AI Agent tự chủ: trải nghiệm thực tế với OpenClaw và Hermes

AI Agent tự chủ đã khác chatbot ở điểm nào?

Đầu năm 2026, từ khóa AI Agent tự chủ bị dùng hơi quá tay. Nhiều sản phẩm thực chất chỉ là chatbot có thêm vài tool gọi API. Nó trả lời dài hơn, biết mở browser, biết gửi một message Slack, rồi được gắn nhãn “autonomous”. Tôi không phản đối cách đóng gói đó, nhưng gọi đúng tên rất quan trọng: một agent tự chủ phải giữ được mục tiêu qua nhiều bước, quan sát kết quả hành động, chọn bước kế tiếp và xử lý phần sai lệch mà không cần người dùng nhắc lại từng câu.

Đó là khác biệt giữa Co-pilot và Auto-pilot. Co-pilot chờ tôi hỏi rồi phản hồi. Auto-pilot nhận một ý định có ràng buộc, chia việc, dùng công cụ, lưu dấu vết, quay lại hỏi khi gặp quyền hạn hoặc ngưỡng rủi ro. Chữ “tự chủ” ở đây không đồng nghĩa “được toàn quyền”. Một hệ thống tự chạy shell trên VPS, đọc email, gọi API thanh toán và tự quyết mọi thứ không phải sản phẩm trưởng thành. Nó là một tai nạn đang chờ lịch hẹn.

OpenClaw và Hermes Agent là hai ví dụ đáng xem vì chúng không cùng tối ưu một vấn đề. OpenClaw xây một không gian làm việc và một Gateway để agent hiện diện ở nhiều kênh giao tiếp. Hermes của Nous Research xây một vòng lặp thực thi có khả năng tự phản tư, rồi biến bài học thành skill tái sử dụng. Một bên hỏi: “Làm sao để agent ở đúng chỗ người dùng đang nói chuyện?” Bên kia hỏi: “Làm sao để agent làm việc tốt hơn sau mỗi lần vấp?”

Đến tháng 5/2026, Hermes Agent ghi nhận 224 tỷ tokens/ngày trên bảng xếp hạng toàn cầu của OpenRouter, cao hơn 186 tỷ tokens/ngày của OpenClaw. Nhưng nhìn một lát cắt lưu lượng để kết luận ai thắng thì quá vội. OpenClaw vẫn có tổng tích lũy hơn 9,17 nghìn tỷ tokens và hơn 370.000 GitHub stars. Con số này cho thấy độ phủ cộng đồng và sức hút phân phối rất lớn. Nó không tự động chứng minh OpenClaw xử lý tác vụ phức tạp tốt hơn Hermes, cũng không chứng minh Hermes là lựa chọn an toàn hơn.

Tôi nhìn cuộc cạnh tranh này như một bài học về kiến trúc agent. Người dùng thường thích demo agent trả lời từ Telegram, Discord hay WhatsApp. Developer lại bị ám ảnh bởi benchmark coding hoặc deep research. Vận hành thật nằm ở giữa: agent phải vào được luồng làm việc, biết đủ về người dùng, không làm trôi mục tiêu, và quan trọng nhất là không biến máy chủ của bạn thành cửa hậu cho một skill ngẫu nhiên.

OpenClaw: workspace do con người thiết kế kỹ, đổi lại là sức mạnh kết nối

OpenClaw đi theo mô hình control-plane và workspace. Hạt nhân của nó là WebSocket Gateway quản lý phiên làm việc tập trung, sau đó nối agent với khoảng 26–50+ nền tảng giao tiếp như Telegram, Discord, Slack, WhatsApp, Google Chat, Teams và Zalo. Điểm hay không nằm ở số lượng tích hợp để làm slide marketing. Điểm hay là agent có thể giữ một lớp điều phối chung thay vì mỗi kênh tự mọc một bot riêng, lịch sử riêng và hành vi riêng.

