Hermes Agent wyjaśniony: otwartoźródłowy agent, który pisze własne umiejętności

Nous Research nazywa Hermes Agent w README w repozytorium projektu na GitHubie „jedynym agentem z wbudowaną pętlą uczenia się”. Gdy czytaliśmy to repozytorium 23 października 2026 r., miało ono 256 360 gwiazdek i 56 015 forków, było udostępniane na licencji MIT, powstało 22 lipca 2025 r., a ostatni push wykonano tego samego dnia. Gwiazdki to raczej uwaga niż dowód, ale ta uwaga nie jest przypadkiem: Google Trends dla całego świata z ostatnich siedmiu dni, odczytane 23 października 2026 r., wskazało wzrost zainteresowania hasłami „hermes” i „hermes agent” o 30–40 proc. To, co czyni ten projekt wartym uważnego wyjaśnienia, to nie liczba, lecz stojące za nią twierdzenie. Agent nie jest przywiązany do konkretnego modelu — można go skierować na dowolny endpoint zgodny z OpenAI, w tym nasz — a jedyną rzeczą, o której twierdzi, że ją robi, a której nie robią produkty, z którymi będzie porównywany, jest uczenie się na własnej pracy.

Co tak naprawdę instalujesz

Claude Code, Claude Cowork i Claude Duet to produkty. Logujesz się, dostajesz interfejs, dostawca uruchamia model, a plan pokrywa zużycie. Hermes Agent to repozytorium. Instalujesz go na maszynie, którą kontrolujesz, przekazujesz mu endpoint modelu, a od tego momentu należy do ciebie: możesz go konfigurować, psuć i pozostawiać uruchomionego. Sposób, w jaki README to przedstawia, jest infrastrukturalny, a nie konsumencki: „Uruchom go na VPS za 5 dolarów, klastrze GPU lub infrastrukturze bezserwerowej, która kosztuje niemal nic, gdy jest bezczynna”. Celowo nie jest przypisany do laptopa, a obietnica, która za tym idzie, jest taka, że rozmawiasz z nim z Telegrama, podczas gdy on pracuje na maszynie wirtualnej w chmurze.

Instalacja przebiega według tego samego schematu. Linux, macOS i WSL2 otrzymują jednowierszowy skrypt; natywny Windows otrzymuje jednowierszowe polecenie PowerShell, które — jak podaje README — uruchamia CLI, gateway, interfejs terminalowy i narzędzia całkowicie bez WSL. Użytkownicy Androida i Termuxa otrzymują podpisane repozytorium APT dla urządzeń aarch64 ze stabilnym kanałem i kanałem canary, a README odsyła ich do osobnego przewodnika po Termuxie zamiast do instalatora desktopowego. Instalator ze źródeł powierza instalację Python 3.14, Node.js, npm, ripgrep, FFmpeg i zależności Pythona menedżerowi pakietów, a jeśli brakuje Gita, przygotowuje zweryfikowane archiwum Git for Windows — nie zastępując przy tym Gita już obecnego na komputerze. Jest nawet wpis dotyczący rozwiązywania problemów z oprogramowaniem antywirusowym obejmującym kwarantanną dołączony plik uv.exe, który README uznaje za fałszywy alarm dotyczący dostarczanego menedżera pakietów napisanego w Rust. Taki poziom dbałości o maszyny, których maintainerzy nie mogą zobaczyć, sam w sobie jest sygnałem, dla kogo jest to oprogramowanie.

Gdzie się znajduje i gdzie wykonywana jest praca

Dwie części tej listy funkcji łatwo przeoczyć przy pobieżnym przeglądaniu, a trudno zrobić dobrze. Pierwsza z nich to fakt, że działa tam, gdzie już jesteś: Telegram, Discord, Slack, WhatsApp, Signal i zwykły CLI — wszystko z jednego procesu gatewaya, z transkrypcją notatek głosowych i ciągłością rozmowy przenoszoną między kanałami. Druga dotyczy tego, gdzie wykonuje się praca. Wbudowanych jest sześć backendów terminala — lokalny, Docker, SSH, Modal, Daytona i Vercel Sandbox — a do tego backendy wtyczek, takie jak Singularity i Apptainer. Daytona i Modal oferują bezserwerową trwałość: środowisko agenta hibernuje się, gdy jest bezczynne, i wybudza na żądanie. Dlatego README może w jednym zdaniu oferować zarówno „VPS za 5 dolarów”, jak i „prawie nic, gdy jest bezczynny”, bez wzajemnej sprzeczności.

