Persistent Memory của Hermes Agent vs OpenClaw: Bên nào ghi nhớ tốt hơn?

Một AI Agent thông minh đến đâu nhưng quên sạch mọi thứ sau mỗi lần đóng ứng dụng thì vẫn chỉ là một công cụ trò chuyện tạm thời. Đây chính là lý do khái niệm Persistent Memory đang trở thành tiêu chí quan trọng bậc nhất khi lựa chọn nền tảng AI Agent. Cùng Tino so sánh Persistent Memory của Hermes Agent vs OpenClaw qua bài viết dưới đây nhé!

Persistent Memory trong AI Agent là gì?

Persistent Memory có thể hiểu đơn giản là bộ nhớ dài hạn của AI Agent.

Một mô hình AI thông thường chủ yếu dựa vào context đang được gửi trong phiên trò chuyện. Khi context bị rút gọn, phiên bị reset hoặc một cuộc trò chuyện mới được tạo, nhiều thông tin cũ có thể không còn xuất hiện trong prompt.

Persistent Memory giải quyết vấn đề này bằng cách lưu những thông tin quan trọng ra bên ngoài context tạm thời, chẳng hạn:

• Sở thích và cách giao tiếp của người dùng.
• Công nghệ đang sử dụng trong dự án.
• Quy tắc hoặc convention của đội ngũ.
• Công việc đã hoàn thành.
• Các quyết định quan trọng.
• Những bài học Agent rút ra sau khi xử lý công việc.
• Thông tin cần sử dụng lại trong nhiều phiên khác nhau.

Khi bắt đầu phiên mới hoặc khi cần truy xuất thông tin, AI Agent có thể đọc lại bộ nhớ này.

Có thể hình dung đơn giản:

Conversation → chọn thông tin quan trọng → lưu Persistent Memory → phiên mới → truy xuất Memory → tiếp tục công việc

Đây cũng là lý do Persistent Memory ngày càng trở thành thành phần quan trọng trong các AI Agent chạy lâu dài.

Persistent Memory của Hermes Agent hoạt động như thế nào?

Hermes Agent sử dụng mô hình bounded, curated memory, tức bộ nhớ có giới hạn và được tuyển chọn để chỉ giữ lại những thông tin thực sự cần thiết.

Ở chế độ mặc định, Persistent Memory của Hermes Agent gồm hai tệp chính:

Hai tệp được lưu trong:

~/.hermes/memories/

Hermes nạp nội dung hai tệp vào system prompt khi bắt đầu session. Tổng dung lượng mặc định tương đương khoảng 1.300 token, giúp lượng memory luôn được giới hạn và tương đối dễ kiểm soát.

Xem thêm: https://hermes-agent.nousresearch.com/docs/user-guide/features/memory

MEMORY.md và USER.md được sử dụng khác nhau ra sao?

Hermes Agent chia khá rõ hai loại thông tin.

MEMORY.md

Phù hợp với những thông tin liên quan đến môi trường và công việc, chẳng hạn:

• Máy chủ đang chạy Debian.
• Dự án sử dụng Node.js.
• Database đang dùng PostgreSQL.
• Quy trình deploy.
• Cấu trúc thư mục dự án.
• Lỗi đã từng gặp và cách xử lý.
• Một công việc quan trọng đã hoàn thành.

USER.md

Phù hợp với thông tin liên quan trực tiếp đến người dùng:

• Cách xưng hô.
• Phong cách trả lời mong muốn.
• Trình độ kỹ thuật.
• Thói quen làm việc.
• Công cụ yêu thích.
• Những cách trình bày nên ưu tiên hoặc tránh.

Việc tách hai nhóm giúp Hermes Agent tránh trộn lẫn kiến thức công việc với hồ sơ người dùng.

Hermes Agent có thể tự động ghi nhớ

Một điểm đáng chú ý là người dùng không nhất thiết phải liên tục yêu cầu:

“Remember this.”