Với một người đã làm việc qua nhiều inbox, lợi ích này rất dễ hiểu. Có những việc không cần “AI thông minh hơn”; việc cần là nhận đúng thông tin ở đúng nơi, tạo phản hồi nhất quán, rồi chuyển phần nhạy cảm cho người thật. OpenClaw hợp kiểu bài toán đó. Nó giống một trạm điều phối có thể lập trình: kênh nào được nhận lệnh, ai có quyền ra lệnh, tool nào được gọi, ngữ cảnh nào được nạp.

Phần “lập trình” của OpenClaw chủ yếu nằm trong Markdown. SOUL.md định nghĩa tính cách, IDENTITY.md định nghĩa vai trò, TOOLS.md mô tả công cụ và USER.md giữ ngữ cảnh người dùng. Cách làm này có một ưu điểm rất thực dụng: những gì chi phối hành vi agent khá dễ đọc, dễ review bằng Git và dễ chỉnh mà không phải chạm vào code lõi. Một nhóm nhỏ có thể bàn về nội dung của file thay vì tranh luận trong prompt ẩn.

Nhưng Markdown không phải thuốc tiên. Một workspace càng có nhiều file, nhiều quy tắc và nhiều skill thì càng giống một hệ thống policy tự phát. Người mới dễ mắc lỗi đổ mọi thứ vào USER.md và SOUL.md: sở thích, lịch sử dự án, quyền truy cập, quy trình xử lý lỗi, quy tắc công việc. Sau vài tuần, agent mang một cục ngữ cảnh dài, mâu thuẫn và khó kiểm tra. Nó có vẻ “nhớ nhiều”, nhưng thực tế đang nhận một bản hướng dẫn lộn xộn ở đầu mỗi phiên.

ClawHub với hơn 44.000 skills là con dao hai lưỡi rõ nhất. Marketplace làm OpenClaw mở rộng cực nhanh. Bạn cần kết nối một dịch vụ hoặc tự động hóa một thao tác? Có khả năng ai đó đã viết skill. Tuy vậy, “đã có skill” không bằng “skill đó đáng được chạy trong môi trường của tôi”. Koi Security phát hiện 11,9% skill trên ClawHub chứa mã độc. Với tỷ lệ đó, tư duy cài skill theo kiểu npm package cho vui là thiếu nghiêm túc.

Tôi đánh giá OpenClaw cao ở triết lý bề mặt làm việc. Nó hiểu một agent cá nhân cần tồn tại ở nơi con người sống và ra quyết định, thay vì bắt người dùng mở thêm một tab chat mới. Nhưng sức mạnh phân phối này kéo theo diện tấn công lớn: nhiều channel, nhiều credential, nhiều webhook, nhiều input không tin cậy. OpenClaw càng tiện, người vận hành càng phải kỷ luật.

Việc Peter Steinberger gia nhập OpenAI vào tháng 2/2026 và OpenClaw chuyển sang tổ chức phi lợi nhuận độc lập cũng là điểm cần theo dõi. Tôi không xem đây là tín hiệu xấu hay tốt tuyệt đối. Hệ sinh thái rộng thường sống tốt hơn khi không phụ thuộc duy nhất vào một creator. Dù vậy, giai đoạn chuyển giao luôn cần người dùng soi kỹ roadmap, quy trình xử lý lỗ hổng và ai thực sự chịu trách nhiệm cho những thành phần nền tảng.

Hermes Agent: giá trị nằm ở vòng lặp Do – Learn – Improve

Hermes Agent của Nous Research ra mắt cuối tháng 2/2026 theo giấy phép MIT. Nếu OpenClaw là một workspace có kỷ luật do con người soạn sẵn, Hermes đặt cược vào một vòng lặp kín: làm, học, cải thiện. Sau khi xử lý tác vụ phức tạp, Hermes reflection lại quá trình thực hiện, phân tích điều gì hiệu quả hay thất bại, rồi sinh tài liệu quy trình kỹ năng tái sử dụng theo chuẩn agentskills.io.