Na szczycie tego znajduje się harmonogram cron z dostarczaniem do dowolnej platformy — codzienne raporty, nocne kopie zapasowe, cotygodniowe audyty, zapisywane językiem naturalnym i uruchamiane bez nadzoru — oraz izolowane podagenty do równoległych strumieni pracy, których dostawcę, model i limity ustawia się w aplikacji desktopowej w sekcjach Ustawienia, Model, Podagenci. Jest też obszar badawczy: wsadowe generowanie trajektorii i kompresja trajektorii do trenowania kolejnej generacji modeli wywołujących narzędzia. Sam interfejs terminalowy to pełnoprawny TUI z edycją wielowierszową, autouzupełnianiem poleceń ze slashem, historią rozmów, przerywaniem i przekierowywaniem oraz strumieniowanym wyjściem narzędzi. Nic z tego nie jest główną obietnicą projektu, co jest wymowne: to nieefektowna połowa agenta, który musi przetrwać pozostawienie go włączonym.

Pętla, rozłożona na części

Fraza „learning loop” odgrywa dużą rolę w pierwszym wierszu README, więc warto ją rozłożyć na pięć rzeczy, które dokument faktycznie wymienia.

• Pamięć kuratorowana przez agenta, z okresowymi zachętami: agent decyduje, co warto zachować, i jest zachęcany do utrwalenia tego, zamiast czekać, aż poprosi o to użytkownik.

• Autonomiczne tworzenie umiejętności po złożonych zadaniach, dzięki czemu długa sekwencja kroków pozostawia po sobie procedurę wielokrotnego użytku, zamiast być wypracowywana od nowa przy następnym razie.

• Umiejętności, które doskonalą się w trakcie użytkowania: procedura jest edytowana przy następnym zastosowaniu, a nie zamrażana w momencie jej zapisania.

• Wyszukiwanie sesji w FTS5 z podsumowywaniem przez LLM, dzięki czemu przeszłe rozmowy można odnaleźć w kolejnych sesjach, zamiast żeby zalegały w buforze przewijania, którego nikt nie czyta.

• Modelowanie użytkownika — README przypisuje Honcho podejście dialektyczne — które kumuluje się w „coraz głębszy model tego, kim jesteś, w miarę kolejnych sesji”.

To spójny projekt, a kwestia artefaktu jest tą, która ma znaczenie. Nic w README nie opisuje przebiegu treningu. Pętla wytwarza materiał pisany: wpisy pamięci i umiejętności, zachowywane i rewidowane jawnie. W zasadzie oznacza to, że użytkownik może przeczytać, co agent zdecydował się zachować, i porównać, co zmieniło się po następnym zadaniu; oznacza to również, że poprawa żyje poza modelem, w plikach, które przetrwają zmianę modelu. Projekt jest też zgodny z otwartym standardem agentskills.io, co ma znaczenie właśnie wtedy, gdy zależy ci na tym, czy te umiejętności przetrwają narzędzie, które je zapisało. Rozpatrywane pojedynczo, pamięć, wyszukiwanie, zadania zaplanowane i podagenci istnieją gdzie indziej. Kombinacja, oraz nacisk na to, by agent przepisywał własne procedury, to część, którą przedstawia się jako nową.

Co zostało zmierzone

Publicznie nic. README nie publikuje żadnego wyniku benchmarku, żadnego audytowanego porównania z innym agentem, żadnego domyślnego modelu ani żadnej hostowanej strony z cennikiem. Superlatyw w pierwszym zdaniu pojawia się bez dołączonego do niego testu, a twierdzenie tego rodzaju wymaga testu, ponieważ dokonuje porównania z każdym innym istniejącym agentem, w tym z agentami, które już przechowują pamięć lub tworzą własne narzędzia. „Jedyny agent z wbudowaną pętlą uczenia się” to zdanie, które czytelnik może sprawdzić w matrycy funkcji; czy pętla sprawia, że agent lepiej wykonuje twoją pracę, to inne pytanie, i nie odpowiedziano na nie publicznie.

