Hermes Agent, explicado: el agente de código abierto que escribe sus propias habilidades

Nous Research llama a Hermes Agent, en el README del repositorio del proyecto en GitHub, «el único agente con un bucle de aprendizaje integrado». El repositorio tenía 256.360 estrellas y 56.015 bifurcaciones cuando lo consultamos el 23 de octubre de 2026, tiene licencia MIT, se creó el 22 de julio de 2025 y se le habían subido cambios ese mismo día. Las estrellas son atención, no evidencia, y la atención no es casualidad: Google Trends, a nivel mundial, en los últimos siete días, consultado el 23 de octubre de 2026, situaba «hermes» y «hermes agent» entre un 30 y un 40 por ciento al alza. Lo que hace que merezca la pena explicar el proyecto con cuidado no es la cifra, sino la afirmación que hay debajo. El agente es agnóstico al modelo —puedes apuntarlo a cualquier endpoint compatible con OpenAI, incluido el nuestro— y lo único que dice hacer que los productos con los que se le comparará no hacen es aprender de su propio trabajo.

Lo que realmente estás instalando

Claude Code, Claude Cowork y Claude Duet son productos. Inicias sesión, obtienes una interfaz, el proveedor ejecuta el modelo y el plan cubre el uso. Hermes Agent es un repositorio. Lo instalas en una máquina que controlas, le proporcionas un endpoint de modelo y, a partir de ahí, es tuyo para configurarlo, romperlo y dejarlo funcionando. El propio planteamiento del README es infraestructural más que de consumidor: «Ejecútalo en un VPS de 5 $, un clúster de GPU o infraestructura serverless que casi no cuesta nada cuando está inactiva». Deliberadamente no está atado a un portátil, y la propuesta que sigue es que le hablas desde Telegram mientras trabaja en una VM en la nube.

La instalación sigue el mismo esquema. Linux, macOS y WSL2 reciben un script de una línea; Windows nativo recibe un comando único de PowerShell que, según el README, ejecuta la CLI, la puerta de enlace, la interfaz de terminal y las herramientas sin WSL en absoluto. Los usuarios de Android y Termux reciben un repositorio APT firmado para dispositivos aarch64 con un canal estable y un canal canary, y el README los remite a una guía de Termux aparte en lugar de al instalador de escritorio. El instalador desde código fuente delega Python 3.14, Node.js, npm, ripgrep, FFmpeg y las dependencias de Python a un gestor de paquetes, y prepara un archivo verificado de Git for Windows si falta Git, sin reemplazar el Git que ya está en la máquina. Incluso hay una entrada de solución de problemas para cuando el software antivirus pone en cuarentena el uv.exe incluido, que el README identifica como un falso positivo sobre el gestor de paquetes de Rust que incluye. Ese nivel de cuidado por máquinas que los mantenedores no pueden ver es en sí mismo una señal sobre para quién es el software.

Dónde vive y dónde ocurre el trabajo

Dos partes de la lista de funciones son fáciles de pasar por alto y difíciles de hacer bien. La primera es que vive donde ya estás: Telegram, Discord, Slack, WhatsApp, Signal y una CLI simple, todo desde un único proceso de gateway, con transcripción de notas de voz y continuidad de la conversación entre los canales. La segunda es donde ocurre el trabajo. Se incluyen seis backends de terminal —local, Docker, SSH, Modal, Daytona y Vercel Sandbox—, además de backends de plugins como Singularity y Apptainer. Daytona y Modal ofrecen persistencia sin servidor: el entorno del agente se hiberna cuando está inactivo y se activa a demanda. Por eso el README puede ofrecer tanto «un VPS de $5» como «casi nada cuando está inactivo» en la misma frase sin que se contradigan.

Sobre eso se asienta un planificador cron con entrega en cualquier plataforma —informes diarios, copias de seguridad nocturnas, auditorías semanales, escritos en lenguaje natural y ejecutados sin supervisión— y subagentes aislados para flujos de trabajo paralelos, cuyo proveedor, modelo y límites se definen en la aplicación de escritorio, en Ajustes, Modelo, Subagentes. También hay una superficie de investigación: generación de trayectorias por lotes y compresión de trayectorias para entrenar a la próxima generación de modelos de llamada a herramientas. La interfaz de terminal en sí es una TUI completa con edición multilínea, autocompletado de comandos slash, historial de conversaciones, interrupción y redirección, y salida de herramientas en streaming. Nada de eso es el argumento con el que el proyecto se presenta, lo cual es revelador: es la mitad poco glamorosa de un agente que tiene que sobrevivir a que lo dejen encendido.