Ý tưởng này nghe hấp dẫn vì nó chạm đúng nỗi đau của agent hiện tại: cùng một việc lặp lại, agent vẫn phạm lại lỗi cũ nếu người dùng không tự viết prompt hoặc checklist mới. Hermes muốn biến kinh nghiệm thành artifact. Nếu một agent phải tổng hợp dữ liệu, thử một chuỗi thao tác, sửa lỗi và cuối cùng tìm ra cách chạy ổn định, thì kết quả không nên chỉ là câu trả lời cuối cùng. Nó phải để lại một skill hay quy trình cho lần sau.

Tôi thích hướng này hơn các khẩu hiệu “agent tự học” mơ hồ. Tự học chỉ đáng tin khi có thứ cụ thể để kiểm tra: skill được tạo ra là gì, mô tả đầu vào và đầu ra thế nào, có quyền gì, có test hay không, phiên bản nào sinh ra nó. Nếu reflection chỉ sinh thêm vài đoạn văn tự khen mình thì đó là token waste. Nếu reflection sinh quy trình ngắn, rõ và có thể review, nó mới là tài sản vận hành.

Hermes tổ chức bộ nhớ theo nhiều tầng. Persistent notes dùng USER.md và MEMORY.md. Lịch sử phiên được tìm kiếm toàn văn bằng SQLite FTS5, kết hợp với tóm tắt từ LLM. Hermes cũng có thể dùng provider mở rộng như Honcho dialectic user modeling. Đây là mô hình bộ nhớ thực dụng hơn việc nhồi nguyên transcript vào context. Agent cần tìm lại mẩu thông tin liên quan, hiểu tóm tắt của việc cũ, rồi biết đâu là sở thích hoặc ràng buộc bền vững của người dùng.

Dĩ nhiên, memory không tự tạo ra sự thật. Một tóm tắt sai sẽ đi theo agent khá lâu. Một nhận định sai về sở thích người dùng có thể làm mọi phiên sau lệch hướng. Vì vậy, persistent memory cần có cơ chế xem, sửa và xóa như dữ liệu bình thường; không nên bị thần thánh hóa thành “trí nhớ” bất khả xâm phạm. Tôi sẽ không cho phép agent tự ghi một kết luận nhạy cảm vào hồ sơ người dùng mà không có đường audit rõ ràng.

Điểm kỹ thuật đáng chú ý khác là execute_code. Hermes chạy Python sandboxed qua RPC bridge để gom chuỗi prompt nhiều lượt thành một lần suy luận. Nói đơn giản: thay vì LLM gọi tool, đọc kết quả, gọi tool tiếp và lặp lại quá nhiều vòng hội thoại, agent có thể viết đoạn Python để xử lý chuỗi thao tác trong sandbox. Điều này hứa hẹn giảm chi phí và độ trễ ở các tác vụ có cấu trúc như xử lý dữ liệu, kiểm tra tập kết quả, biến đổi file hay gọi nhiều thao tác có thể kiểm soát.

Phiên bản v0.13.0 “Tenacity” trong tháng 5/2026 bổ sung Kanban cho quản lý tác vụ đa agent, phát hiện zombie task và tự hồi phục khi hallucination. Lệnh /goal khóa mục tiêu qua nhiều lượt. Đây là những tính năng nghe ít hào nhoáng hơn một video browser automation, nhưng lại sát với vấn đề vận hành. Multi-agent rất dễ biến thành một đám worker chạy vòng quanh mà không ai biết task nào đã chết, task nào lặp, task nào đang báo thành công giả. Tôi từng viết về việc multi-agent chỉ đáng dùng khi có điều phối đúng bài toán; Kanban và goal locking chính là loại cơ chế mà một hệ thống nhiều agent cần trước khi mở rộng số lượng worker.

Đừng so OpenClaw và Hermes bằng một bảng feature

Bảng so sánh feature thường cho cảm giác dễ quyết định: cái này có Telegram, cái kia có execute_code; cái này nhiều stars, cái kia nhiều tokens/ngày. Nhưng mental model đúng hơn là nhìn vào nơi bạn muốn đặt “trí tuệ” và nơi bạn muốn đặt “kiểm soát”.

