Saltar al contenido
Hermes Agent: el agente que recuerda quién sos
Tecnología

Hermes Agent: el agente que recuerda quién sos

Imagen de portada: agente estilizado en el centro de un grafo de conocimiento con nodos de memoria

Ilustración generada con IA como portada del post.

Una sesión con un agente de IA arranca siempre igual: explicar el proyecto, las convenciones, el formato, las preferencias. El modelo responde bien durante esa conversación. Al cerrar la sesión, todo se evapora. Al día siguiente, la misma explicación desde cero. La mayoría de los agentes de terminal —Claude Code, Codex, OpenClaw— comparten ese problema: brillante en el turno, amnésico al siguiente. Hermes Agent, publicado por Nous Research el 25 de febrero de 2026, ataca exactamente ese punto. Es open-source (MIT), corre sobre el modelo Hermes 3 (fine-tune de Llama 3.1) y propone un diseño distinto: memoria persistente en tres niveles, auto-generación de skills reutilizables y un ciclo de aprendizaje reforzado con Atropos.

Lo que pasó

Nous Research —el laboratorio conocido por los modelos Hermes (fine-tunes de Llama entrenados para tool calling y razonamiento agéntico), Nomos y Psyche— publicó Hermes Agent el 25 de febrero de 2026 bajo licencia MIT. El repositorio vive en github.com/NousResearch/hermes-agent y acumulaba más de 32.000 estrellas en julio de 2026, además de menciones recurrentes en Reddit, X y YouTube. La versión actual reportada es v2026.4.8.

El framework está escrito mayoritariamente en Python (91,4% del código) e incluye más de 40 herramientas integradas, un gateway de mensajería (Telegram, Discord, Slack, WhatsApp, Signal y email), un planificador cron, soporte para subagentes en paralelo y seis backends de terminal distintos (local, Docker, SSH, Singularity, Modal). Es agnóstico de modelo: se puede apuntar a OpenAI, Anthropic, OpenRouter (con acceso a más de 200 modelos), Nous Portal, Ollama, vLLM o cualquier endpoint compatible con la API de OpenAI. Cambiar de proveedor es un único comando, hermes model, sin tocar código.

Una decisión de diseño que importa: Hermes Agent soporta credenciales que el usuario ya tiene pagadas. Es compatible como proveedor de primera clase con GitHub Copilot (que da acceso a GPT-5.x, Claude y Gemini a través de la API de Copilot), Anthropic vía Claude Code (autenticación directa con credenciales de Claude Pro/Max) y OpenAI Codex con autenticación OAuth vía ChatGPT. Si no hay suscripción de pago, la alternativa es correr un modelo local con Ollama o vLLM. El argumento operativo: correr Hermes Agent no implica un gasto nuevo si ya se paga alguno de esos servicios.

Por qué importa

El problema que Hermes Agent aborda no es nuevo, pero es real. MarkTechPost lo sintetizó bien en su análisis del lanzamiento: los LLM actuales son programadores brillantes pero olvidadizos. Reinician su reloj cognitivo con cada nueva sesión. Para cualquier developer que trabaje en proyectos largos con un agente —construir un SaaS, mantener una API, automatizar infraestructura propia— esa amnesia es el cuello de botella más frustrante del flujo de trabajo. Reexplicar contexto cada día cuesta tiempo y degrada la calidad de las respuestas, porque el modelo no sabe qué decisiones se tomaron ayer.

Hermes Agent convierte la memoria en pieza central del diseño. Lo hace en tres niveles:

  • Memoria de sesión. La conversación actual, como en cualquier chat.
  • Memoria persistente. Hechos, preferencias y datos del usuario que sobreviven entre sesiones, almacenados en archivos MEMORY.md y USER.md. Cualquier reinicio, migración de máquina o recuperación desde backup preserva ese conocimiento.
  • Memoria procedimental (skills). Patrones de solución que el agente extrae tras completar tareas complejas, almacenados como archivos Markdown siguiendo el estándar abierto agentskills.io. El agente consulta su propia biblioteca antes de abordar una tarea parecida y aplica lo que ya funcionó.

Además integra búsqueda full-text (FTS5) sobre todas las conversaciones pasadas y resumen con LLM para recuperar contexto relevante sin desbordar la ventana del modelo. El sistema de modelado de usuario se delega en Honcho, una capa externa que va construyendo una representación de cómo trabaja el usuario: sus preferencias de formato, sus patrones de decisión, sus señales de feedback. La diferencia operativa respecto a un sistema con RAG tradicional es relevante: RAG recupera fragmentos sueltos de documentos; Hermes intenta mantener una comprensión cohesiva del proyecto y del usuario durante semanas o meses.