Hermes Agent có thể chủ động lưu những thông tin được đánh giá là hữu ích lâu dài, chẳng hạn một preference mới, convention của dự án hoặc một bài học sau quá trình xử lý lỗi.

Hermes còn có background self-improvement review chạy sau lượt hội thoại. Cơ chế này có thể phát hiện các bài học hoặc thông tin đáng ghi nhớ rồi cập nhật memory.

Nếu muốn kiểm soát chặt hơn, người dùng có thể bật:

memory.write_approval: true

Khi đó, những thay đổi memory phải được duyệt trước khi được lưu chính thức. Hermes cung cấp các lệnh như:

/memory pending

/memory approve <id>

/memory reject <id>

Cách triển khai này đặc biệt hữu ích trong môi trường doanh nghiệp hoặc khi người dùng không muốn Agent tự động ghi lại một giả định chưa được xác nhận.

Memory của Hermes không thay đổi giữa session đang chạy

Hermes Agent tạo một frozen snapshot của MEMORY.md và USER.md khi session bắt đầu. Nếu Agent cập nhật memory giữa phiên, dữ liệu mới được ghi xuống ổ đĩa ngay lập tức nhưng phần memory đã nằm trong system prompt vẫn giữ nguyên.

Memory mới sẽ được nạp đầy đủ khi mở session tiếp theo. Thiết kế này giúp Hermes duy trì prefix cache của mô hình và giảm chi phí xử lý prompt.

Khi Persistent Memory đầy thì sao?

Hermes Agent đặt giới hạn khá nhỏ:

• MEMORY.md: 2.200 ký tự.
• USER.md: 1.375 ký tự.

Nếu một bản ghi mới vượt giới hạn, hệ thống không âm thầm xóa dữ liệu cũ. Thay vào đó, Memory Tool trả về lỗi và yêu cầu Agent:

1. Xem lại những memory hiện tại.
2. Xóa thông tin không còn quan trọng.
3. Gộp các entry liên quan.
4. Viết lại theo cách ngắn gọn hơn.
5. Thử lưu lại.

Đây chính là triết lý curated memory: không cố lưu mọi thứ, mà ưu tiên giữ những thông tin có giá trị cao nhất.

Session Search giúp Hermes Agent tìm lại hội thoại cũ

Persistent Memory nhỏ không đồng nghĩa Hermes chỉ nhớ được khoảng 1.300 token. Hermes còn có session_search.

Các phiên CLI và messaging được lưu vào SQLite tại:

~/.hermes/state.db

Agent có thể dùng FTS5 để tìm lại những cuộc trò chuyện trước đây. Theo tài liệu Hermes, Session Search truy xuất trực tiếp message từ cơ sở dữ liệu thay vì yêu cầu LLM tóm tắt toàn bộ lịch sử.

Có thể hiểu:

Persistent Memory = những điều quan trọng luôn nên biết.

Session Search = kho lịch sử để tìm lại chi tiết khi cần.

Đây là hai cơ chế bổ sung cho nhau.

Hermes Agent còn có External Memory Provider

Nếu Persistent Memory mặc định chưa đủ, Hermes Agent cho phép kết nối thêm External Memory Provider.

Theo tài liệu hiện tại, Hermes tích hợp nhiều hệ thống memory như:

• Honcho
• OpenViking
• Mem0
• Hindsight
• Holographic
• RetainDB
• ByteRover
• Supermemory

Memory Provider hoạt động bổ sung bên cạnh MEMORY.md và USER.md, thay vì bắt buộc loại bỏ bộ nhớ mặc định. Khi một Memory Provider được kích hoạt, Hermes có thể:

• Prefetch memory liên quan trước mỗi lượt.
• Đồng bộ conversation sang provider.
• Trích xuất memory từ session.
• Tìm kiếm memory theo ngữ nghĩa.
• Quản lý knowledge graph tùy provider.
• Tạo user model.
• Lưu lượng memory lớn hơn.
• Chia sẻ hoặc cô lập memory theo profile.