Uwaga odgrywa tymczasem rolę, którą w innym wypadku odgrywałyby dowody. 256 360 gwiazdek i 56 015 forków to duża liczba jak na repozytorium utworzone w lipcu 2025 r., a jest to liczba, którą czytelnik przyjmuje jako werdykt. Ale werdyktem nie jest. Gwiazdka kosztuje jedno kliknięcie. Doniesienia prasowe z początku października 2026 r. podawały, że Nous Research pozyskało 90 mln USD przy raportowanej wycenie 1,5 mld USD, a wśród inwestorów znalazły się NVIDIA i Samsung, oraz że agent ma ponad 24 mln pobrań. To liczby pochodzące z doniesień, a nie z deklaracji publikowanych przez samą firmę, i nawet przyjęte za dobrą monetę mierzą adopcję, a nie możliwości.

Rzetelny pomiar tego jest naprawdę trudny i to jest najuczciwsza rzecz, jaką można powiedzieć w imieniu projektu. Jednostką poprawy jest zadanie, które już wykonano, więc kontrfaktyczna sytuacja to ten sam agent wykonujący to samo zadanie bez umiejętności, którą napisał — obciążenie trzeba uruchomić dwukrotnie, z artefaktem i bez niego, na wystarczającej liczbie zadań, aby odróżnić rzeczywisty zysk od szumu między uruchomieniami. Nikt tego nie opublikował. Dopóki ktoś tego nie zrobi, uczciwe podsumowanie brzmi: mechanizm opisano z nietypową szczegółowością, a wynik jest jedynie twierdzony.

Produkty Claude, z którymi jest porównywany

Czytelnik, który trafia do Hermes ze strony Claude, będzie mieć na myśli konkretny zestaw produktów, a porównanie warto przeprowadzić, ponieważ kategorie różnią się, zanim jeszcze różnią się jakiekolwiek funkcje. W nawigacji Anthropic wymieniono samego Claude’a, Claude Code, Claude Cowork, Claude Duet, Claude Tag, Claude Science i Claude Security. Claude Code jest stworzony do inżynierii oprogramowania i działa w terminalu, aplikacji desktopowej, interfejsie webowym i aplikacji mobilnej, z integracjami GitHub i IDE, ogólnie dostępnym przeglądem kodu w Team i Enterprise oraz wtyczką bezpieczeństwa w wersji beta. Claude Cowork przyjmuje cel i działa na Twoich plikach i narzędziach, z przeglądarką w panelu bocznym, a usunięcie czegokolwiek wymaga Twojej zgody. Claude Duet jest proaktywny: to samodzielna aplikacja, dostępna w liście oczekujących dla subskrybentów Claude Pro i Max w USA, zbudowana na Claude Opus 5.5.

Każdy z nich to produkt samego dostawcy modelu działający na jego własnej infrastrukturze. Hermes odwraca wszystkie trzy pojęcia. Agent jest open source, model jest parametrem, a infrastruktura jest tym, na co go wskazujesz. To odwrócenie jest źródłem siły twierdzenia o pętli uczenia się, ponieważ zamknięty produkt może w każdej chwili zmienić agenta, na którym pracujesz, podczas gdy agenta, którego umiejętności żyją w plikach, które posiadasz, można poddać inspekcji, a w zasadzie przenieść. Anthropic wymienia Skills i Plugins wśród swoich możliwości; jednak żadna ze stron produktowych, które czytaliśmy 23 października 2026 r., nie opisuje agenta, który tworzy nową umiejętność na podstawie własnej historii zadań i aktualizuje ją przy następnym użyciu. To, czy ta różnica jest cenna, to osobne pytanie od tego, czy jest rzeczywista, i rozstrzygnięto tylko to drugie.

