Hermes Agent : définition et apprentissage (2026)

Hermes Agent est l'agent IA autonome open source et auto-améliorant de Nous Research. Il fonctionne en permanence sur un serveur, se connecte à Telegram, Slack, Discord, WhatsApp, Signal et CLI via une seule passerelle, et construit sa propre bibliothèque de compétences à partir des tâches accomplies. Le projet a été lancé en février 2026 et a atteint 24 600+ étoiles sur GitHub en huit semaines. Ce nombre d'étoiles reflète la visibilité et l'intérêt de la communauté ; l'aptitude à la production requiert une évaluation séparée. Il est agnostique au modèle, gratuit, et se distingue de la plupart des autres agents sur un point précis : une boucle d'apprentissage fermée qui le rend plus capable à mesure qu'on l'utilise.

• Qui l'a créé ? Nous Research, l'équipe derrière la famille de modèles Hermes (Hermes-3, basé sur Llama 3.1).
• Est-il open source ? Oui, entièrement open source sur GitHub.
• Qu'est-ce qui le différencie ? Une boucle d'apprentissage fermée. Il crée des Skill Documents à partir des tâches accomplies et les récupère automatiquement lorsque des problèmes similaires se présentent.
• Quelles plateformes prend-il en charge ? Telegram, Slack, Discord, WhatsApp, Signal, Matrix, iMessage (via BlueBubbles), WeChat et CLI via une seule passerelle.
• Avec quels modèles fonctionne-t-il ? Il est agnostique au modèle. Nous Portal, OpenRouter (200+ modèles), OpenAI, Anthropic ou tout point de terminaison personnalisé.
• Quelle est la version actuelle ? Version 0.9.0 ("Everywhere"), publiée en avril 2026. Ajoute les profils pour les équipes multi-agents isolées. Pour le déploiement en production, consultez le guide de la couche opérateur à 30 jours.

La plupart des outils IA de développement partagent la même limitation fondamentale : ils oublient tout à la fin de la session. Nous Research a conçu Hermes Agent précisément pour résoudre ce problème. Il est structurellement différent d'un chatbot avec une fonction mémoire configurable. C'est un agent persistant côté serveur avec un slogan qu'il faut prendre au sérieux : "the agent that grows with you."

Ce qu'est vraiment Hermes Agent

Hermes Agent est un agent IA autonome gratuit et open source développé par Nous Research, l'équipe derrière la famille de modèles Hermes. Il fonctionne en permanence sur un serveur plutôt que dans un IDE ou un onglet de navigateur. Chaque tâche accomplie peut contribuer à une bibliothèque de compétences croissante sur laquelle l'agent s'appuie lors des sessions futures. L'effet pratique est un agent qui démarre performant et devient progressivement plus adapté aux flux de travail et à l'environnement spécifiques de l'utilisateur.

Le projet est construit sur la famille de modèles Hermes (Hermes-3, basé sur Llama 3.1) et entraîné avec le renforcement Atropos pour une précision élevée dans l'appel d'outils. Il est également agnostique au modèle : vous pouvez le diriger vers Nous Portal, OpenRouter (qui donne accès à 200+ modèles), OpenAI, Anthropic ou un point de terminaison personnalisé. L'architecture est conçue de sorte que la logique centrale de l'agent ne se soucie pas du modèle qui fonctionne en dessous.

L'architecture mémorielle

La mémoire est l'endroit où Hermes Agent diverge le plus clairement des agents conventionnels. Il opère sur trois niveaux distincts, et les comprendre explique pourquoi la prétention à l'auto-amélioration est crédible plutôt que du marketing.

Contexte à court terme

Mémoire contextuelle standard pour la tâche en cours. Rien d'inhabituel ici, mais cela alimente ce qui vient ensuite.

Skill Documents

C'est le cœur de la boucle d'apprentissage. Hermes Agent crée des Skill Documents à partir des tâches accomplies : des fichiers Markdown consultables qui suivent le standard agentskills.io. Face à un nouveau problème, l'agent parcourt sa bibliothèque de compétences via la recherche plein texte (FTS5) et récupère les procédures pertinentes tirées de l'expérience passée. Les compétences évoluent également à l'usage. L'agent les améliore en cours d'utilisation et se pousse à persister les nouvelles connaissances après chaque session. Il est l'un des rares agents open source majeurs à disposer d'une mémoire procédurale intégrée de ce type.

