So sánh toàn diện giữa Hermes và OpenClaw: cách ứng dụng linh hoạt 2 giải pháp này trong lĩnh vực hành chính công

70

10/05/2026 – (AIHanhChinhCong.vn) – Trước làn sóng ứng dụng AI vào quản trị và cung cấp dịch vụ công, câu hỏi không còn dừng ở việc “AI có thể trả lời văn bản hay không”, mà chuyển sang một cấp độ thực tiễn hơn: AI có thể theo dõi tiến độ, phối hợp quy trình, tự động hóa tác vụ lặp lại, hỗ trợ cán bộ xử lý hồ sơ, nhắc việc, tổng hợp báo cáo và vận hành liên tục trong môi trường có kiểm soát hay không. Hai giải pháp mã nguồn mở đang được cộng đồng công nghệ quan tâm là Hermes Agent và OpenClaw. Mỗi nền tảng đại diện cho một cách tiếp cận khác nhau đối với AI agent: Hermes nhấn mạnh khả năng học hỏi, ghi nhớ và tự cải thiện theo thời gian; OpenClaw nổi bật ở vai trò cổng điều phối, kết nối đa nền tảng và đưa AI vào các kênh giao tiếp quen thuộc.

Bài viết này phân tích toàn diện hai giải pháp trên dưới góc nhìn ứng dụng trong hành chính công: từ kiến trúc, năng lực tự động hóa, hệ thống ghi nhớ, quản lý kỹ năng, bảo mật, cho đến mô hình kết hợp linh hoạt. Trọng tâm không phải là chọn một công cụ “thắng tuyệt đối”, mà là xác định cách dùng đúng: Hermes phù hợp với lớp xử lý thông minh, học từ quy trình và cải thiện tác vụ; OpenClaw phù hợp với lớp giao tiếp, điều phối và kết nối dịch vụ qua nhiều kênh [1], [6], [7].

Bối cảnh: từ chatbot trả lời sang AI agent thực thi công việc

Trong nhiều năm, các hệ thống AI trong khu vực công thường được hình dung như chatbot hỏi – đáp: người dân hoặc cán bộ nhập câu hỏi, hệ thống trả lời dựa trên dữ liệu đã huấn luyện hoặc kho tri thức nội bộ. Mô hình này hữu ích cho tra cứu thủ tục, hướng dẫn biểu mẫu, giải thích quy định, nhưng vẫn còn giới hạn vì phần lớn công việc hành chính không chỉ là “trả lời”. Một quy trình xử lý hồ sơ thường bao gồm tiếp nhận, phân loại, đối chiếu điều kiện, kiểm tra thiếu sót, nhắc bổ sung, chuyển xử lý, theo dõi hạn, tổng hợp báo cáo và lưu vết.

AI agent xuất hiện để mở rộng vai trò của AI từ “trả lời” sang “hành động có kiểm soát”. Một agent có thể đọc tài liệu, gọi công cụ, thao tác với hệ thống, chạy lệnh, lập lịch công việc, tạo báo cáo và duy trì trí nhớ qua nhiều phiên làm việc. Tài liệu chính thức của Hermes mô tả nền tảng này như một agent có vòng lặp học hỏi tích hợp, có khả năng tạo kỹ năng từ kinh nghiệm, cải thiện kỹ năng trong quá trình sử dụng và ghi nhớ qua các phiên làm việc [1]. Trong khi đó, OpenClaw được các bài đánh giá thực nghiệm mô tả như một lớp gateway giúp người dùng điều khiển agent qua Telegram, WhatsApp, Discord, Slack hoặc các kênh giao tiếp quen thuộc, từ đó biến AI thành một trợ lý có thể “làm việc” chứ không chỉ trả lời [11].

Đối với hành chính công, bước chuyển này rất quan trọng. Nếu triển khai đúng, AI agent có thể hỗ trợ xử lý tác vụ lặp lại, giảm thời gian tìm kiếm văn bản, chuẩn hóa hướng dẫn nội bộ, nhắc hạn xử lý, hỗ trợ tổng hợp số liệu định kỳ và nâng cao năng lực phục vụ người dân. Tuy nhiên, nếu triển khai thiếu kiểm soát, agent có quyền thao tác dữ liệu thật cũng có thể tạo rủi ro nghiêm trọng về bảo mật, sai lệch quy trình và lộ thông tin. Vì vậy, so sánh Hermes và OpenClaw cần đặt trong cùng một nguyên tắc: tự động hóa phải đi kèm kiểm soát, phân quyền, giám sát và trách nhiệm giải trình.