Ví dụ, OpenViking cung cấp hierarchical knowledge cùng cơ chế context nhiều tầng; Mem0 hỗ trợ semantic search và automatic fact extraction; Hindsight tập trung vào knowledge graph và quan hệ giữa entity.

Có thể cấu hình nhanh bằng:

hermes memory setup

Kiểm tra trạng thái:

hermes memory status

Điểm mạnh của Hermes nằm ở đây: phần memory mặc định rất đơn giản nhưng kiến trúc bên ngoài lại có khả năng mở rộng khá mạnh.

Persistent Memory của OpenClaw hoạt động như thế nào?

OpenClaw lựa chọn một hướng khác.

Thay vì giới hạn memory lõi vào hai file nhỏ, OpenClaw xây dựng một hệ thống memory nhiều tầng ngay trong workspace.

Workspace mặc định là: ~/.openclaw/workspace

Các thành phần memory quan trọng gồm:

Mô hình này giống một hệ thống ghi chú nhiều tầng hơn là một “tờ giấy ghi nhớ” duy nhất.

USER.md

USER.md chứa các preference tương đối ổn định.

Ví dụ:

• Ưu tiên câu trả lời ngắn.
• Luôn trình bày code theo TypeScript.
• Dùng một phong cách giao tiếp nhất định.

OpenClaw khuyến nghị khi preference thay đổi, entry cũ nên được đánh dấu là superseded thay vì giữ nhiều chỉ dẫn mâu thuẫn cùng lúc.

Xem thêm: https://docs.openclaw.ai/concepts/memory

MEMORY.md

MEMORY.md giữ các thông tin dài hạn đã được chọn lọc như:

• Quyết định.
• Kiến thức dự án.
• Quy ước đang sử dụng.
• Những sự kiện cần nhớ lâu dài.

Tệp này được đưa vào context khi bắt đầu session.

Nếu file quá lớn so với bootstrap budget, OpenClaw giữ nguyên file trên ổ đĩa nhưng có thể cắt phần được đưa vào prompt. Vì vậy, tài liệu chi tiết nên được chuyển sang các file memory khác thay vì dồn toàn bộ vào MEMORY.md.

memory/YYYY-MM-DD.md

Đây là điểm khác biệt đáng kể so với Persistent Memory mặc định của Hermes.

OpenClaw sử dụng các file theo ngày, ví dụ:

memory/2026-09-04.md

để lưu:

• Context làm việc.
• Quan sát.
• Tóm tắt session.
• Sự kiện trong ngày.
• Thông tin có thể hữu ích về sau.

Các daily note không cần xuất hiện toàn bộ trong prompt của mọi session. Thay vào đó, OpenClaw lập chỉ mục để tìm lại khi cần.

Memory Search của OpenClaw mạnh ở điểm nào?

OpenClaw hiện sử dụng Builtin Memory Engine dựa trên SQLite.

Engine hỗ trợ:

• FTS5 full-text search.
• BM25 keyword search.
• Vector search.
• Hybrid search.
• Recency ranking.
• Importance weighting.
• MMR để giảm kết quả trùng lặp.
• Provenance cho từng memory chunk.
• Trusted trigger recall.

OpenClaw chia MEMORY.md, USER.md và memory/*.md thành các chunk khoảng 400 token với overlap mặc định 80 token, sau đó lập chỉ mục trong SQLite theo từng Agent.

Nhờ vậy, Agent không phải đưa toàn bộ lịch sử vào prompt.

Khi người dùng hỏi một vấn đề liên quan đến quá khứ, hệ thống có thể:

Câu hỏi hiện tại → Memory Search → tìm chunk liên quan → đưa phần cần thiết vào context → LLM trả lời

Đây là cách tiếp cận gần với một hệ thống RAG dành riêng cho memory.

OpenClaw hỗ trợ Hybrid Search

Keyword search rất phù hợp với:

• Tên file.
• ID.
• Mã lỗi.
• Tên project.
• Thuật ngữ chính xác.

Vector search lại phù hợp với những câu hỏi có cách diễn đạt khác so với memory ban đầu.

OpenClaw kết hợp cả hai thành Hybrid Search. 

