Hermes Agent: cos'è e come impara (2026)

Hermes Agent è l'agente AI autonomo e auto-migliorante open source di Nous Research. Gira in modo persistente su un server, si connette a Telegram, Slack, Discord, WhatsApp, Signal e CLI tramite un unico gateway, e costruisce una propria libreria di competenze a partire dai compiti completati. Il progetto è stato lanciato a febbraio 2026 e ha raggiunto 24.600+ stelle GitHub in otto settimane. Il numero di stelle riflette visibilità e interesse della community; l'idoneità alla produzione richiede una valutazione separata. È agnostico rispetto al modello, gratuito e si distingue dalla maggior parte degli altri agenti per un motivo preciso: un ciclo di apprendimento chiuso che lo rende progressivamente più capace con l'uso.

• Chi lo ha creato? Nous Research, il team dietro la famiglia di modelli Hermes (Hermes-3, basato su Llama 3.1).
• È open source? Sì, completamente open source su GitHub.
• Cosa lo rende diverso? Un ciclo di apprendimento chiuso. Crea Skill Documents dai compiti completati e li recupera automaticamente quando compaiono problemi simili.
• Quali piattaforme supporta? Telegram, Slack, Discord, WhatsApp, Signal, Matrix, iMessage (via BlueBubbles), WeChat e CLI attraverso un unico gateway.
• Con quali modelli funziona? È agnostico rispetto al modello. Nous Portal, OpenRouter (200+ modelli), OpenAI, Anthropic o qualsiasi endpoint personalizzato.
• Qual è la versione attuale? Version 0.9.0 ("Everywhere"), rilasciata ad aprile 2026. Aggiunge profili per team multi-agente isolati. Per il deployment in produzione, vedere la guida all'operator layer al giorno 30.

La maggior parte degli strumenti AI per il coding condivide la stessa limitazione fondamentale: dimenticano tutto al termine della sessione. Nous Research ha costruito Hermes Agent per risolvere esattamente questo problema. È strutturalmente diverso da un chatbot con una funzionalità di memoria configurabile: si tratta di un agente persistente lato server con uno slogan che merita di essere preso sul serio: "the agent that grows with you".

Cosa è davvero Hermes Agent

Hermes Agent è un agente AI autonomo gratuito e open source realizzato da Nous Research, il team dietro la famiglia di modelli Hermes. Gira in modo persistente su un server, non all'interno di un IDE o di una scheda del browser. Ogni compito completato può contribuire a una libreria di competenze in crescita, dalla quale attinge nelle sessioni future. L'effetto pratico è un agente che parte già capace e diventa progressivamente più adattato ai flussi di lavoro e all'ambiente specifico dell'utilizzatore nel tempo.

Il progetto si basa sulla famiglia di modelli Hermes (Hermes-3, basato su Llama 3.1) e addestrato con il reinforcement learning Atropos per un'alta precisione nelle chiamate agli strumenti. È anche agnostico rispetto al modello: è possibile puntarlo su Nous Portal, OpenRouter (che dà accesso a 200+ modelli), OpenAI, Anthropic o un endpoint personalizzato. L'architettura è progettata in modo che la logica centrale dell'agente non dipenda dal modello sottostante.

L'architettura della memoria

La memoria è il punto in cui Hermes Agent si distingue più nettamente dagli agenti convenzionali. Opera su tre livelli distinti, e comprenderli spiega perché l'affermazione di auto-miglioramento è credibile e non semplice linguaggio di marketing.

Contesto a breve termine

Memoria in-context standard per il compito corrente. Nulla di insolito, ma alimenta ciò che segue.

Skill Documents

Questo è il nucleo del ciclo di apprendimento. Hermes Agent crea Skill Documents dai compiti completati: file Markdown ricercabili che seguono lo standard agentskills.io. Di fronte a un nuovo problema, l'agente cerca nella propria libreria di competenze tramite ricerca full-text (FTS5) e recupera le procedure rilevanti costruite dall'esperienza precedente. Le competenze si evolvono anche durante l'uso: vengono perfezionate nel corso dell'utilizzo e l'agente si spinge a persistere le nuove conoscenze dopo ogni sessione. È uno dei pochi agenti open source di rilievo con memoria procedurale integrata di questo tipo.