Hermes Agent: mạnh ở khả năng học, ghi nhớ và cải thiện quy trình

Hermes Agent do Nous Research phát triển, được giới thiệu là một agent mã nguồn mở có khả năng tự cải thiện. Theo tài liệu chính thức, Hermes không chỉ lưu lại hội thoại, mà còn có hệ thống memory, skills, cron, messaging gateway, MCP integration, voice mode và các backend thực thi như local, Docker, SSH, Daytona, Singularity, Modal [1]. README của dự án cũng nhấn mạnh Hermes có thể chạy trên VPS, hạ tầng serverless hoặc môi trường tự quản, đồng thời hỗ trợ nhiều nhà cung cấp mô hình qua OpenRouter, Nous Portal, OpenAI hoặc endpoint tương thích [3].

Điểm đáng chú ý nhất của Hermes là “closed learning loop” – vòng lặp học hỏi khép kín. Khi agent thực hiện một tác vụ phức tạp, hệ thống có thể ghi nhận cách làm, trích xuất mẫu quy trình, tạo kỹ năng tái sử dụng và cải thiện kỹ năng đó trong các lần sử dụng tiếp theo [1], [4]. Trong bối cảnh hành chính công, cơ chế này có giá trị ở những nhóm việc lặp lại nhưng có biến thể, chẳng hạn: kiểm tra tính đầy đủ của hồ sơ, phân loại phản ánh kiến nghị, tóm tắt báo cáo tuần, tạo dự thảo văn bản trả lời theo mẫu, hoặc tổng hợp dữ liệu từ nhiều nguồn nội bộ.

Phiên bản Hermes Agent v0.13.0, phát hành ngày 07/05/2026, bổ sung nhiều năng lực đáng chú ý như multi-agent Kanban bền vững, cơ chế /goal giúp agent bám mục tiêu qua nhiều lượt trao đổi, tự động khôi phục phiên sau khi gateway khởi động lại, Checkpoints v2 và nhiều cải tiến bảo mật như bật redaction mặc định, kiểm soát allowlist theo nền tảng và quét prompt injection trong cron [2]. Đây là các tính năng có ý nghĩa thực tiễn với môi trường hành chính công, nơi một nhiệm vụ thường kéo dài qua nhiều bước, nhiều người phụ trách và cần lưu vết trạng thái rõ ràng.

Tuy vậy, Hermes không nên được hiểu là một hệ thống “tự huấn luyện mô hình” theo nghĩa thay đổi trọng số mô hình trong thời gian thực. Các phân tích kỹ thuật cho thấy “tự cải thiện” ở đây chủ yếu diễn ra ở tầng runtime: ghi nhớ ngữ cảnh, tạo kỹ năng, tái sử dụng quy trình và tích lũy kinh nghiệm thao tác [8]. Cách hiểu đúng này giúp các đơn vị triển khai đặt kỳ vọng thực tế hơn: Hermes không thay thế con người ra quyết định, nhưng có thể trở thành một “trợ lý quy trình” ngày càng hiểu cách làm việc của đơn vị nếu được cấu hình, giám sát và cập nhật đúng.

OpenClaw: mạnh ở gateway, điều phối kênh và đưa AI vào môi trường làm việc quen thuộc

OpenClaw nổi bật ở vai trò một personal AI assistant có thể kết nối với các ứng dụng nhắn tin và môi trường làm việc hiện có. Các bài trải nghiệm thực tế đánh giá OpenClaw không phải là chatbot truyền thống, mà là hạ tầng để xây dựng và điều khiển agent qua các kênh như Telegram, WhatsApp, Discord, Slack hoặc iMessage [11]. Với cơ quan, đơn vị hành chính, giá trị này nằm ở chỗ người dùng không nhất thiết phải học một giao diện mới; họ có thể tương tác với agent qua kênh đã quen thuộc, trong khi agent phía sau thực hiện các thao tác được cấp quyền.

