Hermes Agent, expliqué : l'agent open source qui écrit ses propres compétences

Nous Research qualifie Hermes Agent, dans le README du dépôt GitHub du projet, de « seul agent doté d’une boucle d’apprentissage intégrée ». Le dépôt comptait 256 360 étoiles et 56 015 forks au moment de notre consultation, le 23 octobre 2026 ; il est sous licence MIT, a été créé le 22 juillet 2025 et avait reçu un push le jour même. Les étoiles sont un signe d’attention, non une preuve, et cette attention n’est pas fortuite : Google Trends, à l’échelle mondiale, sur les sept derniers jours, consulté le 23 octobre 2026, plaçait « hermes » et « hermes agent » en hausse de 30 à 40 %. Ce qui rend le projet digne d’une explication attentive, ce n’est pas le décompte, mais l’affirmation qui le sous-tend. L’agent est agnostique quant au modèle — on peut le pointer vers n’importe quel endpoint compatible OpenAI, y compris le nôtre — et la seule chose qu’il déclare faire, et que ne font pas les produits auxquels il sera comparé, c’est apprendre de son propre travail.

Ce que vous installez réellement

Claude Code, Claude Cowork et Claude Duet sont des produits. Vous vous connectez, vous obtenez une interface, le fournisseur exécute le modèle et l’offre couvre l’usage. Hermes Agent est un dépôt. Vous l’installez sur une machine que vous contrôlez, vous lui fournissez un point de terminaison de modèle et, à partir de là, il est à vous de le configurer, de le casser et de le laisser tourner. La présentation du README est d’ordre infrastructurel plutôt que grand public : « Faites-le tourner sur un VPS à 5 $, un cluster GPU ou une infrastructure serverless qui ne coûte presque rien au repos. » Il n’est délibérément pas lié à un ordinateur portable, et l’argument qui suit est que vous lui parlez depuis Telegram pendant qu’il travaille sur une VM cloud.

L’installation suit le même schéma. Linux, macOS et WSL2 disposent d’un script d’une ligne ; Windows natif dispose d’une commande PowerShell d’une ligne qui, selon le README, exécute la CLI, la passerelle, l’interface terminal et les outils sans WSL du tout. Les utilisateurs d’Android et de Termux disposent d’un dépôt APT signé pour les appareils aarch64, avec un canal stable et un canal canary, et le README les renvoie vers un guide Termux distinct plutôt que vers l’installateur pour ordinateur de bureau. L’installateur depuis les sources délègue Python 3.14, Node.js, npm, ripgrep, FFmpeg et les dépendances Python à un gestionnaire de paquets, et prépare une archive Git pour Windows vérifiée si Git est absent — sans remplacer le Git déjà présent sur la machine. Il existe même une entrée de dépannage pour les logiciels antivirus qui mettent en quarantaine le uv.exe fourni, que le README identifie comme un faux positif sur le gestionnaire de paquets Rust qu’il embarque. Ce niveau de soin accordé à des machines que les mainteneurs ne peuvent pas voir est en soi un signal sur le public auquel le logiciel s’adresse.

Là où il réside, et où le travail s’accomplit

Deux parties de la liste des fonctionnalités sont faciles à survoler et difficiles à bien réaliser. La première, c'est qu'elle vit là où vous êtes déjà : Telegram, Discord, Slack, WhatsApp, Signal et un simple CLI, le tout depuis un seul processus de passerelle, avec la transcription des mémos vocaux et la continuité des conversations assurée entre les canaux. La seconde, c'est là où le travail se fait. Six backends de terminal sont intégrés — local, Docker, SSH, Modal, Daytona et Vercel Sandbox — ainsi que des backends sous forme de plugins comme Singularity et Apptainer. Daytona et Modal offrent une persistance serverless : l'environnement de l'agent se met en veille lorsqu'il est inactif et se réveille à la demande. C'est pourquoi le README peut à la fois proposer « un VPS à 5 $ » et « presque rien lorsqu'il est inactif » dans la même phrase, sans que les deux se contredisent.

Par-dessus se trouve un planificateur cron avec livraison vers n’importe quelle plateforme — rapports quotidiens, sauvegardes nocturnes, audits hebdomadaires, rédigés en langage naturel et exécutés sans surveillance — ainsi que des sous-agents isolés pour des flux de travail parallèles, dont le fournisseur, le modèle et les limites sont définis dans l’application de bureau sous Settings, Model, Subagents. Il y a aussi un volet recherche : génération de trajectoires par lots et compression de trajectoires pour entraîner la prochaine génération de modèles capables d’appeler des outils. L’interface de terminal elle-même est une TUI complète avec édition multiligne, autocomplétion des commandes slash, historique de conversation, interruption et redirection, et sortie d’outils en streaming. Rien de tout cela n’est l’argument que le projet met en avant, ce qui est révélateur : c’est la moitié ingrate d’un agent qui doit survivre au fait d’être laissé en marche.

La boucle, décomposée

La formule « boucle d’apprentissage » joue un rôle déterminant dans la première ligne du README ; il vaut donc la peine de la décomposer en les cinq éléments que le document nomme réellement.

