Hermes Agent, uitgelegd: de open-source agent die zijn eigen vaardigheden schrijft

Nous Research noemt Hermes Agent, in de README op de GitHub-repository van het project, "de enige agent met een ingebouwde leerlus". De repository had 256.360 sterren en 56.015 forks toen wij hem op 23 oktober 2026 bekeken, valt onder de MIT-licentie, is op 22 juli 2025 aangemaakt en was op diezelfde dag nog gepusht. Sterren zijn aandacht, geen bewijs, en die aandacht is geen toeval: Google Trends, wereldwijd, afgelopen zeven dagen, uitgelezen op 23 oktober 2026, liet "hermes" en "hermes agent" met 30 tot 40 procent stijgen. Wat het project een zorgvuldige uitleg waard maakt, is niet het aantal maar de bewering eronder. De agent is modelagnostisch — je richt hem op elk OpenAI-compatibel endpoint, inclusief het onze — en het enige dat hij naar eigen zeggen doet en dat de producten waarmee hij vergeleken zal worden niet doen, is leren van zijn eigen werk.

Wat je eigenlijk aan het installeren bent

Claude Code, Claude Cowork en Claude Duet zijn producten. Je logt in, je krijgt een interface, de leverancier draait het model en het abonnement dekt het gebruik. Hermes Agent is een repository. Je installeert het op een machine die je zelf beheert, geeft het een model-endpoint, en vanaf dat moment is het aan jou om het te configureren, stuk te maken en te laten draaien. De framing van de README zelf is infrastructureel in plaats van consumentgericht: "Draai het op een VPS van $5, een GPU-cluster of serverloze infrastructuur die bijna niets kost als hij inactief is." Het is bewust niet aan een laptop gebonden, en de verkoopboodschap die daarop volgt is dat je er via Telegram mee praat terwijl het op een cloud-VM werkt.

De installatie volgt dezelfde opzet. Linux, macOS en WSL2 krijgen een script van één regel; native Windows krijgt een PowerShell-opdracht van één regel waarvan de README zegt dat die de CLI, de gateway, de terminalinterface en de tools draait zonder WSL, helemaal niet. Android- en Termux-gebruikers krijgen een ondertekende APT-repository voor aarch64-apparaten met een stabiel kanaal en een canarykanaal, en de README verwijst hen naar een aparte Termux-gids in plaats van naar de desktopinstaller. De broninstallatie besteedt Python 3.14, Node.js, npm, ripgrep, FFmpeg en de Python-afhankelijkheden uit aan een pakketbeheerder, en zet een geverifieerd Git for Windows-archief klaar als Git ontbreekt — zonder de Git die al op de machine staat te vervangen. Er is zelfs een probleemoplossingsitem voor antivirussoftware die de meegeleverde uv.exe in quarantaine plaatst, wat de README bestempelt als een false positive op de Rust-pakketbeheerder die het meelevert. Dat niveau van zorg voor machines die de beheerders niet kunnen zien, is op zichzelf een signaal over voor wie de software bedoeld is.

Waar het zich bevindt, en waar het werk plaatsvindt

Twee onderdelen van de functielijst waar je makkelijk overheen leest en die moeilijk goed te doen zijn. Het eerste is dat het zit waar je al bent: Telegram, Discord, Slack, WhatsApp, Signal en een gewone CLI, allemaal vanuit één gateway-proces, met transcriptie van spraakberichten en gesprekscontinuïteit die over de kanalen heen wordt meegenomen. Het tweede is waar het werk gebeurt. Zes terminal-backends zijn ingebouwd — lokaal, Docker, SSH, Modal, Daytona en Vercel Sandbox — plus plug-in-backends zoals Singularity en Apptainer. Daytona en Modal bieden serverless persistentie: de omgeving van de agent gaat in slaapstand bij inactiviteit en wordt op verzoek gewekt. Daarom kan de README zowel "een VPS van $5" als "bijna niets bij inactiviteit" in één adem aanbieden zonder dat die twee elkaar tegenspreken.

Daar bovenop zit een cron-scheduler met aflevering op elk platform — dagelijkse rapporten, nachtelijke back-ups, wekelijkse audits, geschreven in natuurlijke taal en onbeheerd uitgevoerd — en geïsoleerde subagents voor parallelle werkstromen, waarvan de provider, het model en de limieten in de desktopapp worden ingesteld onder Instellingen, Model, Subagents. Er is ook een onderzoeksgedeelte: het genereren van trajecten in batches en het comprimeren van trajecten voor het trainen van de volgende generatie tool-calling-modellen. De terminalinterface zelf is een volledige TUI met bewerking over meerdere regels, autocomplete voor slash-commando's, gespreksgeschiedenis, onderbreken-en-omleiden en streaming van tool-output. Niets daarvan is de claim waarmee het project uitpakt, en dat is veelzeggend: het is de onglamoureuze helft van een agent die moet overleven wanneer je hem gewoon aan laat staan.