Về triết lý thiết kế, nhiều nguồn so sánh cho rằng OpenClaw có xu hướng “gateway-centric”, tức đặt trọng tâm vào cổng điều phối, định tuyến phiên làm việc, kênh giao tiếp và khả năng kết nối công cụ. Trong khi Hermes tập trung vào agent runtime và vòng lặp học hỏi, OpenClaw lại giống một lớp điều phối giúp đưa AI vào nhiều bề mặt tương tác khác nhau [8]. Đây là lợi thế nếu mục tiêu là xây dựng một trợ lý hành chính có thể nhận yêu cầu từ nhiều kênh, phân luồng nhiệm vụ và gửi thông báo đúng người, đúng nhóm, đúng thời điểm.

Trong hành chính công, OpenClaw có thể phù hợp với các tình huống như: tiếp nhận câu hỏi nội bộ từ cán bộ qua ứng dụng nhắn tin, chuyển yêu cầu đến agent chuyên trách, nhắc hạn xử lý công việc, gửi tóm tắt báo cáo định kỳ, hoặc điều phối các bot chuyên môn như bot tra cứu văn bản, bot kiểm tra thể thức, bot tổng hợp phản ánh. Khi được triển khai trên môi trường riêng và giới hạn quyền truy cập, OpenClaw có thể đóng vai trò “lớp giao tiếp” giữa con người và các agent chuyên môn.

Tuy nhiên, chính ưu điểm “có thể làm được nhiều việc” cũng tạo ra rủi ro. Bài trải nghiệm của MUO nhấn mạnh OpenClaw rất mạnh vì có thể đọc file, cài công cụ, điều khiển ứng dụng và chạy lệnh, nhưng điều này đồng nghĩa người triển khai phải đặc biệt thận trọng với quyền hệ thống, tài khoản dịch vụ, dữ liệu nhạy cảm và môi trường thực thi [11]. Với hành chính công, mọi kết nối tới hệ thống hồ sơ, email, kho văn bản hoặc dữ liệu công dân cần được thiết kế theo nguyên tắc quyền tối thiểu, có phê duyệt, có nhật ký và có khả năng truy vết.

So sánh Hermes và OpenClaw dưới góc nhìn hành chính công

Để tránh so sánh theo kiểu “công cụ nào tốt hơn”, cần đặt Hermes và OpenClaw vào bài toán cụ thể của hành chính công. Một hệ thống hỗ trợ công vụ không chỉ cần agent thông minh, mà còn cần giao diện thuận tiện, khả năng phân quyền, lưu vết, kiểm soát dữ liệu và vận hành ổn định. Bảng dưới đây tóm tắt các khác biệt cốt lõi theo hướng ứng dụng.

Bảng trên cho thấy Hermes và OpenClaw không nhất thiết cạnh tranh trực diện. Trong một kiến trúc hợp lý, OpenClaw có thể đảm nhiệm lớp giao tiếp và điều phối, còn Hermes đảm nhiệm lớp xử lý thông minh, học từ quy trình và tự động hóa tác vụ phức tạp. Cách tiếp cận này tương đồng với nhận định của Geeky Gadgets rằng việc kết hợp OpenClaw và Hermes có thể tạo nên hệ thống multi-agent đáng tin cậy hơn: OpenClaw xử lý các nhiệm vụ nặng về điều phối, còn Hermes hỗ trợ giám sát, thực thi và sửa lỗi với chi phí tài nguyên hợp lý hơn [7].

AI agent trong hành chính công cần được thiết kế như một hệ thống hỗ trợ công việc có kiểm soát, không phải một chatbot hoạt động tự do

Mô hình kết hợp: OpenClaw làm cổng điều phối, Hermes làm agent chuyên trách

Trong một hệ thống hành chính công hiện đại, không nên để một agent duy nhất vừa tiếp nhận mọi yêu cầu, vừa truy cập mọi dữ liệu, vừa thực thi mọi thao tác. Cách an toàn hơn là phân lớp. OpenClaw có thể được đặt ở lớp front-office hoặc internal gateway, nơi tiếp nhận yêu cầu từ cán bộ, chuyên viên hoặc nhóm phụ trách qua các kênh được phê duyệt. Sau đó, OpenClaw phân loại yêu cầu, kiểm tra quyền, ghi nhận phiên làm việc và chuyển nhiệm vụ cho các agent chuyên trách.