Modellazione utente tramite Honcho

Hermes Agent integra Honcho per la modellazione dell'utente, costruendo una rappresentazione delle preferenze, dello stile di lavoro e del contesto che persiste tra le sessioni. Combinato con la ricerca FTS5 sulle conversazioni passate, può portare alla luce la cronologia rilevante senza richiedere di rispiegare il contesto già fornito.

Il ciclo di apprendimento chiuso

Il ciclo di apprendimento è ciò che separa Hermes Agent dagli strumenti che semplicemente hanno memoria persistente. La maggior parte degli agenti ricorda ciò che gli è stato detto. Hermes Agent impara da ciò che ha fatto. La sequenza è la seguente:

Nous Research descrive questo come un agente con un ciclo di apprendimento integrato, una caratteristica ancora rara nei framework di agenti in produzione. Esaminando l'architettura, l'affermazione è fondata. Il meccanismo di nudge, in cui l'agente si spinge attivamente a persistere la conoscenza invece di aspettare un'istruzione esplicita, è particolarmente ben progettato: l'accumulo di competenze avviene automaticamente, senza richiedere una curazione manuale.

Messaggistica multi-piattaforma da un unico gateway

Hermes Agent si connette a Telegram, Discord, Slack, WhatsApp, Signal e CLI tramite un unico processo gateway. Non occorre configurare integrazioni separate per ogni piattaforma. Il gateway instrada i messaggi al runtime dell'agente indipendentemente dall'origine: lo stesso agente persistente con la stessa libreria di competenze risponde sia da Slack alla scrivania che da Telegram sullo smartphone.

Questo conta più di quanto possa sembrare. Il principale ostacolo all'adozione degli agenti AI nei team è quasi sempre che l'agente vive in un posto separato rispetto a dove si svolge il lavoro. Un agente che raggiunge le persone nei loro canali di comunicazione esistenti elimina completamente questo attrito.

Backend di esecuzione

Hermes Agent supporta sei backend di esecuzione, offrendo una flessibilità di deployment insolitamente ampia per un progetto open source:

• Local: gira direttamente sulla propria macchina
• Docker: esecuzione containerizzata per l'isolamento
• SSH: esecuzione remota su qualsiasi server accessibile
• Daytona: ambienti di sviluppo gestiti
• Singularity: cluster di calcolo HPC e di ricerca
• Modal: esecuzione cloud serverless

Il backend Singularity merita una menzione specifica. Rende Hermes Agent praticabile negli ambienti di calcolo accademici e scientifici dove Docker non è spesso disponibile. Combinato con gli strumenti di ricerca descritti di seguito, lo posiziona come strumento concreto per i team di ricerca, non solo per gli sviluppatori software.

40+ strumenti integrati e integrazione MCP

Hermes Agent viene fornito con oltre 40 strumenti integrati che coprono operazioni su file, esecuzione di shell, navigazione web, chiamate API e molto altro. Supporta anche il Model Context Protocol (MCP), il che significa che è possibile estenderlo con qualsiasi server di strumenti compatibile MCP. La pianificazione cron in linguaggio naturale consente di definire attività ricorrenti in forma discorsiva anziché con la sintassi cron, riducendo sensibilmente il carico di configurazione per gli utenti non tecnici.

Strumenti di ricerca: Batch Trajectories e fine-tuning

Nous Research ha costruito Hermes Agent tenendo presenti le proprie esigenze di ricerca, e gli strumenti di ricerca lo riflettono. L'agente supporta la generazione di batch trajectory per raccogliere comportamenti dell'agente su larga scala, l'integrazione Atropos RL nativa per il reinforcement learning dall'esperienza dell'agente, e l'esportazione ShareGPT per convertire le conversazioni dell'agente in dataset di fine-tuning.

Si tratta di un dettaglio significativo. La maggior parte dei framework di agenti open source tratta la raccolta di dati di addestramento come un ripensamento. Hermes Agent ne fa invece una funzionalità di primo livello. Per chi vuole eseguire il fine-tuning di un modello sul proprio dominio specifico, l'infrastruttura per generare ed esportare i dati di addestramento è già integrata.