De lus, ontleed

De term ‘learning loop’ doet veel werk in de eerste regel van de README, dus het loont de moeite hem uit te splitsen in de vijf dingen die het document daadwerkelijk noemt.

• Door de agent samengesteld geheugen, met periodieke aansporingen: de agent bepaalt wat het bewaren waard is en wordt ertoe aangezet dit vast te leggen in plaats van te wachten tot een gebruiker erom vraagt.

• Autonome creatie van vaardigheden na complexe taken, zodat een lange reeks stappen een herbruikbare procedure achterlaat in plaats van de volgende keer opnieuw te worden afgeleid.

• Vaardigheden die zichzelf tijdens gebruik verbeteren: de procedure wordt de volgende keer dat deze wordt toegepast bewerkt, in plaats van bevroren op het moment dat deze werd geschreven.

• FTS5-sessiezoekfunctie met LLM-samenvatting, zodat eerdere gesprekken over sessies heen opvraagbaar zijn in plaats van weg te zitten in een scrollbackbuffer die niemand leest.

• Gebruikersmodellering — de README schrijft Honcho een dialectische benadering toe — die zich opbouwt tot "een steeds dieper wordend model van wie je bent over sessies heen".

Dat is een samenhangend ontwerp, en de artefactvraag is de vraag die ertoe doet. Niets in de README beschrijft een trainingsrun. De loop produceert geschreven materiaal: geheugenitems en skills, die openlijk worden behouden en herzien. In principe betekent dat dat een gebruiker kan lezen wat de agent heeft besloten te behouden en kan diffen wat er na de volgende taak is veranderd; het betekent ook dat de verbetering buiten het model leeft, in bestanden die een modelwissel overleven. Het project is ook compatibel met de open standaard agentskills.io, wat juist van belang is als je erom geeft of die skills de tool die ze heeft geschreven overleven. Als je ze afzonderlijk bekijkt, bestaan geheugen, retrieval, geplande taken en subagents allemaal al elders. De combinatie, en de nadruk op de agent die zijn eigen procedures herschrijft, is het deel dat als nieuw wordt geclaimd.

Wat is er gemeten?

Openbaar: niets. De README publiceert geen benchmarkscore, geen geauditeerde vergelijking met een andere agent, geen standaardmodel en geen gehoste prijspagina. De superlatieve bewering in de eerste zin komt zonder bijbehorende test, en een claim van die aard heeft er een nodig, omdat de vergelijking die ze maakt tegen elke andere agent die bestaat is, inclusief agents die al geheugen opslaan of hun eigen tools schrijven. "De enige agent met een ingebouwde leerloop" is een zin die een lezer aan een functiematrix kan controleren; of de loop de agent beter maakt in je werk is een andere vraag, en die is niet in het openbaar beantwoord.

Aandacht verricht ondertussen het werk dat bewijs anders zou doen. 256.360 sterren en 56.015 forks is een groot aantal voor een repository die in juli 2025 is aangemaakt, en het is zo'n getal dat een lezer als een oordeel opneemt. Dat is het niet. Een ster kost een klik. Berichtgeving in de pers begin oktober 2026 schatte de financieringsronde van Nous Research op 90 miljoen dollar bij een gerapporteerde waardering van 1,5 miljard dollar, met NVIDIA en Samsung onder de investeerders, en schatte de agent op meer dan 24 miljoen downloads. Dat zijn cijfers uit berichtgeving, niet claims die het bedrijf zelf publiceert, en zelfs op hun nominale waarde zeggen ze alleen iets over adoptie, niet over capaciteit.

Het is oprecht moeilijk om dit goed te meten, en dat is het eerlijkste wat je namens het project kunt zeggen. De eenheid van verbetering is een taak die je al hebt gedaan, dus het contrafactische scenario is dezelfde agent op dezelfde taak zonder de skill die hij heeft geschreven — de workload moet twee keer worden uitgevoerd, met en zonder het artefact, over genoeg taken om een echte winst te onderscheiden van ruis tussen runs. Niemand heeft dat gepubliceerd. Totdat iemand dat doet, is de eerlijke samenvatting dat het mechanisme in ongebruikelijk detail wordt beschreven en dat de uitkomst wordt beweerd.

De Claude-producten waarmee het wordt vergeleken

Een lezer die via de Claude-kant bij Hermes aankomt, heeft een specifieke set producten in gedachten, en de vergelijking is de moeite waard, omdat de categorieën al verschillen voordat er nog maar sprake is van een functie. De navigatie van Anthropic vermeldt Claude zelf, Claude Code, Claude Cowork, Claude Duet, Claude Tag, Claude Science en Claude Security. Claude Code is gebouwd voor software-engineering en draait in een terminal, een desktopapp, een webinterface en een mobiele app, met GitHub- en IDE-integraties, code review algemeen beschikbaar op Team en Enterprise, en een beveiligingsplug-in in bèta. Claude Cowork neemt een doel en werkt door je bestanden en tools heen, met een browser in het zijpaneel, en voor het verwijderen van wat dan ook is jouw goedkeuring nodig. Claude Duet is de proactieve variant: een zelfstandige app, op een wachtlijst voor abonnees van Claude Pro en Max in de VS, gebouwd op Claude Opus 5.5.