Hermes có thể vận hành ở lớp specialist agent. Mỗi agent Hermes được cấu hình cho một nhóm nhiệm vụ rõ ràng: agent tra cứu văn bản, agent kiểm tra hồ sơ, agent tổng hợp báo cáo, agent nhắc hạn, agent hỗ trợ soạn dự thảo, agent phân tích phản ánh kiến nghị. Nhờ cơ chế memory và skills, Hermes có thể học từ các quy trình đã xử lý, lưu lại cách làm, cải thiện prompt, tạo kỹ năng nội bộ và hỗ trợ các nhiệm vụ tương tự nhanh hơn trong tương lai [1], [4].

Một mô hình triển khai thực tế có thể gồm bốn lớp. Lớp thứ nhất là kênh tiếp nhận: Telegram nội bộ, Slack, Teams, web form hoặc cổng nghiệp vụ. Lớp thứ hai là OpenClaw gateway để định tuyến, xác thực người dùng và phân luồng. Lớp thứ ba là cụm Hermes agents chuyên trách, chạy trong Docker hoặc môi trường sandbox. Lớp thứ tư là kho tri thức và hệ thống giám sát, bao gồm văn bản pháp lý, quy trình nội bộ, nhật ký thao tác, dashboard theo dõi và cơ chế phê duyệt đối với hành động nhạy cảm.

Mô hình này đặc biệt phù hợp với các đơn vị đang muốn thử nghiệm AI nhưng chưa sẵn sàng tích hợp sâu vào hệ thống lõi. Thay vì cho agent truy cập trực tiếp vào toàn bộ cơ sở dữ liệu, đơn vị có thể bắt đầu bằng các kho tài liệu đã được chuẩn hóa, dữ liệu ẩn danh, môi trường thử nghiệm và các tác vụ hỗ trợ không quyết định thay con người. Khi quy trình đủ ổn định, phạm vi quyền có thể mở rộng từng bước, luôn đi kèm kiểm toán và đánh giá rủi ro.

Tình huống ứng dụng 1: hỗ trợ xử lý hồ sơ và kiểm tra tính đầy đủ

Một trong những bài toán phổ biến của hành chính công là hồ sơ thiếu thành phần, sai biểu mẫu, chưa đúng định dạng hoặc chưa đủ căn cứ. Nếu sử dụng chatbot thông thường, hệ thống có thể trả lời “hồ sơ cần những giấy tờ gì”. Nhưng với AI agent, hệ thống có thể đi xa hơn: đọc danh mục tài liệu được tải lên, đối chiếu với checklist, phát hiện thiếu sót, gợi ý nội dung cần bổ sung và tạo thông báo dự thảo cho cán bộ kiểm tra.

Trong mô hình kết hợp, OpenClaw tiếp nhận yêu cầu từ cán bộ qua kênh nội bộ: “Kiểm tra bộ hồ sơ này theo quy trình X”. OpenClaw xác định loại quy trình, kiểm tra người gửi có quyền yêu cầu hay không, rồi chuyển nhiệm vụ sang Hermes Agent chuyên trách kiểm tra hồ sơ. Hermes sử dụng kỹ năng đã học từ các lần kiểm tra trước, truy xuất checklist, đọc tài liệu, tạo bảng đối chiếu và trả lại kết quả. Nếu phát hiện trường hợp không chắc chắn, Hermes đánh dấu cần cán bộ xác nhận thay vì tự kết luận.

Giá trị của Hermes trong tình huống này nằm ở khả năng tích lũy quy trình. Sau nhiều lần xử lý, agent có thể hình thành kỹ năng nội bộ: hồ sơ loại A thường thiếu mục nào, lỗi nào hay gặp, cách diễn giải thông báo bổ sung ra sao cho rõ ràng và đúng chuẩn. Tuy nhiên, quyết định cuối cùng vẫn thuộc về cán bộ có thẩm quyền. AI chỉ hỗ trợ kiểm tra, tóm tắt và gợi ý, không thay thế trách nhiệm hành chính.