El bucle, descompuesto

La expresión «learning loop» hace mucho trabajo en la primera línea del README, así que vale la pena desglosarla en las cinco cosas que el documento realmente nombra.

• Memoria curada por el agente, con avisos periódicos: el agente decide qué merece la pena conservar y se le incita a persistirlo en lugar de esperar a que un usuario lo solicite.

• Creación autónoma de habilidades tras tareas complejas, de modo que una larga secuencia de pasos deje un procedimiento reutilizable en lugar de tener que volver a derivarlo la próxima vez.

• Habilidades que {{1}}se automejoran{{/1}} durante el uso: el procedimiento se edita la próxima vez que se aplica, en lugar de quedar congelado en el momento en que se escribió.

• Búsqueda de sesiones con FTS5 y resumen mediante LLM, para que las conversaciones pasadas se puedan recuperar entre sesiones en lugar de quedarse en un búfer de desplazamiento que nadie lee.

• Modelado del usuario — el README atribuye a Honcho un enfoque dialéctico — que se acumula hasta convertirse en "{{1}}un modelo cada vez más profundo de quién eres a lo largo de las sesiones{{/1}}".

Ese es un diseño coherente, y la cuestión del artefacto es la que importa. Nada en el README describe una ejecución de entrenamiento. El bucle produce material escrito: entradas de memoria y habilidades, conservadas y revisadas en abierto. En principio, eso significa que un usuario puede leer lo que el agente decidió conservar y comparar qué cambió después de la siguiente tarea; también significa que la mejora vive fuera del modelo, en archivos que sobreviven a un cambio de modelo. El proyecto también es compatible con el estándar abierto agentskills.io, lo cual importa precisamente si te preocupa que esas habilidades sobrevivan a la herramienta que las escribió. Tomados por separado, la memoria, la recuperación, las tareas programadas y los subagentes ya existen en otros sitios. La combinación, y el énfasis en que el agente reescriba sus propios procedimientos, es la parte que se presenta como nueva.

¿Qué se ha medido?

Nada, públicamente. El README no publica ninguna puntuación de benchmark, ninguna comparación auditada con otro agente, ningún modelo predeterminado y ninguna página de precios alojada. El superlativo de la primera frase llega sin una prueba adjunta, y una afirmación de ese tipo necesita una, porque la comparación que hace es contra todos los demás agentes que existen, incluidos los agentes que ya conservan memoria o crean sus propias herramientas. «El único agente con un bucle de aprendizaje integrado» es una frase que un lector puede contrastar con una matriz de características; si el bucle hace que el agente sea mejor para tu trabajo es una cuestión distinta, y no se ha respondido en público.

Mientras tanto, la atención está haciendo el trabajo que, de otro modo, haría la evidencia. 256.360 estrellas y 56.015 forks son una cifra enorme para un repositorio creado en julio de 2025, y es el tipo de cifra que un lector asimila como un veredicto. No lo es. Una estrella cuesta un clic. La prensa informó a principios de octubre de 2026 de que Nous Research había recaudado 90 millones de dólares con una valoración reportada de 1.500 millones de dólares, con NVIDIA y Samsung entre los inversores, y de que el agente superaba los 24 millones de descargas. Son cifras procedentes de reportes, no afirmaciones que la propia empresa publique, e incluso tomadas al pie de la letra miden la adopción, no la capacidad.

Medir esto correctamente es genuinamente difícil, y eso es lo más justo que se puede decir en favor del proyecto. La unidad de mejora es una tarea que ya se ha realizado, así que el contrafactual es el mismo agente en la misma tarea sin la habilidad que escribió; la carga de trabajo tiene que ejecutarse dos veces, con y sin el artefacto, en suficientes tareas como para distinguir una ganancia real del ruido entre ejecuciones. Nadie ha publicado eso. Hasta que alguien lo haga, el resumen honesto es que el mecanismo se describe con un detalle inusual y el resultado se afirma sin más.

Los productos Claude con los que se le compara

Un lector que llegue a Hermes desde el lado de Claude tendrá en mente un conjunto específico de productos, y merece la pena hacer la comparación porque las categorías difieren antes que cualquier función. La navegación de Anthropic enumera Claude, Claude Code, Claude Cowork, Claude Duet, Claude Tag, Claude Science y Claude Security. Claude Code está diseñado para la ingeniería de software y se ejecuta en una terminal, una aplicación de escritorio, una interfaz web y una aplicación móvil, con integraciones de GitHub e IDE, revisión de código disponible de forma general en Team y Enterprise, y un complemento de seguridad en beta. Claude Cowork toma un objetivo y trabaja con tus archivos y herramientas, con un navegador en el panel lateral, y eliminar cualquier cosa requiere tu aprobación. Claude Duet es el producto proactivo: una aplicación independiente, en lista de espera para suscriptores de Claude Pro y Max en EE. UU., construida sobre Claude Opus 5.5.