• OpenClaw đặt trọng tâm vào workspace do người dùng thiết kế, Gateway tập trung và sự hiện diện đa kênh.
• Hermes đặt trọng tâm vào execution loop, reflection, skill tái sử dụng và bộ nhớ có khả năng truy hồi.
• Cả hai đều cần LLM, tool, credential và policy. Không framework nào xóa được rủi ro từ bốn thứ này.

OpenClaw phù hợp hơn nếu bài toán đầu tiên của bạn là router thông tin và tương tác: nhận yêu cầu từ nhiều kênh, đưa về một workspace, áp quy tắc và gọi những workflow đã biết. Nó đặc biệt dễ hiểu với người có nhu cầu xây “trợ lý ở mọi nơi”. Nhưng chính vì dễ kết nối, bạn phải thiết kế ranh giới channel rất chặt. Một lệnh từ group chat công khai không thể có cùng quyền với lệnh từ owner trên kênh riêng.

Hermes hợp hơn với developer, researcher hoặc người có các tác vụ dài cần lặp lại: phân tích, code, tổng hợp, xử lý dữ liệu, tạo quy trình. Giá trị của Hermes chỉ lộ rõ khi bạn thực sự dùng lại bài học đã sinh. Nếu mỗi ngày bạn ném vào một câu hỏi hoàn toàn khác, không có workflow chung và không review skill tạo ra, vòng lặp tự cải thiện sẽ mất nhiều ý nghĩa.

Về bộ nhớ, OpenClaw nghiêng về cấu hình thủ công qua các file Markdown. Hermes có persistent notes, SQLite FTS5 và tóm tắt LLM. Tôi không cho rằng Hermes “thông minh hơn” chỉ vì có nhiều tầng memory. Hệ thống tốt là hệ thống biết quên đúng chỗ. Dữ liệu tạm thời cần hết hạn. Quyết định quan trọng cần nguồn gốc. Sở thích cá nhân cần người dùng chỉnh được. Credential không bao giờ được xem là memory.

Agent tốt không phải agent nhớ nhiều nhất. Agent tốt là agent biết phần nào cần nhớ, phần nào phải hỏi lại, và phần nào tuyệt đối không được tự quyết.

Những gì AI Agent tự chủ làm tốt hôm nay

Điểm mạnh thật của agent không phải thay thế một người giỏi toàn diện. Nó xử lý tốt những chuỗi công việc có mục tiêu rõ, nguồn dữ liệu xác định, bước lặp và tiêu chí hoàn thành tương đối kiểm tra được. Một agent có execute_code trong sandbox có thể gom nhiều thao tác xử lý dữ liệu vào một quy trình. Một agent có skill tốt có thể lặp lại cách nghiên cứu, chuẩn hóa đầu ra và lưu lại ghi chú cho lần tiếp theo.

Hermes đáng chú ý ở đây vì nó coi skill là đầu ra của quá trình làm việc, chứ không chỉ là gói cài sẵn. Đó là một hướng hợp lý: knowledge worker thường không thiếu câu trả lời, họ thiếu cách làm có thể lặp. Một task khó sau khi giải xong cần để lại checklist, tool sequence và điều kiện thất bại. Nếu agent làm được việc đó, nó đỡ phụ thuộc vào trí nhớ của một người trong team.

OpenClaw lại có lợi thế ở đoạn đưa workflow vào đời sống hằng ngày. Một quy trình dù tốt đến đâu cũng vô dụng nếu người dùng quên mở nó. Gateway đa kênh giải quyết bài toán phân phối và notification. Tôi sẽ dùng kiểu này cho luồng ít rủi ro: nhận thông báo, gom yêu cầu, tra cứu theo quyền, soạn nháp, nhắc việc hoặc chuyển task sang nơi cần xử lý. Tôi sẽ không dùng nó để biến mọi tin nhắn thành lệnh thực thi.