Tình huống ứng dụng 2: tổng hợp báo cáo định kỳ và nhắc hạn xử lý

Nhiều cơ quan, đơn vị phải tổng hợp báo cáo tuần, tháng hoặc quý từ nhiều nguồn: văn bản đến, văn bản đi, tiến độ xử lý hồ sơ, phản ánh kiến nghị, kết quả họp, kế hoạch công tác. Đây là nhóm việc tiêu tốn thời gian nhưng có cấu trúc lặp lại. Hermes có lợi thế nhờ cron scheduler, persistent memory, skills và khả năng tự động hóa theo lịch [1], [3]. OpenClaw lại hữu ích ở khâu gửi nhắc việc, nhận phản hồi và phân phối báo cáo đến đúng nhóm.

Ví dụ, mỗi chiều thứ Sáu, Hermes tự chạy tác vụ tổng hợp dữ liệu từ thư mục báo cáo nội bộ, tạo bản tóm tắt các việc đã hoàn thành, việc tồn đọng, việc quá hạn và việc cần xin ý kiến. OpenClaw sau đó gửi bản nháp tới nhóm phụ trách, nhận góp ý qua kênh chat, chuyển yêu cầu chỉnh sửa lại cho Hermes và lưu bản cuối vào kho tài liệu. Với cơ chế /goal và checkpoints của Hermes v0.13.0, các tác vụ dài có thể bám mục tiêu tốt hơn, đồng thời giảm nguy cơ mất trạng thái khi phiên làm việc bị gián đoạn [2].

Trong bối cảnh hành chính công, lợi ích lớn nhất không chỉ là tiết kiệm thời gian, mà còn là chuẩn hóa nhịp quản trị. Khi agent có thể nhắc hạn, ghi nhận việc chưa hoàn thành và tổng hợp dữ liệu đều đặn, lãnh đạo đơn vị có cơ sở theo dõi tiến độ tốt hơn. Tuy nhiên, báo cáo tự động cần có bước duyệt của con người, đặc biệt với các nội dung liên quan đến số liệu chính thức, kết luận chuyên môn hoặc thông tin chưa công khai.

Tình huống ứng dụng 3: trợ lý tra cứu văn bản và soạn thảo dự thảo trả lời

Một trợ lý AI trong hành chính công thường được kỳ vọng hỗ trợ tra cứu quy định, giải thích quy trình và soạn dự thảo văn bản. Đây là nhóm tác vụ phù hợp với Hermes nếu kho tri thức được chuẩn hóa và có quy tắc trích dẫn rõ ràng. Agent có thể đọc văn bản, tóm tắt điều khoản, đề xuất căn cứ, phát hiện điểm chưa rõ và tạo bản dự thảo theo mẫu. OpenClaw hỗ trợ phần giao tiếp: nhận câu hỏi từ cán bộ, chuyển đến agent chuyên môn, trả lại kết quả và lưu lịch sử yêu cầu.

Điểm cần nhấn mạnh là AI agent không nên tự “sáng tạo” căn cứ pháp lý. Trong thiết kế hệ thống, Hermes cần được giới hạn vào kho tài liệu đã xác thực, có phiên bản, có ngày hiệu lực và có cơ chế cảnh báo khi nguồn không đủ căn cứ. Nếu không tìm thấy nguồn phù hợp, agent phải trả lời rằng dữ liệu chưa đủ, thay vì suy đoán. Đây là nguyên tắc đặc biệt quan trọng vì sai sót trong văn bản hành chính có thể gây hệ quả pháp lý hoặc làm giảm niềm tin của người dân.

Với cách triển khai đúng, agent có thể trở thành “trợ lý chuẩn bị hồ sơ tri thức”: tổng hợp căn cứ, đề xuất cấu trúc trả lời, kiểm tra thiếu sót, gợi ý ngôn ngữ dễ hiểu hơn và giúp cán bộ tiết kiệm thời gian. Nhưng phê duyệt cuối cùng, ký ban hành và chịu trách nhiệm nội dung vẫn thuộc về con người. Đây là ranh giới cần được quy định rõ trong quy chế vận hành AI nội bộ.