Ví dụ memory từng ghi:

“Khách hàng muốn sử dụng PostgreSQL cho hệ thống mới.”

Sau vài tuần, người dùng hỏi:

“Database nào chúng ta đã thống nhất cho dự án?”

Vector retrieval có thể hỗ trợ tìm lại thông tin dù câu hỏi không lặp chính xác từ khóa ban đầu.

Memory Flush giúp OpenClaw hạn chế mất context

Khi conversation trở nên quá dài, AI Agent thường phải thực hiện compaction để giảm lượng context.

Ngay trước quá trình này, OpenClaw có Automatic Memory Flush. Hệ thống thực hiện một lượt nền để nhắc Agent lưu những thông tin quan trọng vào memory trước khi conversation bị tóm tắt.

Memory Flush hiện được bật mặc định. Luồng xử lý có thể hiểu như sau:

Conversation dài → chuẩn bị compaction → Memory Flush → lưu thông tin quan trọng → compaction

Cơ chế này giúp giảm khả năng một thông tin quan trọng chỉ tồn tại trong context rồi biến mất sau khi context được thu gọn.

Dreaming là điểm đáng chú ý của OpenClaw

Một trong những thành phần thú vị nhất của Persistent Memory OpenClaw là Dreaming.

Dreaming là cơ chế consolidation chạy nền để đánh giá những tín hiệu memory ngắn hạn và quyết định thông tin nào đủ quan trọng để được đưa vào MEMORY.md.

Theo tài liệu hiện tại, Dreaming được bật mặc định trong memory-core.

Có thể hình dung tương tự quá trình:

Daily Memory → đánh giá → lọc → gộp → loại bỏ trùng lặp → đưa thông tin quan trọng vào Long-term Memory

Dreaming còn có thể:

• Đánh giá tần suất một thông tin được truy xuất.
• Đánh giá mức độ quan trọng.
• Xem xét độ đa dạng của truy vấn.
• Gộp memory trùng nhau.
• Thay thế thông tin đã lỗi thời.
• Ghi báo cáo vào DREAMS.md để người dùng kiểm tra.

Đây là một bước tiến so với cách chỉ liên tục append dữ liệu vào MEMORY.md.

OpenClaw còn có Active Memory và Memory Wiki

Kiến trúc memory của OpenClaw còn có các lớp nâng cao hơn.

Active Memory

Active Memory sử dụng một sub-agent chuyên xử lý truy xuất memory trước khi Agent chính trả lời.

Với Builtin Memory, sub-agent có thể sử dụng:

• memory_search
• memory_get

để quyết định thông tin quá khứ nào thực sự liên quan đến câu hỏi hiện tại.

Cách tiếp cận này giúp tách nhiệm vụ “tìm ký ức phù hợp” khỏi nhiệm vụ “trả lời người dùng”.

Memory Wiki

OpenClaw cũng cung cấp plugin memory-wiki.

Memory Wiki có thể biến knowledge dài hạn thành một dạng wiki có cấu trúc với:

• Claim.
• Evidence.
• Provenance.
• Theo dõi mâu thuẫn.
• Theo dõi độ mới của thông tin.
• Dashboard.
• Wiki search.

Memory Wiki không thay thế memory engine mà hoạt động như một lớp kiến thức bổ sung.

Đây là lựa chọn đáng chú ý khi Agent phải quản lý lượng kiến thức dài hạn lớn hơn.

Lưu ý: OpenClaw đã loại bỏ QMD

Nếu đọc các hướng dẫn OpenClaw cũ, bạn có thể bắt gặp cấu hình: memory.backend: “qmd”

Thông tin này hiện đã lỗi thời.

Theo tài liệu mới nhất, QMD đã được loại bỏ và Builtin Memory hiện là memory engine chính thức của OpenClaw. Người dùng nâng cấp từ cấu hình cũ được khuyến nghị chạy:

openclaw doctor --fix

để chuyển cấu hình liên quan QMD sang hệ thống Builtin Memory mới.

