Anatomy of a CLAW -- OpenClaw, XpressClaw, NanoClaw, Pi Agent, Hermes

Anatomy of a CLAW -- OpenClaw, XpressClaw, NanoClaw, Pi Agent, Hermes

par Eduardo Gonzalez

Sciences appliquées & ingénierie IA — Actualité & Applications UYInformatiqueUYQIntelligence artificielle (IA)
🎙 Eduardo Gonzalez 👥 11K 📅 10 avril 2026 ⏱ 32 min 👁 553 📄 revue d'actualité 🧭 2026-08-16
Disponible en : Français (actuel) English

Mots-clés

agent harnessmémoireoutilssécuritéopen source

Résumé

Dans cette présentation, Eduardo Gonzalez, cofondateur de Xpress AI, analyse les systèmes d’agents de type ‘claw’ tels qu’OpenClaw, XpressClaw, NanoClaw, Pi Agent et Hermes. Il commence par contextualiser l’émergence d’OpenClaw, en soulignant l’importance du concept de ‘harness’ (harnais) qui orchestre un LLM avec des outils et une mémoire. Il détaille les composants clés d’un tel système : les passerelles (gateways) pour interagir via différents canaux, la mémoire basée sur des fichiers Markdown, la proactivité via des ‘heartbeats’ et des ‘crons’, la boucle d’agent (planification, exécution, observation), et les outils qui étendent les capacités. Il insiste sur l’importance de l’observabilité et de la sécurité, notamment contre les injections de prompts. Il présente ensuite XpressClaw, son projet open source, qui se distingue par une interface de chat intégrée, une isolation par Docker, un contrôle budgétaire et des workflows multi-agents. Il compare les différentes implémentations : OpenClaw avec sa mémoire Markdown, Pi Agent minimaliste et orienté code, NanoClaw très léger avec isolation, et Hermes qui se concentre sur l’auto-amélioration. Enfin, il propose une liste de neuf points à considérer pour concevoir son propre système ‘claw’, allant du choix des canaux à la gestion de la mémoire et des outils.

196 mots

Évaluation critique

Valeur des informations & solidité de l’argumentation

La valeur des informations est élevée pour un public technique : l’orateur partage son expérience de terrain et compare des systèmes récents. L’argumentation est structurée et logique, s’appuyant sur des exemples concrets et des analogies pertinentes. Il justifie ses choix de conception pour XpressClaw (sécurité, budget, interface) et critique ouvertement les faiblesses d’OpenClaw (manque de sécurité). La démonstration est convaincante, bien que certaines affirmations (comme la supériorité de certaines architectures) restent subjectives et non étayées par des benchmarks.

Rigueur scientifique, qualité des sources, adéquation du titre

La rigueur scientifique est moyenne : l’orateur cite des projets open source et des concepts techniques, mais sans références formelles. Les sources mentionnées dans la description sont principalement des liens d’affiliation et des communautés, sans lien direct avec les travaux cités. Le titre est adéquat et reflète bien le contenu. L’absence de sources vérifiables et le ton parfois promotionnel pour XpressClaw réduisent la rigueur globale.

158 mots

Adéquation titre / contenu

Le titre est fidèle au contenu : l'orateur dissèque l'anatomie des systèmes de type 'claw' en comparant plusieurs implémentations.

Qualité & fiabilité

7/10

Exposé technique d'un praticien expérimenté, avec retours d'expérience concrets et comparaison de systèmes open source. Les affirmations sont cohérentes avec les connaissances générales sur les agents IA, mais certaines comparaisons et détails techniques ne sont pas sourcés.

Moments clés

Repères établis par PSI à partir de la transcription : le créateur n'a pas défini de chapitres.

Sources citées

  • Luma AI Communities — Lien vers la communauté Luma pour les événements AI.
  • MLT AI Communities Substack — Lien vers la newsletter de la communauté MLT AI.
  • Eleven Labs Voice AI Platform — Lien affilié vers une plateforme de voix AI.
  • Gamma App — Lien affilié vers un outil de création de présentations.
  • v0 App — Lien affilié vers un outil de développement.

Sources concordantes

  • OpenClaw GitHub — Dépôt officiel d'OpenClaw, mentionné dans la vidéo.
  • NanoClaw GitHub — Dépôt officiel de NanoClaw, mentionné dans la vidéo.
  • Pi Agent GitHub — Dépôt officiel de Pi Agent, mentionné dans la vidéo.
  • Hermes Agent GitHub — Dépôt officiel de Hermes, mentionné dans la vidéo.

Sources discordantes

  • Aucune source discordante identifiée — Aucune source contradictoire n'a été trouvée dans la vidéo.

Apport & nouveautés

L’apport original de cette vidéo est de fournir une analyse comparative détaillée des systèmes d’agents de type ‘claw’, en mettant l’accent sur les choix d’architecture et de sécurité. L’orateur partage son expérience de développement de XpressClaw, offrant un retour d’expérience précieux sur les défis pratiques. Il propose une liste de neuf points essentiels pour concevoir son propre système, ce qui constitue un guide utile pour les développeurs.

Pour aller plus loin :

  • Agentic harness — Concept central de la vidéo, le harnais agentique.
  • ReAct pattern — Paradigme de raisonnement et d’action utilisé dans les agents.
  • Model Context Protocol (MCP) — Protocole standard pour connecter des outils aux LLM, mentionné indirectement.
  • Claude Code — Outil d’Anthropic sur lequel OpenClaw est basé.
  • Docker — Technologie d’isolation utilisée par XpressClaw.

127 mots

Profil radar

Le profil radar montre des scores élevés en quantité d'information et en niveau technique, reflétant une présentation dense et spécialisée. La qualité de l'information et la fiabilité globale sont légèrement inférieures, en raison du manque de sources formelles et du caractère subjectif de certaines comparaisons.

Fiabilité 7/10