Bảo mật và quản trị rủi ro: điều kiện tiên quyết, không phải phần bổ sung

Cả Hermes và OpenClaw đều thuộc nhóm agent có khả năng thao tác với môi trường thật. Điều này tạo giá trị lớn, nhưng cũng mở rộng bề mặt tấn công. VentureBeat cảnh báo rằng các tệp kỹ năng, MCP connector, rule file hoặc chỉ dẫn tự nhiên có thể trở thành một lớp rủi ro chuỗi cung ứng mới, vì agent có thể tin và thực thi các chỉ dẫn này như một phần quy trình làm việc [9]. Novita AI cũng nhấn mạnh các agent có thể kế thừa quyền truy cập vào file cục bộ, khóa API, cấu hình cloud và phiên trình duyệt, do đó cần lớp sandbox hoặc microVM để cô lập tác vụ [10].

Trong hành chính công, yêu cầu bảo mật cần được đặt ngay từ thiết kế ban đầu. Agent không nên chạy bằng tài khoản cá nhân của cán bộ, không nên có quyền toàn hệ thống và không nên được truy cập trực tiếp vào dữ liệu nhạy cảm nếu chưa có cơ chế phân quyền, ẩn danh hoặc phê duyệt. Mọi thao tác đọc, ghi, gửi, xóa, cập nhật hoặc gọi API cần được ghi log. Các hành động nhạy cảm phải có bước xác nhận của người có trách nhiệm.

Một bộ nguyên tắc tối thiểu khi triển khai Hermes và OpenClaw trong hành chính công có thể gồm:

1. Chạy agent trong Docker, sandbox hoặc môi trường cô lập, không chạy trực tiếp trên máy chứa dữ liệu quan trọng.
2. Dùng tài khoản dịch vụ riêng, phân quyền tối thiểu, giới hạn thư mục và hệ thống được truy cập.
3. Kiểm duyệt mọi skill, connector, MCP server và file cấu hình trước khi đưa vào vận hành.
4. Bật cơ chế redaction, approval prompt, allowlist kênh giao tiếp và giới hạn người dùng được phép gọi agent.
5. Ghi log đầy đủ, định kỳ kiểm tra log và có quy trình dừng khẩn cấp khi agent hành xử bất thường.
6. Chỉ cho phép agent đề xuất hoặc chuẩn bị dự thảo với nghiệp vụ nhạy cảm; không để agent tự quyết định thay con người.

Những nguyên tắc này không làm giảm sức mạnh của AI agent, mà giúp sức mạnh đó trở nên đáng tin cậy. Đặc biệt trong hành chính công, niềm tin hệ thống không chỉ đến từ khả năng tự động hóa, mà còn đến từ tính minh bạch, khả năng giải thích và trách nhiệm giải trình.

Lộ trình triển khai khuyến nghị cho cơ quan, đơn vị

Một lỗi phổ biến khi triển khai AI là bắt đầu bằng kỳ vọng quá lớn: muốn agent xử lý toàn bộ quy trình ngay từ đầu. Với Hermes và OpenClaw, cách tiếp cận an toàn hơn là triển khai theo từng lớp, từng nhóm việc và từng mức quyền. Giai đoạn đầu nên chọn các tác vụ ít rủi ro nhưng có giá trị rõ: tra cứu văn bản nội bộ, tóm tắt tài liệu, nhắc hạn công việc, tổng hợp báo cáo thử nghiệm hoặc tạo checklist hồ sơ.

Giai đoạn thứ hai có thể xây dựng các agent chuyên trách. Mỗi agent chỉ xử lý một nhóm nhiệm vụ, có kho tri thức riêng, prompt riêng, quyền riêng và log riêng. Hermes phù hợp ở giai đoạn này vì có thể tạo kỹ năng từ kinh nghiệm và cải thiện quy trình lặp lại. OpenClaw được dùng để tiếp nhận yêu cầu, điều phối agent và gửi kết quả về đúng người. Nếu có nhu cầu triển khai nhanh nhưng vẫn cần thiết kế bài bản, các đơn vị có thể liên hệ TS. Nguyễn Trung Hòa và AIHanhChinhCong.vn để được tư vấn xây dựng kịch bản ứng dụng AI agent phù hợp với quy trình, dữ liệu và năng lực vận hành thực tế.