Modélisation utilisateur via Honcho

Hermes Agent intègre Honcho pour la modélisation utilisateur, ce qui signifie qu'il construit une représentation de vos préférences, votre style de travail et votre contexte qui persiste entre les sessions. Combiné à la recherche FTS5 sur les conversations passées, il peut faire remonter l'historique pertinent sans vous demander de réexpliquer un contexte déjà fourni.

La boucle d'apprentissage fermée

La boucle d'apprentissage est ce qui distingue Hermes Agent des outils qui ont simplement une mémoire persistante. La plupart des agents se souviennent de ce qu'on leur a dit. Hermes Agent apprend de ce qu'il a fait. La séquence se déroule ainsi :

Nous Research décrit cela comme un agent avec une boucle d'apprentissage intégrée, une fonctionnalité encore rare dans les frameworks d'agents en production. En examinant l'architecture, l'affirmation est fondée. Le mécanisme de nudge, où l'agent se pousse activement à persister les connaissances plutôt que d'attendre une instruction explicite, est particulièrement bien conçu. L'accumulation de compétences se produit ainsi automatiquement, sans curation manuelle.

Messagerie multiplateforme depuis une seule passerelle

Hermes Agent se connecte à Telegram, Discord, Slack, WhatsApp, Signal et CLI via un seul processus passerelle. Aucune intégration séparée à configurer pour chaque plateforme. La passerelle achemine les messages vers le runtime de l'agent quelle que soit leur origine : le même agent persistant avec la même bibliothèque de compétences répond, que vous le contactiez via Slack au bureau ou Telegram sur votre téléphone.

Cela compte plus qu'il n'y paraît. Le principal obstacle à l'adoption des agents IA dans les équipes est généralement que l'agent vit séparément des endroits où le travail se passe réellement. Un agent qui rejoint les personnes dans leurs canaux de communication existants supprime entièrement ce frein.

Backends d'exécution

Hermes Agent prend en charge six backends d'exécution, ce qui lui confère une flexibilité de déploiement inhabituelle pour un projet open source :

• Local : fonctionne directement sur votre machine
• Docker : exécution conteneurisée pour l'isolation
• SSH : exécution distante sur n'importe quel serveur accessible
• Daytona : environnements de développement gérés
• Singularity : clusters de calcul HPC et de recherche
• Modal : exécution cloud sans serveur

Le backend Singularity mérite d'être mis en avant. Il rend Hermes Agent pratique pour les environnements de calcul académiques et scientifiques où Docker est souvent indisponible. Combiné aux outils de recherche décrits ci-dessous, cela le positionne comme un outil réel pour les équipes de recherche, pas seulement pour les développeurs de logiciels.

40+ outils intégrés et intégration MCP

Dès l'installation, Hermes Agent est livré avec plus de 40 outils intégrés couvrant les opérations sur fichiers, l'exécution shell, la navigation web, les appels API et bien plus. Il prend également en charge le Model Context Protocol (MCP), ce qui signifie qu'on peut l'étendre avec n'importe quel serveur d'outils compatible MCP. La planification cron en langage naturel permet de définir des tâches récurrentes en anglais courant plutôt qu'en syntaxe cron, ce qui réduit considérablement la charge de configuration pour les utilisateurs non techniques.

Outils de recherche : trajectoires par lots et fine-tuning

Nous Research a conçu Hermes Agent en gardant à l'esprit ses propres besoins de recherche, et les outils de recherche le reflètent. L'agent prend en charge la génération de trajectoires par lots pour collecter le comportement de l'agent à grande échelle, l'intégration native Atropos RL pour l'apprentissage par renforcement à partir de l'expérience de l'agent, et l'export ShareGPT pour convertir les conversations de l'agent en jeux de données de fine-tuning.

