Ente Locker 信息类型（Item Types）完全指南：Document、Note、Secret 与 Thing 的存储、加密与最佳实践
2026/9/11 5:57:27
Agent 项目现在不缺演示视频，缺的是能说明白失败原因的复盘。Rohan Paul 围绕 Atomic Bot 做了一组对比实验，把 OpenClaw 2.0 和 Hermes Agent 同时接到 GLM 5.3 上。他得到的最有价值观点不是某个 Agent 全方位胜出，而是两者差异主要体现在自检方式。初看这个结论不够刺激，真正拆一遍之后会发现，它比单纯比较任务成功率更接近 Agent 工程的核心问题。
Atomic Bot 这个词拆开看很有代表性。Bot 指自动执行任务的 Agent，Atomic 则强调任务被拆到了不能再拆的原子粒度。原子任务意味着每一步都有明确的起始点和可观测结果，例如点击一个按钮、提取一个订单号、把一个文件移动到指定目录、在表单里填入一段内容。Agent 必须有能力判断这一步到底有没有生效，而判断这一步正是自检机制的职责。Rohan Paul 在这组实验里点名自检方式，本质是在说：当 GLM 5.3 作为同一个底座提供语言理解和工具调用能力时，局部动作是否被正确确认，往往比模型是否足够聪明更影响最终表现。
所以这篇文章不会只给一个“谁更好用”的结论，而是把问题拆成三条线来展开。第一，讲清楚自检方式到底是什么，以及它为什么会在模型相同时成为两个 Agent 的分水岭。第二，给出一个可以复现 Atomic Bot 风格的评测任务集、日志字段和批量流程，方便你自己在 OpenClaw 2.0 与 Hermes Agent 上各跑一遍。第三，落到 GLM 5.3 的 API 接入、最小请求、性能观察和常见坑上。适合的读者很明确：正在做 Agent 落地、模型对比评测、RAG 自动化或者桌面端自动化的工程师。
1. Atomic Bot 实验核心能力速览
为了防止纯概念文本显得太虚，先给一张观察视角表。这张表不是 OpenClaw 2.0 或 Hermes Agent 的官方规格页，也不是某个发布方的能力矩阵，而是把这组实验评论涉及的组件、环境与高频关注点整理出来。当你自己运行同一组任务时，这个表可以直接作为验收清单，逐项确认哪些能力被接通、哪些被默认关闭。
| 观察维度 | 说明 |
|---|---|
| 实验主题 | 以 Atomic Bot 任务为样本，对比不同 Agent 运行器的行为差异 |
| 模型底座 | GLM 5.3；批量任务场景可关注 flash 等轻量接入形态 |
| Agent 运行器 A | OpenClaw 2.0，重点观察执行编排、重试策略与自动判定规则 |
| Agent 运行器 B | Hermes Agent，重点观察桌面端操作、外部知识库、导航状态恢复 |
| 讨论焦点 | 自检方式：发现失败、判断成功、决定是否重试的机制 |
| 外部环境 | 模型 API Key、页面或表单测试环境、文件系统目录、可观测日志目录 |
| 主要交付物 | 原子任务用例集、自检事件日志、失败纠正路径记录、批量统计报告 |
| 适合读者 | Agent 开发者、评测工程师、想把大模型接到自动化流程里的团队 |
从搜索词里也能看到，Hermes Agent 的方向讨论很自然地围绕桌面版安装、外挂知识库、回到主页面的命令这些工程操作展开；OpenClaw 2.0 与 GLM 5.3 的组合则更容易出现在模型调用、API 接入和自检机制讨论里。这说明两个 Agent 的差异化优势并不在一个平面上：一个更贴近 GUI 操作和知识库使用，另一个更侧重执行编排。评测时如果只拿“谁跑成功率高”说事，很容易忽略真正影响结果的自检方式。
这里先做一个提醒。我没有把本文写成一份带着截图和真实数字的实测报告，因为输入材料本身并没有提供两台机器的显存占用、任务成功次数或具体 API 返回内容。更稳妥的做法是把这篇作为一个评测脚手架：你拿着同样的任务用例去跑两个 Runner，把自检日志拉出来，用第 6 节和第 7 节的统计方式得出结论。
2. 先看结论：差异为什么集中在自检方式
在拆代码之前，先解释一个反直觉的现象。自检在技术文档里有多个名字：self-check、verification、reflection、validate、quality gate。名字听起来有点玄，但思路很朴素：Agent 执行完一个动作后，必须回答三个问题——我这个动作真的执行成功了吗？如果不成功，下一步应该重试、换方法，还是停下来找人工确认？如果成功，这次结果能否被后续动作依赖？
这个问题之所以在 Rohan Paul 的 Atomic Bot 实验中成为主角，是因为模型相同时，两个 Agent 拿到语言生成部分的概率分布非常接近。GLM 5.3 在给定相同前缀和工具描述时，模型为 OpenClaw 2.0 和 Hermes Agent 生成的下一步动作可能不会出现显著差异。真正让任务结果分叉的，是动作执行完成之后的判定循环。OpenClaw 2.0 在执行编排中是否引入了结构化校验步骤？Hermes Agent 是否把工具返回结果交给模型再总结一遍？这些细节直接决定了任务会不会收敛。
用更工程化的语言描述：一个 Agent 执行管线往往包含规划动作、执行动作、检查动作三个环节。现状是大多数 Agent 教程把精力放在第一个环节，只要模型输出的下一步动作足够像样就停了。Rohan Paul 这组评测的意义在于把镜头对准第三个环节。当模型已经说出类似“文件已移动”这句话时，Agent 到底应该相信这句话，还是应该用一个 shell 命令检查目标文件是否存在？两种选择会产生完全不同的任务可信度。
从运行逻辑推导，两个 Agent 在同一任务上出现稳定差异，最可能出现在以下几种自检细节里。有的 Runner 允许对同一个动作重试 N 次，但在重试前不保存环境状态；有的 Runner 在失败后会主动把页面导航到一个已知的稳定页面再继续；有的 Runner 会把工具返回的原始状态码、文件大小、DOM 节点变化作为成功判据，而不是让模型自行猜。这些差异在单个任务里不一定肉眼可见，但在 10 个、50 个原子任务里会累积成不同的成功率分布、不同的重试次数和不同的单任务成本。
3. 自检方式不是单一功能，而是几类技术选型的组合
自检不是一个开关，而是一组可以独立插拔的技术策略。两个 Agent 在 GLM 5.3 上的差异，往往不是“一个自检、一个不自检”，而是默认配置下接通了不同深度的自检层。理解这五类技术路线以后，再去看 OpenClaw 2.0 和 Hermes Agent 的日志会比较清楚。
3.1 方法级：结构化约束与输出校验
大模型在工具调用模式中通常会输出 JSON 或函数调用