Giai đoạn thứ ba mới nên tích hợp sâu hơn với hệ thống nghiệp vụ. Ở bước này, cần có đánh giá bảo mật, phân loại dữ liệu, quy chế vận hành, quy trình phê duyệt, đào tạo người dùng và bộ chỉ số đo hiệu quả. Các chỉ số có thể gồm thời gian xử lý tác vụ, tỷ lệ hồ sơ được kiểm tra sơ bộ, số lỗi biểu mẫu phát hiện sớm, thời gian tổng hợp báo cáo, mức độ hài lòng của cán bộ sử dụng và tỷ lệ tác vụ cần con người can thiệp.

Hermes và OpenClaw đại diện cho hai hướng phát triển quan trọng của AI agent mã nguồn mở. Hermes nổi bật ở khả năng ghi nhớ, tự tạo kỹ năng, cải thiện quy trình, quản lý mục tiêu dài hơi và hỗ trợ multi-agent Kanban. OpenClaw nổi bật ở vai trò gateway, đưa AI vào kênh giao tiếp quen thuộc, định tuyến yêu cầu và điều phối agent trong môi trường làm việc hằng ngày. Trong hành chính công, cách tiếp cận hiệu quả không phải là chọn một công cụ để thay thế tất cả, mà là thiết kế kiến trúc phối hợp: OpenClaw làm lớp giao tiếp – điều phối; Hermes làm lớp xử lý chuyên sâu – học hỏi – tự động hóa.

Dù lựa chọn mô hình nào, nguyên tắc cốt lõi vẫn là kiểm soát. AI agent chỉ nên được trao quyền trong phạm vi rõ ràng, có phê duyệt, có nhật ký, có sandbox và có con người chịu trách nhiệm cuối cùng. Nếu được triển khai đúng, Hermes và OpenClaw có thể trở thành nền tảng hỗ trợ đổi mới hành chính công: giảm việc lặp lại, nâng cao năng lực phục vụ, chuẩn hóa quy trình và tạo ra một môi trường làm việc thông minh hơn, nhưng vẫn an toàn và có trách nhiệm.

TS. Nguyễn Trung Hòa

Tài liệu tham khảo

[1] Nous Research. (2026). Hermes Agent Documentation. Hermes Agent. https://hermes-agent.nousresearch.com/docs/

[2] Nous Research. (2026, May 7). Hermes Agent v0.13.0 Release Notes. GitHub. https://github.com/NousResearch/hermes-agent/blob/main/RELEASE_v0.13.0.md

[3] Nous Research. (2026). Hermes Agent README. GitHub. https://github.com/NousResearch/hermes-agent/blob/main/README.md

[4] Lushbinary Team. (2026, April 7). Hermes Agent Developer Guide: Setup, Architecture, Skills & Self-Improving AI. Lushbinary. https://lushbinary.com/blog/hermes-agent-developer-guide-setup-skills-self-improving-ai/

[5] Horsey, J. (2026, April 16). How to Set Up Hermes Agent: The AI That Actually Learns from You. Geeky Gadgets. https://www.geeky-gadgets.com/how-to-setup-hermes-agent/

[6] Horsey, J. (2026, May 8). Hermes vs OpenClaw: Choosing the Most Reliable AI Agent. Geeky Gadgets. https://www.geeky-gadgets.com/hermes-vs-openclaw-ai/

[7] Horsey, J. (2026, April 30). How to Set Up a Multi-Agent AI Team With OpenClaw and Hermes. Geeky Gadgets. https://www.geeky-gadgets.com/openclaw-hermes-multi-agent-setup/

[8] Atelier, S. (2026, April 14). Hermes Agent vs OpenClaw in 2026: Deep Analysis of Runtime, Memory, and Agent Design. Kanaries Docs. https://docs.kanaries.net/articles/hermes-agent-vs-openclaw

[9] Columbus, L. (2026, May 5). One command turns any open-source repo into an AI agent backdoor. VentureBeat. https://venturebeat.com/security/one-command-open-source-repo-ai-agent-backdoor-openclaw-supply-chain-scanner

[10] Novita AI. (2026, April 28). Novita AI Launches Sandbox to Secure OpenClaw, Hermes Agent, and Autonomous Systems. TMCnet. https://www.tmcnet.com/usubmit/2026/04/28/10372939.htm

[11] MUO. (2026, February 26). I finally caught up and tried OpenClaw — it’s everything you’d expect. MakeUseOf. https://www.makeuseof.com/openclaw-introduction-and-review/