а й «як» це було реалізовано, формалізуючи це у вигляді навичок. У поєднанні з Curator це дає дві переваги: повторювані задачи стають майже миттєвими, а набір навичок поступово адаптується до реальних сценаріїв використання, очищуючись від зайвого.
Оптимізована пам’ять як основа довгострокового ефекту
Пам’ять є в обох агентів, але реалізація помітно різниться. В OpenClaw збереження інформації йде «автоматично», однак її управління менш тонке, а ефективність витягування цієї інформації у складних сценаріях відчутно нижча.
Hermes натомість описується як система, де «пам’ять значно оптимізована». Вона «працює швидше», «краще визначає, коли треба записати щось у пам’ять», і здатна «проглядати більший обсяг пам’яті, ніж OpenClaw». Важливий момент: хоча в OpenClaw деякі параметри можна «підкрутити й покращити», за замовчуванням саме Hermes краще підходить «для довготривалого агента, який поліпшується з часом».
Curator тут знову грає роль зв’язки між пам’яттю та навичками. З одного боку, він перетягує з журналів та історії сесій те, що варто перетворити на окрему навичку. З іншого — допомагає уникати «context bloat», коли агент тоне в надлишку власних же навичок. У результаті Hermes отримує живу, самокоригуючу систему процедурної пам’яті, де навички й дані пам’яті постійно узгоджуються один з одним.
Чому Hermes дешевшає з часом
У фінальній частині порівняння автор переходить до питання вартості. Тут переваги Hermes напряму випливають із усіх описаних механізмів навичок і пам’яті.
Позиція пряма: «коли у вас усе це налаштоване, це означає, що ваш агент стає дешевшим у роботі з часом, тому що він навчається, як робити речі, і йому не треба щоразу відкривати це заново». Показовим прикладом знову служить той самий приклад із video research brief. Один раз Hermes «створює навичку», потім просто «витягує її», і робота відбувається за вже відомим сценарієм. Кожен наступний запуск подібних задач споживає менше токенів, менше звернень до інструментів і менше складного ланцюжка міркувань.
OpenClaw у цьому ж сценарії працює інакше. Якщо користувач не «наказав явно створити навичку», агент щоразу змушений «розбиратися наново»: шукати в пам’яті, перебирати інструменти, будувати рішення з нуля. При тривалому використанні та без систематичного ручного створення навичок це призводить до того, що «на однакових задачах OpenClaw зазвичай дорожчий». Саме відсутність автоматичного перетворення повторюваних workflow в навички перетворюється на додаткові витрати.
На тлі зростаючих обсягів використання — а Hermes уже обганяє OpenClaw за добовим споживанням токенів — таке «подешевшання з часом» стає фактично вбудованим економічним стимулом обирати Hermes для ролі щоденного «workhorse»‑агента.
Висновок: агент, який росте разом із користувачем
Порівняння Hermes Agent і OpenClaw у цьому аспекті зводиться до різниці філософій. OpenClaw робить ставку на великий зовнішній каталог навичок і дає користувачеві повний контроль: хочеш нову навичку — створи, хочеш щось змінити — налаштуй. Hermes натомість намагається зняти з людини рутину проєктування workflow, використовуючи Curator, самонавчальний цикл і процедурну пам’ять.
Автоматичне створення навичок на основі реальних дій користувача, очищення й архівація застарілих сценаріїв, оптимізована робота з пам’яттю та повторне використання нетривіальних workflow — усе це разом робить Hermes агентом, який не просто обробляє запити, а поступово перетворює стиль роботи свого власника на власну операційну систему.
У довгостроковій перспективі це означає не лише зростання комфорту, а й відчутне зниження вартості: чим довше працює Hermes, тим рідше йому доводиться «винаходити велосипед» і тим більше завдань він виконує за рахунок уже напрацьованих навичок. Для користувача, який планує дійсно «жити» з AI‑агентом щодня, саме ця властивість і стає визначальною.
Джерело
OpenClaw vs Hermes Agent: Which One Is Actually Better in 2026?