Builtin Memory hiện hỗ trợ BM25, vector retrieval, Hybrid Search, extra paths và nhiều khả năng trước đây cần QMD.

Đây là điểm cần đặc biệt lưu ý khi cấu hình OpenClaw hiện tại.

Bảng so sánh Persistent Memory Hermes Agent vs OpenClaw

So sánh chi tiết Persistent Memory Hermes Agent vs OpenClaw

1. Khả năng ghi nhớ thông tin quan trọng

Hermes Agent có lợi thế về sự đơn giản. Chỉ một lượng nhỏ memory được giữ trong MEMORY.md và USER.md. Điều này buộc Agent phải chọn thông tin thật sự quan trọng.

OpenClaw cho phép xây dựng hệ thống memory lớn hơn với daily note và index. Cách triển khai phù hợp hơn khi Agent hoạt động liên tục trong thời gian dài.

👉 Kết luận: Hermes đơn giản hơn; OpenClaw lưu được hệ thống kiến thức dài hạn phong phú hơn.

2. Khả năng tìm lại memory

Ở cấu hình mặc định, OpenClaw có lợi thế nhờ Builtin Memory Engine hỗ trợ keyword search, vector search và Hybrid Search.

Hermes có Session Search rất nhanh để tìm conversation cũ nhưng tìm kiếm mặc định dựa nhiều vào FTS5. Khi kết hợp Mem0, OpenViking, Hindsight hoặc provider khác, khả năng semantic memory của Hermes được mở rộng đáng kể.

👉 Kết luận: OpenClaw mạnh hơn ngay sau khi cài đặt; Hermes mạnh hơn khi chọn Memory Provider phù hợp.

3. Khả năng tự học từ conversation

Cả hai đều có cơ chế tự động.

Hermes sử dụng background review để phát hiện preference, lesson hoặc workflow có giá trị lâu dài.

OpenClaw sử dụng Memory Flush và Dreaming để đưa tín hiệu ngắn hạn vào memory dài hạn.

👉 Khác biệt nằm ở triết lý:

• Hermes: “Thông tin này có đáng đưa vào bộ nhớ nhỏ hay không?”
• OpenClaw: “Thông tin này nên nằm ở tầng memory nào và khi nào nên được promote?”

4. Kiểm soát memory

Hermes cung cấp cơ chế khá trực quan với write_approval. Nếu bật tùy chọn này, người dùng có thể duyệt từng thay đổi trước khi Agent đưa thông tin vào Persistent Memory.

OpenClaw cung cấp hệ thống provenance, origin class, session lineage và cơ chế xóa memory theo nguồn. Builtin index lưu provenance riêng trong SQLite để recalled text không thể tự thay đổi trust classification.

👉 Kết luận: Hermes dễ kiểm soát với người dùng phổ thông; OpenClaw cung cấp cấu trúc quản trị memory sâu hơn.

5. Khả năng mở rộng

Đây là thế mạnh đáng kể của Hermes. Hermes cho phép kết nối nhiều Memory Provider phục vụ các trường hợp khác nhau:

• Semantic memory.
• Knowledge graph.
• User modeling.
• Hierarchical knowledge.
• Cloud memory.
• Self-hosted memory.

OpenClaw cũng có hệ sinh thái plugin memory, Active Memory và Memory Wiki. Tuy nhiên, Builtin Memory của OpenClaw đã khá đầy đủ nên nhiều người dùng có thể không cần thay backend.

👉 Kết luận: Hermes linh hoạt theo hướng “chọn memory backend”; OpenClaw mạnh theo hướng “memory platform tích hợp sẵn”.

Tóm lại, Hermes Agent hay OpenClaw có Persistent Memory tốt hơn?

Nếu chỉ so sánh Persistent Memory mặc định, OpenClaw hiện có kiến trúc toàn diện hơn.

OpenClaw cung cấp sẵn:

• Long-term Memory.
• User Memory.
• Daily Memory.
• SQLite indexing.
• Keyword Search.
• Vector Search.
• Hybrid Search.
• Memory Flush.
• Dreaming.
• Provenance.
• Active Memory.
• Memory Wiki.

