Hermes Agent to autonomiczny agent AI open-source stworzony przez Nous Research, zdolny do samoulepszania się. Działa jako trwały proces serwerowy, łączy się z Telegramem, Slackiem, Discordem, WhatsAppem, Signalem i CLI za pośrednictwem jednej bramy, a podczas wykonywania zadań buduje własną bibliotekę umiejętności. Projekt został uruchomiony w lutym 2026 roku i w ciągu ośmiu tygodni zgromadził ponad 24 600 gwiazdek na GitHubie. Liczba gwiazdek odzwierciedla widoczność projektu i zainteresowanie społeczności; przydatność produkcyjna wymaga oddzielnej oceny. Agent jest niezależny od modelu, bezpłatny i wyróżnia się jedną konkretną cechą: zamkniętą pętlą uczenia się, która sprawia, że staje się coraz bardziej skuteczny w miarę użytkowania.
- Kto go stworzył? Nous Research, zespół stojący za rodziną modeli Hermes (Hermes-3, oparty na Llama 3.1).
- Czy jest open-source? Tak, projekt jest w pełni otwarty na GitHubie.
- Co go wyróżnia? Zamknięta pętla uczenia się. Na podstawie wykonanych zadań tworzone są Skill Documents, które są automatycznie pobierane przy napotkaniu podobnych problemów.
- Jakie platformy obsługuje? Telegram, Slack, Discord, WhatsApp, Signal, Matrix, iMessage (przez BlueBubbles), WeChat i CLI za pośrednictwem jednej bramy.
- Z jakimi modelami współpracuje? Jest niezależny od modelu. Obsługuje Nous Portal, OpenRouter (ponad 200 modeli), OpenAI, Anthropic lub dowolny niestandardowy endpoint.
- Jaka jest aktualna wersja? Version 0.9.0 ("Everywhere"), wydana w kwietniu 2026 roku. Wprowadza profile dla izolowanych zespołów wieloagentowych. Szczegóły wdrożenia produkcyjnego zawiera przewodnik po warstwie operatorskiej na 30. dzień.
Większość narzędzi AI do kodowania ma tę samą podstawową ograniczoność: zapominają wszystko po zakończeniu sesji. Nous Research stworzył Hermes Agent właśnie po to, by rozwiązać ten problem. Strukturalnie różni się od chatbota z konfigurowalną funkcją pamięci. To trwały agent po stronie serwera z hasłem wartym potraktowania poważnie: "the agent that grows with you".
Czym właściwie jest Hermes Agent
Hermes Agent to bezpłatny, otwartoźródłowy autonomiczny agent AI stworzony przez Nous Research, zespół stojący za rodziną modeli Hermes. Działa jako trwały proces serwerowy, a nie wewnątrz IDE czy karty przeglądarki. Każde ukończone zadanie może zasilać rosnącą bibliotekę umiejętności, z której agent korzysta w kolejnych sesjach. Efektem praktycznym jest agent, który od początku ma solidne możliwości i stopniowo coraz lepiej dostosowuje się do konkretnych procesów i środowiska użytkownika.
Projekt bazuje na rodzinie modeli Hermes (Hermes-3, oparty na Llama 3.1) i trenowany jest z użyciem uczenia przez wzmacnianie Atropos, zapewniającego wysoką dokładność wywoływania narzędzi. Jest też niezależny od modelu: można go skierować na Nous Portal, OpenRouter (dostęp do ponad 200 modeli), OpenAI, Anthropic lub niestandardowy endpoint. Architektura jest zaprojektowana tak, że podstawowa logika agenta nie zależy od tego, który model działa pod spodem.
Architektura pamięci
Pamięć to obszar, w którym Hermes Agent najbardziej odróżnia się od konwencjonalnych agentów. Działa na trzech odrębnych poziomach, a ich zrozumienie wyjaśnia, dlaczego twierdzenie o samoulepszaniu jest wiarygodne, a nie tylko hasłem marketingowym.
Kontekst krótkoterminowy
Standardowa pamięć w kontekście bieżącego zadania. Nic szczególnego, jednak stanowi podstawę dla tego, co następuje później.
Skill Documents
To serce pętli uczenia się. Hermes Agent tworzy Skill Documents z wykonanych zadań: przeszukiwalne pliki Markdown zgodne ze standardem agentskills.io. Przy napotkaniu nowego problemu agent przeszukuje bibliotekę umiejętności z użyciem pełnotekstowego wyszukiwania (FTS5) i pobiera odpowiednie procedury wypracowane na podstawie wcześniejszych doświadczeń. Umiejętności ewoluują podczas użytkowania: agent ulepsza je w trakcie pracy i zachęca się do zapisywania nowej wiedzy po każdej sesji. To jeden z nielicznych większych agentów open-source z wbudowaną pamięcią proceduralną tego rodzaju.