Cada uno de esos es el producto propio del proveedor del modelo sobre la infraestructura propia del proveedor del modelo. Hermes invierte los tres términos. El agente es de código abierto, el modelo es un parámetro y la infraestructura es aquello a lo que lo apuntes. Esa inversión es donde la afirmación del bucle de aprendizaje cobra peso, porque un producto cerrado puede cambiar el agente que tienes debajo cuando quiera, mientras que un agente cuyas habilidades viven en archivos que tú posees puede inspeccionarse y, en principio, trasladarse. Anthropic incluye Skills y Plugins entre sus capacidades; lo que ninguna de las páginas de producto que leímos el 23 de octubre de 2026 describe es un agente que escriba una nueva habilidad a partir de su propio historial de tareas y revise esa habilidad la próxima vez que se use. Que la diferencia sea valiosa es una cuestión distinta de si es real, y solo la segunda se ha resuelto.

Apuntándolo a un modelo

La historia del modelo en el README es un único comando: hermes model. Cambia aquello sobre lo que se ejecuta el agente sin cambios de código, dice el README, y sin lock-in. Esa es la parte del diseño que mejor debería envejecer, porque la variable interesante en un agente de este tipo no es el bucle, sino el modelo que hay debajo. La misma biblioteca de habilidades se comporta de forma distinta en un modelo abierto pequeño y en uno de frontera, y una herramienta que convierte ese intercambio en un cambio de configuración te permite probar la diferencia en lugar de discutir sobre ella.

Una interfaz compatible con OpenAI es lo que abarata el cambio, y es la interfaz que hablamos. OrcaRouter es un único endpoint para más de 200 modelos con una sola clave, con 0% de margen —el precio de lista del proveedor se aplica directamente—, conmutación por error automática cuando un proveedor se degrada y un DSL de enrutamiento para las solicitudes en las que quieres especificar qué modelo se encarga de qué. Si quieres un modelo de frontera detrás del agente, Claude Opus 5.5 cuesta $4.00 por millón de tokens de entrada y $20.00 por millón de tokens de salida, con un contexto de 1M de tokens y lecturas de caché a $0.20 por millón. A Hermes no le importa qué endpoint le responda. Una cosa que conviene dejar clara: alojamos modelos, no las apps de Anthropic ni el agente de nadie más. Hermes es software de Nous Research, y ejecutarlo implica tu máquina, tus canales y tu factura de tokens.

Si vas a ejecutarlo

La lista de verificación honesta antes de instalar tiene poco que ver con el bucle, y el README es inusualmente directo sobre la mayor parte de ello.

• El agente necesita un host que permanezca activo. Un portátil que entra en suspensión es la máquina equivocada, y por eso el README recurre a un VPS pequeño o a un backend sin servidor que hiberna en lugar del ordenador que tienes en el escritorio.

• Los canales son una decisión, no una opción por defecto. Integrar Telegram, Discord, Slack, WhatsApp y Signal en un único proceso de puerta de enlace significa que ese proceso posee las credenciales de todos ellos, y eso es una superficie que conviene considerar antes de que sea una función de la que disfrutar.

• La cifra de $5 es de cómputo. Los tokens se facturan según el endpoint al que apuntes el comando del modelo, y un agente que se ejecuta con una programación cron los gasta mientras tú no estás mirando. El trabajo programado y el tiempo de inactividad barato son economías distintas.

• Las habilidades que escribe son tuyas para revisarlas. La ventaja de los artefactos frente a los pesos es que puedes leerlos; la disciplina consiste en leerlos de verdad, igual que leerías un script que un colega dejó en el repositorio.

La pregunta que vale la pena hacer

Nous Research ha lanzado algo con una tesis clara: que lo próximo útil que hace un agente no es una ventana de contexto más larga, sino una biblioteca creciente de procedimientos que él mismo escribió, sobre una infraestructura lo bastante barata como para dejarla funcionando durante meses. El README defiende esa tesis con una lista detallada de funciones, una ruta de instalación que funciona en cada plataforma que un desarrollador podría usar y un recuento de estrellas por el que la mayoría de los proyectos cambiaría una hoja de ruta. Lo que aún no trae es la cifra que zanjaría el debate: el mismo agente, las mismas tareas, antes y después de que llegaran sus propias habilidades. Hasta que alguien publique esa comparación, la lectura justa es que el bucle de aprendizaje es un mecanismo bien descrito y un resultado sin medir. Aun así, sigue siendo algo más interesante de instalar que una promesa o un descarte.