Đặc biệt, bản OpenClaw v2026.9.1 tiếp tục cải thiện khả năng quản lý index với openclaw memory reset, cho phép reset phần index có thể tái tạo mà vẫn giữ nguyên session, transcript và memory source. Bản cập nhật cũng cải thiện Active Memory và Dreaming trong môi trường nhiều Agent.

Trong khi đó, Persistent Memory mặc định của Hermes đơn giản hơn nhiều.

Nhưng sự đơn giản này không hẳn là điểm yếu. Hermes giới hạn memory để:

• Prompt gọn.
• Memory tập trung.
• Ít dữ liệu thừa.
• Dễ kiểm tra.
• Dễ chỉnh sửa.
• Dễ dự đoán hành vi.

Khi cần hệ memory lớn hơn, người dùng có thể kết nối OpenViking, Mem0, Hindsight, Honcho, Supermemory hoặc provider khác.

👉 Vì vậy, có thể kết luận:

• OpenClaw mạnh hơn về hệ thống Persistent Memory tích hợp sẵn.
• Hermes Agent mạnh hơn về sự đơn giản của memory lõi và khả năng lựa chọn kiến trúc memory bên ngoài.

Kinh nghiệm sử dụng Persistent Memory AI Agent hiệu quả

Dù sử dụng Hermes Agent hay OpenClaw, không nên xem Persistent Memory như nơi lưu toàn bộ conversation.

Một hệ memory tốt nên ưu tiên:

• Preference ổn định.
• Quyết định quan trọng.
• Quy tắc làm việc.
• Context dự án cần dùng lâu dài.
• Bài học đã được kiểm chứng.
• Thông tin khó tìm lại từ nguồn khác.

Không nên lưu quá nhiều:

• Log dài.
• Code đầy đủ.
• Dữ liệu tạm thời.
• Nội dung dễ tìm lại.
• Thông tin chưa được xác nhận.
• Conversation không mang giá trị lâu dài.

Nguyên tắc đơn giản là:

Session lưu lịch sử. Memory lưu điều đáng nhớ. Knowledge Base lưu kiến thức chi tiết.

Phân tách đúng ba lớp này giúp AI Agent truy xuất chính xác hơn, giảm lượng token và hạn chế memory bị “ô nhiễm” bởi dữ liệu không cần thiết.

Các bài viết liên quan:

• Hướng dẫn cài đặt và sử dụng Hermes Agent Desktop
• Hướng dẫn kết nối Google Workspace với Hermes Agent 
• Hướng dẫn kết nối Google Chat với Hermes Agent A-Z
• Hướng dẫn kết nối Slack với Hermes Agent trên VPS Hermes
• Hướng dẫn kết nối Kilo Code với Hermes Agent
• Hướng dẫn kết nối Telegram với Hermes Agent trên VPS Hermes
• Hướng dẫn kết nối tài khoản Zalo cá nhân với Hermes Agent trên VPS Hermes
• Hướng dẫn kết nối Discord với Hermes Agent trên VPS Hermes
• Cách viết Skill cho Hermes Agent: Đúng chuẩn, dễ kích hoạt 
• Hermes Agent nên chạy Local hay VPS?

Kết luận

Qua toàn bộ phần phân tích trên, có thể thấy Hermes Agent và OpenClaw đại diện cho hai triết lý thiết kế persistent memory hoàn toàn khác biệt: một bên ưu tiên sự gọn nhẹ, ổn định và khả năng tự cải tiến của một agent đơn lẻ; một bên hướng đến quy mô, khả năng điều phối nhiều agent và độ linh hoạt của một gateway đa kênh.

Không có đáp án tuyệt đối đúng cho mọi trường hợp — lựa chọn phù hợp phụ thuộc vào việc người dùng cần một trợ lý cá nhân hiểu mình sâu sắc theo thời gian, hay cần một hệ thống vận hành nhiều agent trên quy mô lớn. 

Những câu hỏi thường gặp