• Mémoire constituée par l'agent, avec des relances périodiques : l'agent décide de ce qui mérite d'être conservé et est incité à le conserver plutôt que d'attendre qu'un utilisateur le demande.

• Création autonome de compétences après des tâches complexes, afin qu’une longue séquence d’étapes laisse derrière elle une procédure réutilisable au lieu d’être redécouverte la fois suivante.

• Des compétences qui s'améliorent d'elles-mêmes au fil de leur utilisation : la procédure est modifiée la fois suivante où elle est appliquée, plutôt que figée au moment où elle a été rédigée.

• Recherche de sessions FTS5 avec synthèse par LLM, afin que les conversations passées soient récupérables d'une session à l'autre au lieu de rester dans un tampon d'historique que personne ne lit.

• Modélisation de l’utilisateur — le README attribue à Honcho une approche dialectique — qui s’accumule pour former « un modèle toujours plus approfondi de qui vous êtes au fil des sessions ».

C’est une conception cohérente, et la question de l’artefact est celle qui compte. Rien dans le README ne décrit de session d’entraînement. La boucle produit des documents écrits : des entrées de mémoire et des compétences, conservées et révisées ouvertement. En principe, cela signifie qu’un utilisateur peut lire ce que l’agent a décidé de conserver et comparer ce qui a changé après la tâche suivante ; cela signifie aussi que l’amélioration réside hors du modèle, dans des fichiers qui survivent à un changement de modèle. Le projet est également compatible avec le standard ouvert agentskills.io, ce qui compte précisément si l’on se soucie de savoir si ces compétences survivent à l’outil qui les a écrites. Pris séparément, la mémoire, la récupération, les tâches planifiées et les sous-agents existent tous ailleurs. La combinaison, et l’accent mis sur le fait que l’agent réécrit ses propres procédures, constitue la partie revendiquée comme nouvelle.

Ce qui a été mesuré

Rien, publiquement. Le README ne publie aucun score de benchmark, aucune comparaison auditée avec un autre agent, aucun modèle par défaut et aucune page de tarification hébergée. Le superlatif de la première phrase arrive sans test auquel s'attacher, et une affirmation de cette forme en exige un, car la comparaison qu'elle opère porte sur tous les autres agents existants, y compris ceux qui conservent déjà de la mémoire ou conçoivent leurs propres outils. « Le seul agent doté d'une boucle d'apprentissage intégrée » est une phrase qu'un lecteur peut vérifier face à une matrice de fonctionnalités ; savoir si la boucle rend l'agent meilleur dans votre travail est une autre question, et elle n'a pas reçu de réponse publique.

L’attention fait quant à elle le travail que les preuves feraient sinon. 256 360 étoiles et 56 015 forks, c’est un grand nombre pour un dépôt créé en juillet 2025, et c’est le genre de chiffre qu’un lecteur assimile à un verdict. Ce n’en est pas un. Une étoile coûte un clic. Des articles de presse du début octobre 2026 ont situé la levée de fonds de Nous Research à 90 millions de dollars, pour une valorisation annoncée de 1,5 milliard de dollars, avec NVIDIA et Samsung parmi les investisseurs, et ont estimé à plus de 24 millions le nombre de téléchargements de l’agent. Ce sont des chiffres issus de la presse plutôt que des déclarations publiées par l’entreprise elle-même, et même pris au pied de la lettre, ils mesurent l’adoption, non les capacités.

Mesurer cela correctement est vraiment difficile, et c’est la chose la plus équitable à dire au nom du projet. L’unité d’amélioration est une tâche que vous avez déjà réalisée ; le contrefactuel est donc le même agent sur la même tâche sans la compétence qu’il a écrite — la charge de travail doit être exécutée deux fois, avec et sans l’artefact, sur suffisamment de tâches pour distinguer un gain réel du bruit d’une exécution à l’autre. Personne n’a publié cela. Jusqu’à ce que quelqu’un le fasse, le résumé honnête est que le mécanisme est décrit avec un niveau de détail inhabituel et que le résultat est affirmé.

Les produits Claude auxquels il est comparé

Un lecteur qui arrive chez Hermes en venant de l’univers Claude aura en tête un ensemble précis de produits, et la comparaison mérite d’être faite, car les catégories diffèrent avant même les fonctionnalités. La navigation d’Anthropic liste Claude lui-même, Claude Code, Claude Cowork, Claude Duet, Claude Tag, Claude Science et Claude Security. Claude Code est conçu pour l’ingénierie logicielle et fonctionne dans un terminal, une application de bureau, une interface web et une application mobile, avec des intégrations GitHub et IDE, la revue de code généralement disponible sur Team et Enterprise, et un plugin de sécurité en bêta. Claude Cowork prend un objectif et travaille sur vos fichiers et vos outils, avec un navigateur dans le panneau latéral, et toute suppression nécessite votre approbation. Claude Duet est le produit proactif : une application autonome, proposée sur liste d’attente aux abonnés Claude Pro et Max aux États-Unis, construite sur Claude Opus 5.5.

