Два агента лучше одного: как связать OpenClaw и Hermes Agent в единую систему

Когда говорят «ИИ-агент», обычно имеют в виду одного. Один агент — один сервер — один набор задач. Но что если два агента с разными суперсилами работают вместе — и каждый делает то, что у него получается лучше всего?

Я разобрался в связке OpenClaw + Hermes Agent и нашёл несколько схем, которые уже применяю. Спойлер: они не конкуренты. Они дополняют друг друга так, как один агент дополнить себя не может.

Коротко о каждом

OpenClaw — open-source агент от Peter Steinberger. Работает локально, подключается к 20+ мессенджерам, имеет 500+ навыков в ClawHub, работает как MCP-сервер и клиент. Крупнейшее сообщество (430K+ звёзд на GitHub). Его суперсила — широта: он умеет всё понемногу и подключается ко всему.

Hermes Agent — open-source агент от Nous Research. Написан на Python, запускается одной командой. Его суперсила — самообучение: после каждой задачи он анализирует, что сработало, и сохраняет как переиспользуемый навык. Чем дольше работает — тем быстрее и точнее становится. Плюс — нативные изолированные субагенты, 5 sandbox-бэкендов и research pipeline для файнтюнинга моделей.

Почему один лучше как оркестратор, а другой — как deep worker

Это не произвольное деление. За ним стоят конкретные технические причины.

OpenClaw = оркестратор

20+ мессенджеров — точка входа должна принимать задачи откуда угодно. У Hermes только 6 каналов
MCP-сервер — другие агенты (Claude, ChatGPT, Notion-агенты) могут подключаться к OpenClaw и вызывать его инструменты. Hermes — только MCP-клиент
Codex-интеграция — управление сессиями OpenAI Codex прямо из мессенджера
Heartbeat — проактивный планировщик: агент «просыпается» по расписанию и делает дела без вашего запроса
500+ навыков в ClawHub — критично для оркестратора, который должен уметь делать всё понемногу
Зрелость — стабильный проект с ноября 2025 года. Оркестратор — центральная точка отказа, и ставить туда ранний проект рискованно

Hermes Agent = deep worker

Learning loop — единственный агент с автоматическим самообучением. После каждой задачи создаёт или улучшает skill. На повторных задачах работает на 40% быстрее (по данным независимого теста MLearning.ai)
Нативные субагенты — изолированные процессы с собственными терминалами и Python RPC. Основной агент не теряет контекст при делегировании (zero-context-cost)
5 sandbox-бэкендов — Docker, SSH, Modal (serverless), Singularity (GPU-кластеры), local
Research pipeline — trajectory generation, RL training, экспорт в ShareGPT для файнтюнинга
Multi-level memory — не просто хранит факты, а строит углубляющуюся модель пользователя

Если поставить Hermes оркестратором — потеряете 14+ мессенджеров, MCP-сервер, Codex, и потратите learning loop на рутину вместо сложных задач. Если поставить OpenClaw deep worker'ом — не получите самообучения, субагентов и research pipeline. Каждый силён в своём.

Как работают субагенты: ключевое различие

Оба агента умеют запускать субагентов, но архитектура принципиально разная.

OpenClaw построен вокруг Gateway — централизованного контроллера, который владеет сессиями, маршрутизацией и состоянием. Субагенты — это отдельные сессии, координируемые Gateway сверху. Плюс — интеграция с Codex и Claude Code для coding-задач.

Hermes ставит в центр агентный цикл — повторяемый процесс «сделай → научись → улучши». Субагенты порождаются изнутри основного цикла, каждый с изолированным контекстом.

Практическая разница: если вам нужно сравнить 5 CMS, Hermes запустит 5 параллельных субагентов, каждый со своим терминалом. Основной агент получит только сжатые результаты — контекстное окно останется чистым. При аналогичной задаче в OpenClaw всё пройдёт через единый Gateway с координацией через его сессии.

Но самое важное — learning loop работает поверх субагентов. Если субагент Hermes нашёл удачную стратегию декомпозиции — основной агент сохранит её как skill. В следующий раз аналогичная задача будет решена быстрее.

Шесть схем совместной работы

1. Диспетчер + deep worker

Самая базовая и самая полезная схема.

Вы пишете в Telegram вашему OpenClaw-агенту: «Проанализируй 5 CMS для нового проекта». OpenClaw понимает, что задача сложная, и через HTTP-вебхук передаёт её Hermes. Hermes запускает 5 изолированных субагентов параллельно, каждый исследует свою CMS. Результат возвращается в OpenClaw → к вам в Telegram.

С каждым таким ресёрчем Hermes становится быстрее. После 2–3 итераций он уже имеет skill «конкурентный анализ» и выполняет аналогичные задачи в полтора раза быстрее.

