&w=3840&q=75)
Hermes oder OpenClaw: Welches Agenten-System gewinnt 2026?
OpenClaw und Hermes sind zwei quelloffene, selbst gehostete Systeme für den Betrieb von Agenten, die sich auf den ersten Blick ähneln, im Aufbau aber gegensätzliche Wege gehen. Dieser Beitrag stellt beide nebeneinander und prüft Dimension für Dimension, worin sie sich unterscheiden.
Zwei quelloffene Systeme zur Orchestrierung von KI-Agenten stehen aktuell im direkten Vergleich: OpenClaw und Hermes. Beide adressieren ähnliche Aufgaben, gehen sie jedoch von unterschiedlichen architektonischen Grundannahmen an. Der folgende Artikel stellt beide Systeme gegenüber, arbeitet ihre Unterschiede Dimension für Dimension heraus und ordnet ihre jeweiligen Stärken ein.
Architektonischer Kern beider Systeme
OpenClaw ist ein quelloffenes Multi-Agenten-Framework von Peter Steinberger. Im Zentrum steht ein langlebiger Gateway-Daemon, der die Kanäle, die Sessions und das Routing besitzt. Die Agenten laufen darin eingebettet. Auf eine Kurzformel gebracht, handelt es sich um ein Framework um einen Messaging-Hub.
Hermes von Nous Research ist seit Februar 2026 verfügbar und dreht dieses Verhältnis um. Im Zentrum steht die Lernschleife eines einzelnen Agenten nach dem Muster do-learn-improve – also tun, lernen, verbessern. Das Gateway ist hier nur eine unterstützende Komponente. Die Kurzformel lautet entsprechend: ein Gateway um einen lernenden Agenten.
Der zentrale Unterschied liegt damit nicht in einzelnen Funktionen, sondern in der Frage, was jeweils den Kern bildet: bei OpenClaw der Messaging-Hub, bei Hermes der lernende Agent.
Der Vergleich Dimension für Dimension
Die folgende Übersicht stellt beide Systeme entlang der wesentlichen Merkmale gegenüber.
Dimension | OpenClaw | Hermes |
|---|---|---|
Grundmodell | Multi-Agenten-Framework, langlebiger Gateway-Daemon im Zentrum (besitzt Kanäle, Sessions, Routing), Agent-Runtime eingebettet | einzelner selbstlernender Agent, do-learn-improve-Schleife im Zentrum, Gateway nur unterstützend |
Kanäle | eigenes Multi-Channel-Gateway: WhatsApp, Slack, Telegram, Signal, Discord, iMessage u. a. | eigenes Multi-Channel-Gateway: 20+ Plattformen, rund ein halbes Dutzend als stabiler Kern |
Multi-Agent | persistente, spezialisierte Agenten, je eigener Workspace, eigenes Modell, eigene Persona (SOUL.md); Routing per Kanal-Binding; Agent-zu-Agent-Messaging opt-in und allowlisted, kein eingebauter Message-Bus | durables Kanban-Board (seit „Tenacity“, Mai 2026): benannte Worker-Profile, jedes ein eigener OS-Prozess mit eigenem Modell, Tools, Secrets und persistenter Identität; ephemere delegate_task-Sub-Agenten fürs Fan-out |
Lernen und Skills | Memory autonom auf Zuruf geschrieben; Skill-Erzeugung über Proposal-Queue mit Rollback (Skill Workshop), Freigabe konfigurierbar, Auto-Apply als Default | Skills selbst-initiiert und ereignisgetrieben nach komplexen Aufgaben, standardmäßig ohne Freigabe; ein Curator konsolidiert; keine Korrektheitsgarantie |
Memory | file-first: MEMORY.md, Tagesnotizen, Session-History in SQLite (Volltextsuche); Bootstrap-Budget (20.000 Zeichen je Datei, 60.000 gesamt) beschneidet die injizierte Kopie | kleiner Kern rund 1.300 Token, als eingefrorener Snapshot pro Session injiziert; Skills und Historie on-demand über Volltextsuche |
Scheduling | Gateway-Cron plus Heartbeat (Default rund 30 Minuten, 1 Stunde bei Anthropic-OAuth) | eigener Cron-Scheduler |
Ökosystem-Reife | älter, größeres Community-Skill-Ökosystem (ClawHub) | jünger, kleineres Skill-Ökosystem |
Nutzung (OpenRouter) | bis Frühjahr 2026 an der Spitze, seither hinter Hermes | Stand Mitte 2026 vorn, beim Tages-Durchsatz und kumulativ |
Betrieb | quelloffen, self-hosted | quelloffen, self-hosted |
Zwei Zeilen der Tabelle bedürfen einer genaueren Erläuterung.