Khả năng điều phối nhiều agent cũng nên được đánh giá theo chất lượng phân rã công việc, không phải số agent. Tenacity có Kanban, zombie task detection và cơ chế hồi phục khi hallucination là tín hiệu Hermes hiểu vấn đề này. Một agent chính có thể giao phần việc, nhưng hệ thống vẫn cần thấy trạng thái, chặn vòng lặp và giữ mục tiêu. Nếu không, multi-agent chỉ nhân bản lỗi với tốc độ cao hơn.

Người quan tâm coding agent có thể liên hệ điều này với trải nghiệm điều phối công cụ lập trình. Khi developer chuyển từ tự gõ từng dòng sang giao việc cho agent, phần việc quan trọng chuyển sang specification, review và kiểm soát thay đổi. Góc nhìn này gần với bài Claude Code: khi developer chuyển từ viết code sang điều phối Agent. AI Agent không xóa trách nhiệm kỹ thuật; nó ép trách nhiệm ấy đi lên một tầng cao hơn.

Những ranh giới vẫn rất cứng: hallucination, goal drift và browser giòn gãy

Điểm tôi thận trọng nhất là lỗi tích lũy. Một LLM có thể sai một chi tiết nhỏ. Agent nhiều bước dùng chi tiết sai đó để chọn tool, lấy kết quả mới, tự diễn giải kết quả, rồi tạo skill hoặc memory từ chính diễn giải ấy. Sai số lúc này không đứng yên. Nó tích lũy. Tên gọi compounding hallucinations nghe học thuật, nhưng trải nghiệm thực tế rất đơn giản: agent làm càng lâu, bạn càng khó biết nó lệch từ bước nào.

Goal drift là anh em của vấn đề đó. Người dùng nói “nghiên cứu các lựa chọn”, agent lại tự chuyển sang “chọn giải pháp”, rồi tiến thêm một bước là “triển khai giải pháp”. Lệnh /goal của Hermes là phản ứng hợp lý với sự trôi dạt này, vì mục tiêu cần được khóa qua nhiều lượt. Nhưng khóa mục tiêu không thay thế việc mô tả tiêu chí hoàn thành. “Hãy xử lý việc này” là một mục tiêu tệ. “Thu thập thông tin từ các nguồn được phép, so sánh theo ba tiêu chí, không gửi hay thay đổi dữ liệu, dừng để tôi duyệt trước bước cuối” mới là lệnh agent có thể vận hành.

Browser use vẫn giòn gãy vì web thay đổi liên tục. Một nút bị đổi nhãn, một form thêm CAPTCHA, một trang chuyển sang layout mới, một popup xuất hiện là workflow có thể hỏng. Tệ hơn, agent có thể nhầm trạng thái UI và báo hoàn tất. Không có kiến trúc agent nào trong dữ liệu này biến browser automation thành nền tảng đáng tin cho thao tác tài chính, xóa dữ liệu hay phê duyệt pháp lý.

Đây là chỗ cần phân biệt demo với hệ thống. Demo cần một đường đi thành công. Hệ thống cần biết nhận ra mình đang ở ngoài đường đi đó, ghi lại lỗi, dừng và báo người. Tôi tin agent tự chủ chỉ đáng đưa vào workflow thật khi nó có quyền thất bại an toàn.

Bảo mật: đừng trao máy chủ cho một marketplace

OpenClaw là ví dụ rõ về giá phải trả cho tốc độ mở rộng. CVE-2026-25253 có điểm CVSS 8.8. Trong tháng 3/2026 còn có chuỗi 9 CVE. Koi Security phát hiện 11,9% skills trên ClawHub chứa mã độc. Những dữ kiện này không có nghĩa mọi cài đặt OpenClaw đều nguy hiểm, và cũng không đủ để kết luận Hermes miễn nhiễm với rủi ro. Chúng buộc ta bỏ tư duy “open-source nên tự nhiên an toàn”. Mã nguồn mở cho phép kiểm tra; nó không tự kiểm tra thay bạn.