2. Контент-конвейер с обучением стилю

Hermes получает тему, проводит ресёрч, генерирует черновик. Вы правите — Hermes запоминает правки через learning loop. Через неделю первый черновик уже близок к финальному.

OpenClaw берёт готовый текст и адаптирует под площадки: Telegram (короткий формат), блог (средний), статья на сайте (глубокий). Публикует через интеграции.

На pimenov.ai у меня уже работает контент-пайплайн с Notion-агентами. Добавление Hermes в цепочку даёт одну вещь, которую не может ни один другой агент: автоматическое обучение стилю на реальных правках.

3. Подготовка к консультациям

За час до встречи с клиентом Hermes получает cron-задачу: «Подготовь брифинг». Субагенты параллельно анализируют: сайт клиента, соцсети, последние новости, данные из Notion (через общую файловую систему с OpenClaw). Hermes компилирует брифинг и отправляет через OpenClaw в Telegram.

После 10 консультаций Hermes уже знает формат вашего идеального брифинга — и делает его без детальных инструкций.

4. Мониторинг сайта + SEO-действия

OpenClaw по heartbeat каждое утро забирает данные аналитики через MCP (Яндекс.Метрика, Google Search Console). Передаёт сырые данные Hermes. Hermes анализирует, сравнивает с предыдущими отчётами (помнит тренды!) и формирует рекомендации: «Статья X теряет позиции третью неделю — возможно, нужна актуализация».

На pimenov.ai у меня уже настроена аналитическая связка с Яндексом и Google. OpenClaw умеет собирать данные из множества источников, Hermes умеет анализировать тренды с памятью. Вместе — полноценный SEO-ассистент.

5. Код-ревью с накоплением стандартов

OpenClaw-агент на VPS работает с GitHub: получает PR, запускает тесты, создаёт карточки в Notion. Hermes подключается как второй ревьюер — фокус на архитектуре и паттернах.

Главное: каждое ревью обогащает память Hermes. Через месяц он знает: «В этом проекте мы используем RLS, нормализацию через v1.1, cold_ref для ссылок». Ревью становится точнее с каждым PR — потому что Hermes помнит контекст всего проекта.

6. Разборка образовательного контента

Допустим, вы ведёте контент-маркетинг для эксперта, у которого есть онлайн-курс. Hermes получает модуль курса → субагенты параллельно извлекают тезисы, ищут исследования, генерируют варианты постов. Learning loop: после каждого модуля Hermes лучше понимает структуру курсов этого эксперта.

OpenClaw адаптирует готовые черновики под площадки и публикует. К пятому модулю Hermes обрабатывает курс почти автономно.

Файнтюнинг «личной модели»: самый перспективный сценарий

Это то, что невозможно сделать с одним OpenClaw.

Hermes работает месяц, накапливая trajectories ваших задач: ресёрч, контент, консультации, код-ревью. Экспортируете в ShareGPT формат → файнтюните модель на базе Hermes-3 или Llama → получаете вашу личную модель, которая знает ваш стиль, ваши проекты, ваши предпочтения.

Эта модель работает и в Hermes, и в OpenClaw через OpenRouter. Стоимость инференса — в разы ниже, чем Claude Opus, при сопоставимом качестве для ваших типичных задач.

Цикл: агент → данные → модель → лучший агент. Ни один другой агент этого не умеет.

Практический план запуска

Если у вас уже работает OpenClaw:

Шаг 1. Установите Hermes на тот же VPS:

curl -fsSL https://hermes-agent.nousresearch.com/install.sh | bash
hermes setup
hermes gateway setup
hermes gateway install

Шаг 2. Перенесите навыки:

hermes claw migrate

Шаг 3. Дайте Hermes ту же задачу, которую уже выполнял OpenClaw. Сравните результат и время.

Шаг 4. Настройте OpenClaw на передачу определённых типов задач в Hermes через HTTP-вебхук.

Шаг 5. Через неделю сравните: скорость повторных задач, количество auto-generated skills, качество контента.

С чего начать

Вот приоритет по принципу «максимум пользы / минимум усилий»:

Контент-конвейер с обучением стилю — экономия часов на редактуре
Конкурентный ресёрч — 5x ускорение на аналитических задачах
Подготовка к встречам — 30 минут экономии на каждой консультации
Мониторинг сайта + SEO — требует настройки MCP-мостов, но даёт постоянный эффект
Код-ревью с накоплением — дополняет существующий pipeline
Файнтюнинг личной модели — самый мощный эффект, но через 2–3 месяца накопления данных

Два агента лучше одного — когда каждый делает то, что у него получается лучше всего. OpenClaw координирует. Hermes учится. Вместе они закрывают то, что ни один из них не может закрыть в одиночку.

По теме

Если вы строите свою агентную инфраструктуру и хотите разобраться, какая связка агентов подойдёт именно под ваши задачи — напишите мне. Разберёмся вместе.