La connessione con AutoResearch

Hermes Agent si colloca nello stesso spazio concettuale di AutoResearch: entrambi rappresentano il passaggio verso sistemi AI che migliorano se stessi invece di rimanere strumenti statici. Auto-migliorante nel senso che apprende dai risultati all'interno del proprio skill graph; non autonomo nel senso AGI del termine. AutoResearch si concentra sull'indagine scientifica autonoma, iterando attraverso la generazione di ipotesi e la validazione sperimentale. Hermes Agent si concentra sull'accumulo di competenze procedurali, imparando a svolgere i compiti in modo più efficace nel tempo.

Il filo comune è che nessuno dei due sistemi è progettato per essere uno strumento fisso da configurare una sola volta. Entrambi sono progettati per aumentare il proprio valore nel tempo. Questo cambia la pianificazione del deployment: i team devono ragionare sulla memoria, sulla valutazione, sulla proprietà e su come le procedure apprese passano in produzione in modo sicuro.

Casi d'uso aziendali

Il caso del valore composto

Gli strumenti software tradizionali offrono più o meno lo stesso valore al giorno uno e al giorno cento. Un agente con un ciclo di apprendimento è diverso. La libreria di competenze costruita sui flussi di lavoro specifici dell'organizzazione, sulla codebase, sui processi interni, diventa un asset competitivo. Un deployment di Hermes Agent ben gestito dopo sei mesi di utilizzo sarà sostanzialmente più efficace nei compiti specifici rispetto all'inizio, perché avrà accumulato procedure di dominio che nessuno strumento standard può replicare.

L'impegno infrastrutturale

Gli agenti persistenti lato server richiedono un'infrastruttura che gli strumenti basati su sessioni non richiedono. Servono risorse di calcolo che girino continuamente, storage per i documenti di competenza e la cronologia delle conversazioni, monitoraggio per un sistema autonomo che esegue codice e chiama API, e una postura di sicurezza adeguata per un agente con accesso ampio agli strumenti. Il modello open source elimina i costi di licenza, ma il carico operativo è reale. I team che valutano Hermes Agent devono tenere conto del tempo di ingegneria necessario per farlo girare in modo affidabile.

La flessibilità del modello come copertura del rischio

L'architettura agnostica rispetto al modello è un vantaggio pratico che va oltre la flessibilità ovvia. Le prestazioni e i prezzi dei modelli AI stanno cambiando rapidamente. Un framework di agenti che vincola a un singolo provider espone alle decisioni di pricing e alle deprecazioni dei modelli di quel provider. Il supporto di Hermes Agent per OpenRouter, OpenAI, Anthropic e endpoint personalizzati consente di cambiare il modello sottostante senza ricostruire la configurazione dell'agente né perdere la libreria di competenze accumulata.

Come iniziare

Il repository GitHub di Hermes Agent e la documentazione ufficiale sono i punti di partenza giusti. Il progetto è attivo, con Nous Research che itera rapidamente. Per chi lo valuta per un deployment in produzione, vale la pena controllare le note di rilascio correnti piuttosto che fare affidamento su documentazione che potrebbe essere in ritardo rispetto alle ultime modifiche.

Il supporto alla messaggistica multi-piattaforma rende semplice una prova iniziale: collegarlo a un canale Slack o a un bot Telegram, assegnargli un piccolo set di attività ricorrenti e osservare come si sviluppa la libreria di competenze nell'arco di due o tre settimane. È un modo a basso impegno per validare l'affermazione sul ciclo di apprendimento rispetto a un deployment completo in produzione.

webvise aiuta le aziende a valutare e implementare architetture di agenti AI, dalla valutazione iniziale di fattibilità fino al deployment in produzione. Per chi sta esplorando agenti auto-miglioranti come Hermes Agent o vuole capire come l'AI autonoma si adatta ai propri flussi di lavoro specifici, contatti e webvise troverà l'approccio adatto ai requisiti e all'infrastruttura.