Một skill agent nguy hiểm hơn extension thông thường ở chỗ nó thường ngồi sát tool layer: đọc file, gọi mạng, dùng API key, gửi message hoặc chạy lệnh. Khi bạn cài skill không audit, bạn không chỉ thêm tính năng cho chatbot. Bạn có thể đang thêm một chủ thể có đường vào dữ liệu và hạ tầng.

Nguyên tắc tối thiểu tôi sẽ áp dụng cho cả OpenClaw lẫn Hermes:

• Chạy tác vụ có khả năng thực thi code trong sandbox tách biệt, không dùng quyền của máy chủ chính.
• Áp dụng quyền tối thiểu cho token và API key; mỗi integration cần credential riêng, scope riêng.
• Chặn mạng mặc định nếu task không cần mạng; chỉ mở đích đến đã biết khi cần.
• Không cài skill cộng đồng trực tiếp vào môi trường có dữ liệu thật nếu chưa review mã, dependency và hành vi mạng.
• Redact secret khỏi log, transcript, memory và artifact do agent sinh ra.
• Đặt human approval cho lệnh xóa, ghi đè, gửi ra ngoài, thay đổi quyền, chi tiền hoặc tác động production.
• Lưu audit trail: ai ra lệnh, agent dùng tool nào, tham số gì, kết quả gì và ai phê duyệt.

Human-in-the-loop hay bị hiểu sai thành “cứ hỏi người dùng trước mọi bước”. Làm vậy agent mất giá trị. Cách đúng là phân loại hành động. Đọc dữ liệu công khai có thể tự chạy. Soạn bản nháp có thể tự chạy. Gửi message ra bên ngoài cần approval tùy đối tượng. Xóa tài nguyên, thay đổi hạ tầng hoặc dùng credential nhạy cảm phải có approval rõ ràng. Automation tốt là automation biết chỗ nào phải dừng.

Nếu triển khai cho doanh nghiệp, tôi sẽ xem agent như một workload có danh tính, quyền hạn, log và chính sách, không xem nó là “một chatbot thông minh”. Đây cũng là điểm giao với bài viết về kiến trúc Agentic và chủ quyền số: orchestration và trusted agent không phải lớp trang trí, chúng là điều kiện để hệ thống có thể sống lâu hơn một bản demo.

Khung chọn OpenClaw hay Hermes cho việc thật

Chọn OpenClaw nếu ưu tiên số một là agent hiện diện trên nhiều kênh giao tiếp. Bạn cần một điểm tập trung cho Telegram, Discord, Slack, WhatsApp, Google Chat, Teams hoặc Zalo; cần cấu hình vai trò qua Markdown; cần workflow rõ và giàu tính điều phối. Đây là lựa chọn hợp lý cho trợ lý cá nhân nhiều inbox, trung tâm nhận yêu cầu hoặc lớp router cho các workflow đã được chuẩn hóa.

Chọn Hermes nếu trọng tâm là tác vụ cần làm nhiều lần và học từ lần trước: nghiên cứu, code, xử lý dữ liệu, tạo quy trình hoặc điều phối task dài. Execute_code qua Python sandboxed, SQLite FTS5, persistent notes và agentskills.io tạo ra một stack phù hợp với người muốn biến kết quả thành năng lực tích lũy. Hermes không tự cứu bạn nếu task mơ hồ, nhưng nó đưa ra cơ chế đúng hướng để xử lý tính lặp.

Một kiến trúc hybrid cũng đáng nghĩ tới: OpenClaw làm lớp giao tiếp và router, Hermes làm execution engine qua ACP. Tôi sẽ chỉ làm cách này khi có lý do thật. Hai hệ thống nghĩa là hai nơi cần quan sát, hai bộ policy, hai chuỗi lỗi và khả năng lệch state. Ghép chúng chỉ để nói “multi-agent” là tự làm khó mình. Ghép chúng khi một bên giải bài toán phân phối, bên kia giải bài toán thực thi, và ranh giới giữa hai bên được mô tả rõ.