Cómo funciona el ciclo de auto-mejora

El componente que más llama la atención no es la memoria en sí, sino el mecanismo que la genera. Hermes Agent corre sobre Hermes 3, una fine-tune de Llama 3.1 entrenada explícitamente para tool use, razonamiento multi-paso e instruction following, con soporte para JSON mode, function calling y ventanas de hasta 128K tokens. Lo que el framework agrega por encima es un sistema de refuerzo que aprende de las interacciones reales, llamado Atropos. Atropos es el framework de reinforcement learning de Nous Research: cuando una tarea se resuelve con éxito, ese patrón se refuerza; cuando falla, el modelo registra qué salió mal. El resultado es un ciclo que mejora al agente en los flujos que efectivamente se usan, no en benchmarks genéricos.

La unidad básica de ese aprendizaje son los skill files: plantillas reutilizables en Markdown que definen cómo resolver una tarea concreta. Se pueden crear a mano, descargar del repositorio comunitario o auto-generarse cuando el agente completa una tarea suficientemente compleja. Lo que distingue al sistema es que esos skills no son estáticos: se pueden componer entre sí, encadenarse y mejorarse automáticamente a través del ciclo de Atropos. En la práctica, eso significa que la base de skills del agente crece con el uso sin que el usuario tenga que mantenerla a mano.

Hay un matiz importante que la documentación oficial aclara: la memoria procedimental no es magia ni sustituye a la ingeniería. Es una capa que reduce la fricción de reexplicar contexto, no un reemplazo del juicio humano sobre qué decisiones tomar. Los skills se almacenan como archivos de texto, son auditables y editables — un developer puede abrirlos, corregirlos o borrarlos cuando un patrón deja de aplicar.

La categoría emergente de agentes de terminal

Hermes Agent no entra solo al mercado. La categoría de agentes autónomos que operan la terminal con tool calling —Claude Code de Anthropic, Codex de OpenAI, OpenClaw, y ahora Hermes Agent— se consolidó a lo largo de 2025 y explotó en 2026. Cada uno ocupa un punto distinto del espacio:

  • Claude Code y Codex son productos comerciales cerrados, atados al modelo de su proveedor, con excelente calidad de razonamiento y poco margen de personalización fuera del system prompt.
  • OpenClaw es open-source con fundación independiente respaldada por OpenAI, pensado como framework generalista para correr agentes sobre múltiples modelos.
  • Hermes Agent es open-source (MIT) y apuesta específicamente por la persistencia y el aprendizaje entre sesiones como diferenciador. Su techo de calidad depende del modelo al que se apunte: con Hermes 3 local es gratuito; con GPT-5.x o Claude vía Copilot la calidad sube al costo de una suscripción que el usuario ya podría tener.

Una consecuencia práctica: para un developer independiente o una empresa chica, la elección entre estos frameworks dejó de ser técnica pura y pasó a ser también de modelo de negocio. Los cerrados ganan en calidad consistente y soporte. Los abiertos ganan en soberanía de datos, portabilidad y, en el caso de Hermes, en acumulación de memoria que sobrevive a cambios de modelo o de proveedor —algo especialmente útil cuando se está migrando entre Anthropic, OpenAI y modelos locales mientras el ecosistema sigue moviéndose.

Lo que conviene recordar

Hermes Agent es la apuesta más seria hasta ahora por resolver la amnesia de los agentes de terminal. Su diseño —memoria en tres niveles, skills auto-generados como Markdown auditable, Atropos como ciclo de refuerzo, compatibilidad con suscripciones que el usuario ya paga— ataca el problema correcto con herramientas concretas. No es una promesa de marketing: el repo es público, la licencia es MIT, la documentación es detallada y el ritmo de releases es agresivo (versión v2026.4.8 en cuatro meses desde el lanzamiento inicial).

Los caveats son los esperables para un proyecto de cuatro meses: el catálogo de skills auto-generados depende de qué tan variadas sean las tareas que se le pidan, la calidad del ciclo de Atropos está limitada por la calidad del modelo base al que se apunte, y la promesa de “aprendizaje continuo” todavía no tiene benchmarks públicos sólidos que la respalden más allá de los reportes de la comunidad. Para evaluarlo en serio conviene probarlo con un proyecto propio durante una o dos semanas y revisar qué skills terminó generando, cuántos sirven y cuántos son ruido.

El punto más interesante, más allá del framework en sí, es la dirección que marca. La conversación sobre agentes en 2026 dejó de ser sobre qué tan listo es el modelo y pasó a ser sobre qué tan bien conserva lo que aprendió. Eso es un cambio de eje. Y Hermes Agent lo está ejecutando con código abierto, lo cual importa porque la siguiente capa —memoria persistente entre sesiones y modelos— es exactamente el tipo de infraestructura que no debería quedar atada a un único proveedor.

Fuente

Publicaciones relacionadas

Tecnología

Graph engineering: cuándo un solo loop de agente ya no alcanza

Un agente en loop es suficiente la mayoría de las veces. Cuando el trabajo se parte en especialidades que se relevan, la capa correcta pasa a ser un grafo: nodos que ejecutan, edges que rutean, state que viaja entre ellos. Qué es, cuándo conviene y cuándo es pura overhead.

Leer más