Chacun de ces éléments est le produit du fournisseur de modèle lui-même, sur l'infrastructure du fournisseur de modèle lui-même. Hermes inverse ces trois termes. L'agent est open source, le modèle est un paramètre, et l'infrastructure est celle vers laquelle vous le pointez. C'est cette inversion qui donne du poids à l'affirmation sur la boucle d'apprentissage, car un produit fermé peut changer l'agent sous vos pieds quand bon lui semble, tandis qu'un agent dont les compétences vivent dans des fichiers que vous possédez peut être inspecté et, en principe, déplacé. Anthropic classe Skills et Plugins parmi ses capacités ; ce qu'aucune des pages produit que nous avons lues le 23 octobre 2026 ne décrit, c'est un agent qui écrit une nouvelle compétence à partir de son propre historique de tâches et révise cette compétence la prochaine fois qu'elle est utilisée. Savoir si la différence a de la valeur est une question distincte de celle de savoir si elle est réelle, et seule la seconde a été tranchée.

Le pointer vers un modèle

L’histoire du modèle dans le README tient en une seule commande : hermes model. On change ce sur quoi l’agent tourne sans modifier le code, dit le README, et sans verrouillage. C’est la partie de la conception qui devrait le mieux vieillir, car la variable intéressante dans un agent de ce genre n’est pas la boucle, mais le modèle qui se trouve en dessous. La même bibliothèque de compétences se comporte différemment sur un petit modèle ouvert et sur un modèle de pointe, et un outil qui transforme ce remplacement en un changement de configuration permet de tester la différence plutôt que d’en débattre.

Une interface compatible OpenAI est ce qui rend le changement peu coûteux, et c’est l’interface que nous parlons. OrcaRouter est un point de terminaison unique pour plus de 200 modèles sous une seule clé, avec 0 % de marge — le prix catalogue du fournisseur répercuté tel quel —, un basculement automatique lorsqu’un fournisseur se dégrade, et un DSL de routage pour les requêtes où vous voulez préciser quel modèle traite quoi. Si vous voulez un modèle de pointe derrière l’agent, Claude Opus 5.5 est à $4.00 par million de tokens d’entrée et $20.00 par million de tokens de sortie, avec un contexte de 1M de tokens et des lectures de cache à $0.20 par million. Hermes ne se soucie pas de l’endpoint qui lui répond. Une chose qu’il vaut la peine de préciser : nous hébergeons des modèles, pas les applications d’Anthropic ni l’agent de quiconque. Hermes est un logiciel de Nous Research, et l’exécuter implique votre machine, vos canaux et votre facture de tokens.

Si vous allez le lancer

La liste de vérification honnête avant l’installation n’a pas grand-chose à voir avec la boucle, et le README est inhabituellement direct à propos de la plupart de ces points.

• L'agent a besoin d'un hôte qui reste allumé. Un ordinateur portable qui se met en veille est la mauvaise machine, et c'est pourquoi le README se tourne vers un petit VPS ou un backend serverless qui s'hiberne plutôt que vers l'ordinateur posé sur votre bureau.

• Les canaux sont un choix délibéré, pas une option par défaut. Relier Telegram, Discord, Slack, WhatsApp et Signal au sein d'un même processus de passerelle signifie que ce processus détient les identifiants d'accès à chacun d'eux : c'est une surface d'attaque à prendre en compte avant d'y voir une fonctionnalité dont se réjouir.

• Le montant de 5 $ correspond au calcul. Les tokens sont facturés par le point de terminaison vers lequel vous dirigez la commande du modèle, et un agent exécuté selon une planification cron les consomme pendant que vous ne regardez pas. Le travail planifié et le temps d’inactivité à faible coût relèvent d’économies différentes.

• Les compétences qu’il rédige sont à examiner de votre côté. L’avantage des artefacts sur les poids, c’est qu’on peut les lire ; la discipline consiste en réalité à les lire, de la même manière qu’on lirait un script qu’un collègue a laissé dans le dépôt.

La question qui vaut la peine d’être posée

Nous Research a livré quelque chose avec une thèse claire : la prochaine chose utile qu'un agent fait n'est pas une fenêtre de contexte plus longue, mais une bibliothèque croissante de procédures qu'il a lui-même écrites, sur une infrastructure assez bon marché pour être laissée en fonctionnement pendant des mois. Le README défend cette thèse avec une liste détaillée de fonctionnalités, un chemin d'installation fonctionnel sur chaque plateforme qu'un développeur pourrait utiliser, et un nombre d'étoiles contre lequel la plupart des projets troqueraient volontiers une feuille de route. Ce qu'il ne porte pas encore, c'est le chiffre qui trancherait le débat — le même agent, les mêmes tâches, avant et après l'arrivée de ses propres compétences. Tant que personne n'aura publié cette comparaison, l'interprétation équitable est que la boucle d'apprentissage est un mécanisme bien décrit et un résultat non mesuré. Cela reste une chose plus intéressante à installer qu'une promesse ou un rejet.