Trước khi self-hosted bất kỳ agent nào, hãy trả lời bốn câu. Agent được phép đọc gì? Agent được phép thay đổi gì? Agent có thể gửi gì ra ngoài? Khi sai, ai phát hiện và rollback thế nào? Nếu chưa trả lời được, bạn chưa cần chọn framework. Bạn cần thiết kế workflow trước.

Quan điểm của tôi khá thẳng: OpenClaw hiện hấp dẫn hơn cho người muốn cảm nhận “agent có mặt ở khắp nơi”; Hermes hấp dẫn hơn cho người muốn xây năng lực làm việc tích lũy. Nhưng cả hai đều chưa phải lý do để giao toàn bộ máy tính, email và tài khoản vận hành cho LLM. Agent tự chủ đáng dùng nhất khi quyền hạn hẹp, mục tiêu cụ thể, tool được kiểm soát và kết quả có người review.

Câu hỏi thường gặp

AI Agent tự chủ có thể thay thế hoàn toàn lập trình viên hoặc trợ lý con người không?

Chưa nên đặt bài toán theo kiểu thay thế hoàn toàn. Agent có thể xử lý một số chuỗi công việc, tạo nháp, gọi tool, tổng hợp và lưu quy trình. Nhưng hallucination tích lũy, goal drift và browser automation giòn gãy vẫn là giới hạn thực tế. Với coding hay vận hành, con người vẫn cần định nghĩa yêu cầu, review thay đổi và chịu trách nhiệm cho quyết định cuối.

Chi phí vận hành self-hosted OpenClaw hoặc Hermes là bao nhiêu?

Dữ liệu hiện có không cung cấp mức chi phí trung bình hàng tháng, nên tôi không đưa ra một con số đoán mò. Chi phí phụ thuộc vào model, số lượt suy luận, tool call, memory, mức dùng subagent và tần suất heartbeat. Hermes có execute_code nhằm gom chuỗi prompt và tối ưu chi phí, độ trễ; điều đó không thay thế việc đặt quota, quan sát token và giới hạn task.

Làm sao ngăn agent tự xóa dữ liệu hoặc chạy shell nguy hiểm trên VPS?

Không cấp quyền rộng ngay từ đầu. Chạy execution trong sandbox tách biệt, dùng credential có scope tối thiểu, chặn mạng mặc định, và yêu cầu approval cho thao tác xóa, ghi đè, thay đổi quyền hoặc tác động production. Log phải ghi đủ lệnh, tham số, kết quả và người phê duyệt để có thể điều tra sau sự cố.

Có nên cài skill từ ClawHub để tăng tốc triển khai không?

Có thể, nhưng phải coi đó là mã bên thứ ba có quyền chạm vào môi trường của bạn. Koi Security phát hiện 11,9% skill trên ClawHub chứa mã độc, vì vậy không nên cài theo thói quen. Review mã, dependency, hành vi mạng và quyền truy cập trước khi đưa skill vào môi trường thật. Nếu không audit được, chạy trong môi trường cô lập với dữ liệu giả.

Có thể chuyển bộ nhớ từ OpenClaw sang Hermes liền mạch không?

Dữ liệu cung cấp không xác nhận một cơ chế migration liền mạch. Về mặt khái niệm, cả hai đều dùng USER.md và OpenClaw còn có các file như SOUL.md, IDENTITY.md, TOOLS.md. Nhưng Hermes có SQLite FTS5, tóm tắt LLM và provider memory mở rộng, nên không nên giả định chỉ copy file là giữ nguyên hành vi. Hãy migration theo từng lớp: dữ liệu người dùng, policy, skill và lịch sử phiên; review lại từng phần trước khi dùng.

Nguồn tham khảo: AI Agent Tự Chủ Năm 2026: Trải Nghiệm Thực Tế Và Góc Nhìn Đa Chiều Giữa OpenClaw Và Hermes