Das Multi-Agenten-Modell
Der Gegensatz ist nicht als „einer gegen viele“ zu verstehen. Beide Systeme fahren einzeln konfigurierte Spezialisten, jeder mit eigenem Modell, eigenen Tools, eigenen Secrets und eigener Identität. Der Unterschied liegt im Organisationsmodell:
Die Nutzungszahlen auf OpenRouter
Beim Momentum ist Vorsicht angebracht. Hermes hat OpenClaw auf OpenRouter im Lauf des Frühjahrs 2026 überholt – zunächst beim Tages-Durchsatz (rund 224 gegen 186 Milliarden Token pro Tag als Momentaufnahme um den 10. Mai), dann auch kumulativ. Stand Mitte 2026 führt Hermes bei beiden Kennzahlen. Solche Leaderboard-Zahlen bewegen sich jedoch schnell und wandern copy-propagiert von Blog zu Blog. Sie taugen daher nur als Richtungshinweis, nicht als harter Beleg.
Umgang mit Memory und Skills
Ein deutlicher Unterschied zeigt sich im Speicherkonzept.
OpenClaw verfolgt einen file-first-Ansatz. Zum Session-Start wird MEMORY.md geladen, ergänzt um Tagesnotizen und eine Session-History in SQLite mit Volltextsuche. Ab einem definierten Bootstrap-Budget – 20.000 Zeichen je Datei und 60.000 Zeichen insgesamt – wird die injizierte Kopie beschnitten, während die Datei selbst intakt bleibt. Erforderlich ist eine aktive Kuratierung über Compaction, Distillation und memory_search.
Hermes setzt auf einen bewusst schlanken Kern von rund 1.300 Token, aufgeteilt in MEMORY.md (etwa 800 Token) und USER.md (etwa 500 Token). Dieser Kern wird als eingefrorener Snapshot pro Session injiziert. Skills und Historie werden on-demand über eine Volltextsuche nachgeladen. Der Ansatz ist damit schlank und cache-bar by design.
Auch bei der Skill-Erzeugung unterscheiden sich die Systeme. OpenClaw nutzt eine Proposal-Queue mit Rollback (Skill Workshop), bei der Auto-Apply der Default ist, die Freigabe aber konfigurierbar bleibt. Hermes erzeugt Skills selbst-initiiert und ereignisgetrieben nach abgeschlossenen komplexen Aufgaben – etwa nach mehreren Tool-Calls, einer Fehler-Recovery oder einer Korrektur durch den Nutzer – standardmäßig ohne Freigabe. Ein Curator konsolidiert die entstandenen Skills. Eine Korrektheitsgarantie für selbst-erzeugte Skills besteht dabei nicht.
Stärken je System
Aus den architektonischen Unterschieden ergeben sich klar unterscheidbare Einsatzprofile.
OpenClaw spielt seine Stärken aus, wenn eine stehende Mannschaft aus kanal-gebundenen Personas gefragt ist – jede fest an ihren Kanal geroutet. Hinzu kommen ein reifes Skill-Ökosystem und ein file-basiertes Memory, das bewusst kuratiert wird.
Hermes ist stark, wenn ein einzelner lernender Kopf im Vordergrund steht, der mit schlankem und günstigem Kontext dauerhaft läuft und bei Bedarf über sein Kanban-Board benannte, eigenständig konfigurierte Worker fährt.
Einordnung: eher Alternative als Ergänzung
Bei genauerer Betrachtung überlappen sich beide Systeme in erheblichem Umfang. Hermes bringt folgende Elemente mit:
Damit liest sich Hermes als Alternative zu OpenClaw und für viele Einsatzszenarien als das rundere Einzel-System. OpenClaws eigene Vorzüge bleiben jedoch bestehen: das kanal-gebundene Persona-Modell und das ältere, größere Skill-Ökosystem über ClawHub.
Insgesamt handelt es sich weniger um zwei ergänzende Werkzeuge als um zwei konkurrierende Ansätze für dieselbe Aufgabenklasse. Für bestehende OpenClaw-Installationen stellt sich damit vor allem die Frage nach Verbleib oder Wechsel. Der Vergleich verschiebt Hermes dabei von einer bloß bekannten Größe zu einer ernsthaft zu prüfenden Option, ohne dass sich daraus bereits eine eindeutige Empfehlung ableiten ließe. Da Leaderboard-Zahlen volatil sind und beide Systeme aktiv weiterentwickelt werden, bleibt die Entscheidung stark vom konkreten Anwendungsfall abhängig.