Kierowanie go na model

Historia modelu w README to jedna komenda: hermes model. Jak podaje README, pozwala zmienić to, na czym działa agent, bez zmian w kodzie i bez uzależnienia od dostawcy. To właśnie ta część projektu powinna najlepiej się zestarzeć, ponieważ interesującą zmienną w agencie tego rodzaju nie jest pętla, lecz model pod spodem. Ta sama biblioteka umiejętności zachowuje się inaczej na małym otwartym modelu i na modelu frontier, a narzędzie, które zamienia tę zamianę w zmianę konfiguracji, pozwala przetestować różnicę zamiast się o nią spierać.

Interfejs zgodny z OpenAI sprawia, że podmiana jest tania, i to jest interfejs, którym mówimy. OrcaRouter to jeden endpoint dla ponad 200 modeli pod jednym kluczem, z 0% narzutu — cena katalogowa dostawcy przekazywana bezpośrednio — automatycznym przełączaniem awaryjnym, gdy dostawca traci jakość, oraz DSL routingu dla żądań, w których chcesz dokładnie określić, który model obsługuje co. Jeśli chcesz mieć model frontier za agentem, Claude Opus 5.5 kosztuje 4,00 USD za milion tokenów wejściowych i 20,00 USD za milion tokenów wyjściowych, z kontekstem 1 mln tokenów i odczytami z pamięci podręcznej po 0,20 USD za milion. Hermes nie dba o to, który endpoint mu odpowiada. Jedna rzecz warta wyjaśnienia: hostujemy modele, a nie aplikacje Anthropic ani cudze agenty. Hermes to oprogramowanie Nous Research, a jego uruchomienie oznacza twoją maszynę, twoje kanały i twój rachunek za tokeny.

Jeśli zamierzasz to uruchomić

Uczciwa lista kontrolna przed instalacją ma niewiele wspólnego z pętlą, a README jest wyjątkowo bezpośrednie w kwestii większości z niej.

• Agent potrzebuje hosta, który działa bez przerwy. Laptop, który zasypia, to niewłaściwa maszyna — dlatego README sięga po mały VPS lub backend serverless, który hibernuje, zamiast komputera na twoim biurku.

Kanały to decyzja, a nie domyślne ustawienie. Podłączenie Telegrama, Discorda, Slacka, WhatsAppa i Signala do jednego procesu bramy oznacza, że proces ten przechowuje poświadczenia do nich wszystkich — a to powierzchnia, o której warto pomyśleć, zanim stanie się funkcją, którą można się cieszyć.

• Kwota $5 to koszt obliczeń. Tokeny są rozliczane przez ten punkt końcowy, na który wskazuje polecenie modelu, a agent działający według harmonogramu cron wydaje je, gdy nie patrzysz. Zaplanowana praca i tanie okresy bezczynności to różne gospodarki.

• Umiejętności, które zapisuje, są do twojej oceny. Przewaga artefaktów nad wagami polega na tym, że można je przeczytać; dyscyplina to faktyczne ich czytanie — tak samo, jak czytałbyś skrypt, który kolega zostawił w repozytorium.

Pytanie, które warto zadać

Nous Research wypuściło coś z jasną tezą: że następną użyteczną rzeczą, którą zrobi agent, nie będzie dłuższe okno kontekstu, lecz rosnąca biblioteka procedur, które napisał sam, na infrastrukturze wystarczająco taniej, by pozostawić ją uruchomioną przez miesiące. README argumentuje tę tezę szczegółową listą funkcji, działającą ścieżką instalacji na każdej platformie, z której programista może korzystać, oraz liczbą gwiazdek, za którą większość projektów oddałaby roadmapę. Czego jeszcze nie zawiera, to liczby, która rozstrzygnęłaby spór — ten sam agent, te same zadania, przed i po pojawieniu się jego własnych umiejętności. Dopóki ktoś nie opublikuje tego porównania, uczciwa interpretacja jest taka, że pętla uczenia się to dobrze opisany mechanizm i niezmierzony wynik. To wciąż ciekawsza rzecz do zainstalowania niż obietnica czy odrzucenie.