Modelowanie użytkownika przez Honcho
Hermes Agent integruje Honcho do modelowania użytkownika, co oznacza, że buduje reprezentację preferencji, stylu pracy i kontekstu utrzymywaną między sesjami. W połączeniu z pełnotekstowym przeszukiwaniem historii rozmów (FTS5) pozwala to przywoływać istotny kontekst bez potrzeby ponownego wyjaśniania tego, co już zostało wcześniej przekazane.
Zamknięta pętla uczenia się
Pętla uczenia się to to, co odróżnia Hermes Agent od narzędzi dysponujących jedynie trwałą pamięcią. Większość agentów pamięta to, co im powiedziano. Hermes Agent uczy się na podstawie tego, co zrobił. Sekwencja wygląda następująco:
Nous Research opisuje to jako agenta z wbudowaną pętlą uczenia się, cechą wciąż rzadką w produkcyjnych frameworkach agentowych. Analizując architekturę, twierdzenie to jest uzasadnione. Szczególnie przemyślany jest mechanizm zachęcania, w którym agent aktywnie motywuje się do zapisywania wiedzy zamiast czekać na wyraźne polecenie. Dzięki temu akumulacja umiejętności przebiega automatycznie, bez potrzeby ręcznej kuracji.
Obsługa wielu platform przez jedną bramę
Hermes Agent łączy się z Telegramem, Discordem, Slackiem, WhatsAppem, Signalem i CLI za pośrednictwem jednego procesu bramowego. Nie trzeba konfigurować osobnych integracji dla każdej platformy. Brama kieruje wiadomości do środowiska uruchomieniowego agenta niezależnie od ich źródła, dzięki czemu ten sam trwały agent z tą samą biblioteką umiejętności odpowiada zarówno przez Slacka przy biurku, jak i przez Telegrama na telefonie.
To ważniejsze, niż mogłoby się wydawać. Największą barierą adopcji agentów AI w zespołach jest zazwyczaj to, że agent funkcjonuje w oderwaniu od miejsca, gdzie faktycznie toczy się praca. Agent docierający do użytkowników przez ich istniejące kanały komunikacyjne całkowicie eliminuje to tarcie.
Backendy wykonawcze
Hermes Agent obsługuje sześć backendów wykonawczych, co zapewnia wyjątkowo szeroką elastyczność wdrożeniową jak na projekt open-source:
- Local: uruchamia się bezpośrednio na maszynie użytkownika
- Docker: wykonywanie w kontenerze dla izolacji
- SSH: zdalne wykonywanie na dowolnym dostępnym serwerze
- Daytona: zarządzane środowiska deweloperskie
- Singularity: klastry obliczeniowe HPC i badawcze
- Modal: bezserwerowe wykonywanie w chmurze
Backend Singularity zasługuje na szczególną uwagę. Czyni Hermes Agent praktycznym narzędziem dla akademickich i naukowych środowisk obliczeniowych, gdzie Docker jest często niedostępny. W połączeniu z opisanymi poniżej narzędziami badawczymi sytuuje go jako realne rozwiązanie dla zespołów naukowych, a nie tylko dla deweloperów oprogramowania.
Ponad 40 wbudowanych narzędzi i integracja z MCP
Hermes Agent dostarcza od razu ponad 40 wbudowanych narzędzi obejmujących operacje na plikach, wykonywanie poleceń powłoki, przeglądanie stron internetowych, wywołania API i wiele więcej. Obsługuje również Model Context Protocol (MCP), co pozwala rozszerzać go o dowolny serwer narzędzi zgodny z MCP. Harmonogramowanie zadań cyklicznych w języku naturalnym umożliwia definiowanie powtarzających się czynności prostym językiem zamiast składnią cron, co znacznie obniża próg wejścia dla użytkowników nietechnicznych.
Narzędzia badawcze: trajektorie wsadowe i dostrajanie
Nous Research stworzył Hermes Agent z myślą o własnych potrzebach badawczych, co wyraźnie widać w dostępnych narzędziach badawczych. Agent obsługuje wsadowe generowanie trajektorii do zbierania zachowań agenta na dużą skalę, natywną integrację z Atropos RL do uczenia przez wzmacnianie na podstawie doświadczeń agenta oraz eksport ShareGPT do konwertowania konwersacji agenta na zbiory danych do dostrajania.
To istotny szczegół. Większość otwartoźródłowych frameworków agentowych traktuje zbieranie danych treningowych jako kwestię drugorzędną. Hermes Agent czyni z tego funkcję pierwszoplanową. Infrastruktura do generowania i eksportowania danych treningowych jest już wbudowana, jeśli celem jest dostrojenie modelu do konkretnej dziedziny.