C'est un détail significatif. La plupart des frameworks d'agents open source traitent la collecte de données d'entraînement comme une réflexion après coup. Hermes Agent en fait une fonctionnalité de première classe. Pour affiner un modèle sur un domaine spécifique, l'infrastructure de génération et d'export de données d'entraînement est déjà intégrée.

Le lien avec AutoResearch

Hermes Agent se situe dans le même espace conceptuel qu'AutoResearch : les deux représentent le passage vers des systèmes IA qui s'améliorent eux-mêmes plutôt que de rester des outils statiques. Auto-améliorant au sens où il apprend des résultats au sein de son graphe de compétences ; pas autonome au sens de l'AGI. AutoResearch se concentre sur l'enquête scientifique autonome, en itérant à travers la génération d'hypothèses et la validation expérimentale. Hermes Agent se concentre sur l'accumulation de compétences procédurales, apprenant à accomplir des tâches plus efficacement au fil du temps.

Le fil conducteur est qu'aucun des deux systèmes n'est conçu comme un outil fixe que l'on configure une fois pour toutes. Les deux sont conçus pour prendre de la valeur à mesure qu'ils fonctionnent. Cela change la planification du déploiement : les équipes doivent réfléchir à la mémoire, à l'évaluation, à la propriété, et à la façon dont les procédures apprises transitent en production de manière sécurisée.

Cas d'usage professionnels

L'argument de la valeur composée

Les outils logiciels traditionnels offrent à peu près la même valeur au premier jour qu'au centième. Un agent avec une boucle d'apprentissage est différent. La bibliothèque de compétences qu'il construit à partir de vos flux de travail spécifiques, votre base de code, vos processus internes, devient un atout concurrentiel. Un déploiement Hermes Agent bien géré après six mois d'utilisation sera nettement plus efficace sur vos tâches particulières qu'au démarrage, car il aura accumulé des procédures spécifiques au domaine qu'aucun outil standard ne peut reproduire.

L'engagement en infrastructure

Les agents persistants côté serveur nécessitent une infrastructure que les outils basés sur des sessions n'exigent pas. Il faut du calcul qui fonctionne en continu, du stockage pour les Skill Documents et l'historique des conversations, une surveillance pour un système autonome qui exécute du code et appelle des API, et une posture de sécurité adaptée à un agent disposant d'un accès étendu aux outils. Le modèle open source signifie aucun coût de licence, mais la charge opérationnelle est réelle. Les équipes évaluant Hermes Agent devraient intégrer le temps d'ingénierie nécessaire pour le faire fonctionner de manière fiable.

La flexibilité de modèle comme couverture de risque

L'architecture agnostique au modèle est un avantage pratique au-delà de la flexibilité évidente. Les performances et les prix des modèles IA évoluent rapidement. Un framework d'agent qui vous lie à un seul fournisseur vous expose aux décisions tarifaires et aux dépréciations de modèles de ce fournisseur. La prise en charge par Hermes Agent d'OpenRouter, OpenAI, Anthropic et des points de terminaison personnalisés permet de changer le modèle sous-jacent sans reconstruire la configuration de l'agent ni perdre la bibliothèque de compétences accumulée.

Pour commencer

Le dépôt GitHub Hermes Agent et la documentation officielle sont les bons points de départ. Le projet est actif, Nous Research itère rapidement. Pour une évaluation en vue d'un déploiement en production, mieux vaut consulter les notes de version actuelles plutôt que de se fier à une documentation qui peut prendre du retard sur les changements récents.

La prise en charge de la messagerie multiplateforme facilite un premier essai : connectez-le à un canal Slack ou un bot Telegram, donnez-lui un petit ensemble de tâches récurrentes et observez comment la bibliothèque de compétences se développe sur deux à trois semaines. C'est une façon moins engageante de valider la prétention à la boucle d'apprentissage qu'un déploiement complet en production.

webvise aide les entreprises à évaluer et mettre en œuvre des architectures d'agents IA, de l'évaluation initiale de faisabilité jusqu'au déploiement en production. Pour explorer des agents auto-améliorants comme Hermes Agent ou comprendre comment l'IA autonome s'intègre à vos flux de travail spécifiques, prenez contact et webvise trouvera l'approche adaptée à vos exigences et à votre infrastructure.