Elk daarvan is het eigen product van de modelleverancier op de eigen infrastructuur van die leverancier. Hermes keert alle drie de termen om. De agent is open source, het model is een parameter en de infrastructuur is alles waar je hem op richt. Die omkering is waar de bewering over de leerlus haar gewicht krijgt, want een gesloten product kan de agent onder je vandaan veranderen wanneer het maar wil, terwijl een agent wiens vaardigheden in bestanden staan die jij bezit, kan worden geïnspecteerd en in principe verplaatst. Anthropic vermeldt Skills en Plugins onder zijn mogelijkheden; wat geen van de productpagina's die we op 23 oktober 2026 lazen, beschrijft, is een agent die een nieuwe vaardigheid schrijft op basis van zijn eigen taakgeschiedenis en die vaardigheid herziet de volgende keer dat hij wordt gebruikt. Of het verschil waardevol is, is een andere vraag dan of het echt is, en alleen het tweede is vastgesteld.

Het op een model richten

Het modelverhaal in de README is één commando: hermes model. Wissel waarop de agent draait zonder codewijzigingen, zegt de README, en zonder lock-in. Dat is het deel van het ontwerp dat het beste zou moeten verouderen, want de interessante variabele in een agent van dit soort is niet de loop maar het model eronder. Dezelfde skillbibliotheek gedraagt zich anders op een klein open model dan op een frontier-model, en een tool die die uitwisseling een configuratiewijziging maakt, laat je het verschil testen in plaats van erover te discussiëren.

Een OpenAI-compatibele interface is wat de overstap goedkoop maakt, en het is de interface die wij spreken. OrcaRouter is één endpoint voor meer dan 200 modellen onder één sleutel, met 0% opslag — de lijstprijs van de provider wordt één-op-één doorgegeven — automatische failover wanneer een provider degradeert, en een routing-DSL voor de verzoeken waarbij je specifiek wilt zijn over welk model wat afhandelt. Als je een frontiermodel achter de agent wilt, kost Claude Opus 5.5 $4,00 per miljoen inputtokens en $20,00 per miljoen outputtokens, met een context van 1M tokens en cache-reads voor $0,20 per miljoen. Het maakt Hermes niet uit welk endpoint antwoordt. Eén ding is belangrijk om duidelijk te maken: wij hosten modellen, niet de apps van Anthropic of de agent van wie dan ook. Hermes is software van Nous Research, en als je het draait, betekent dat jouw machine, jouw kanalen en jouw tokenrekening.

Als je het gaat uitvoeren

De eerlijke checklist vóór de installatie heeft weinig met de loop te maken, en de README is ongewoon direct over het grootste deel ervan.

• De agent heeft een host nodig die blijft draaien. Een laptop die in slaapstand gaat, is de verkeerde machine; daarom kiest de README voor een kleine VPS of een serverless backend die hiberneert in plaats van de computer op je bureau.

• Kanalen zijn een beslissing, geen standaardinstelling. Telegram, Discord, Slack, WhatsApp en Signal aan één gateway-proces koppelen betekent dat dat proces de inloggegevens van allemaal bevat, en dat is een aanvalsoppervlak om over na te denken voordat het een functie is om van te genieten.

• Het bedrag van $5 is rekenkracht. Tokens worden gefactureerd via het endpoint waarop je het modelcommando richt, en een agent die volgens een cron-schema draait, verbruikt ze terwijl jij niet kijkt. Gepland werk en goedkope inactieve tijd zijn verschillende economieën.

• De vaardigheden die het schrijft, zijn aan jou om te beoordelen. Het voordeel van artefacten boven gewichten is dat je ze kunt lezen; de discipline is ze daadwerkelijk lezen, op dezelfde manier waarop je een script zou lezen dat een collega in de repository heeft achtergelaten.

De vraag die het waard is om te stellen

Nous Research heeft iets uitgebracht met een duidelijke stelling: dat het volgende nuttige ding dat een agent doet niet een langer contextvenster is, maar een groeiende bibliotheek van procedures die hij zelf heeft geschreven, op infrastructuur die goedkoop genoeg is om maandenlang te laten draaien. De README verdedigt die stelling met een gedetailleerde lijst van functies, een werkende installatieroute op elk platform dat een ontwikkelaar zou kunnen gebruiken, en een aantal sterren waarvoor de meeste projecten een roadmap zouden inruilen. Wat er nog niet in staat, is het cijfer dat de discussie zou beslechten — dezelfde agent, dezelfde taken, voor en na de komst van zijn eigen vaardigheden. Totdat iemand die vergelijking publiceert, is de eerlijke lezing dat de leerlus een goed beschreven mechanisme is en een ongemeten resultaat. Dat is nog steeds iets interessanters om te installeren dan een belofte of een afwijzing.