Związek z AutoResearch
Hermes Agent i AutoResearch zajmują tę samą przestrzeń koncepcyjną: oba reprezentują przesunięcie w kierunku systemów AI, które się ulepszają zamiast pozostawać statycznymi narzędziami. Samoulepszanie rozumiane jest tutaj jako uczenie się na podstawie wyników w ramach grafu umiejętności, a nie autonomia w sensie AGI. AutoResearch skupia się na autonomicznych badaniach naukowych, iterując przez generowanie hipotez i walidację eksperymentalną. Hermes Agent koncentruje się na proceduralnej akumulacji umiejętności, stopniowo ucząc się skuteczniejszego wykonywania zadań.
Wspólnym mianownikiem jest to, że żaden z tych systemów nie jest zaprojektowany jako stałe narzędzie konfigurowane raz. Oba są projektowane tak, by ich wartość rosła wraz z czasem działania. To zmienia planowanie wdrożenia: zespoły muszą uwzględnić pamięć, ewaluację, własność danych oraz sposób bezpiecznego przenoszenia wyuczonych procedur do produkcji.
Zastosowania biznesowe
Narastająca wartość
Tradycyjne narzędzia programistyczne dostarczają mniej więcej tę samą wartość w pierwszym dniu co w setnym. Agent z pętlą uczenia się działa inaczej. Biblioteka umiejętności budowana na podstawie konkretnych procesów, bazy kodu i wewnętrznych procedur staje się aktywem konkurencyjnym. Dobrze prowadzone wdrożenie Hermes Agent po sześciu miesiącach użytkowania będzie istotnie skuteczniejsze w realizacji konkretnych zadań niż na początku, ponieważ zgromadzi dziedzinowe procedury, których żadne gotowe narzędzie nie może dostarczyć.
Zobowiązanie infrastrukturalne
Trwałe agenty po stronie serwera wymagają infrastruktury, której narzędzia sesyjne nie potrzebują. Niezbędne są: ciągłe zasoby obliczeniowe, przestrzeń dyskowa na skill documents i historię konwersacji, monitoring autonomicznego systemu wykonującego kod i wywołującego API oraz odpowiednie podejście do bezpieczeństwa dla agenta z szerokim dostępem do narzędzi. Model open-source eliminuje koszty licencyjne, ale nakład operacyjny jest realny. Zespoły oceniające Hermes Agent powinny uwzględnić czas inżynierski potrzebny do niezawodnego utrzymania systemu.
Elastyczność modelu jako zabezpieczenie przed ryzykiem
Architektura niezależna od modelu to praktyczna zaleta wykraczająca poza oczywiste korzyści z elastyczności. Wydajność i ceny modeli AI zmieniają się dynamicznie. Framework agentowy uzależniający od jednego dostawcy naraża na konsekwencje jego decyzji cenowych i deprecjacji modeli. Dzięki obsłudze OpenRouter, OpenAI, Anthropic i niestandardowych endpointów możliwa jest zmiana modelu bez przebudowy konfiguracji agenta ani utraty zgromadzonej biblioteki umiejętności.
Pierwsze kroki
Repozytorium Hermes Agent na GitHubie i oficjalna dokumentacja to właściwe punkty startowe. Projekt jest aktywnie rozwijany, a Nous Research iteruje w szybkim tempie. Przy ocenie pod kątem wdrożenia produkcyjnego warto sprawdzać aktualne informacje o wydaniach zamiast polegać na dokumentacji, która może nie nadążać za ostatnimi zmianami.
Obsługa wielu platform komunikacyjnych sprawia, że wstępne testy są proste: wystarczy podłączyć agenta do kanału Slack lub bota Telegram, powierzyć mu niewielki zestaw powtarzających się zadań i obserwować, jak biblioteka umiejętności rozwija się przez dwa lub trzy tygodnie. To mniej zobowiązujący sposób na weryfikację działania pętli uczenia się niż pełne wdrożenie produkcyjne.
webvise pomaga firmom oceniać i wdrażać architektury agentów AI, od wstępnej oceny wykonalności po wdrożenie produkcyjne. Jeśli interesuje Państwa temat agentów zdolnych do samoulepszania się, takich jak Hermes Agent, lub chcą Państwo zrozumieć, jak autonomiczne AI wpisuje się w konkretne procesy, zapraszamy do kontaktu w celu doboru podejścia odpowiedniego do Państwa wymagań i infrastruktury.
Praktyki webvise są zgodne z normami ISO 27001 i ISO 42001.