Hermes Agent, förklarad: Den öppna källkodsagenten som skriver sina egna färdigheter

Nous Research kallar Hermes Agent, i README-filen i projektets GitHub-repositorium, för "den enda agenten med en inbyggd inlärningsloop". Repositoriet hade 256 360 stjärnor och 56 015 forks när vi läste det den 23 oktober 2026, har MIT-licens, skapades den 22 juli 2025 och hade senast pushats samma dag. Stjärnor är uppmärksamhet snarare än bevis, och uppmärksamheten är ingen slump: Google Trends, globalt, de senaste sju dagarna, avläst den 23 oktober 2026, visade att "hermes" och "hermes agent" hade ökat med mellan 30 och 40 procent. Det som gör projektet värt en noggrann förklaring är inte antalet utan påståendet som ligger bakom. Agenten är modellagnostisk – du pekar den mot vilken OpenAI-kompatibel endpoint som helst, inklusive vår – och det enda den säger sig göra som de produkter den kommer att jämföras med inte gör, är att lära sig av sitt eget arbete.

Vad du faktiskt installerar

Claude Code, Claude Cowork och Claude Duet är produkter. Du loggar in, du får en yta, leverantören kör modellen och planen täcker användningen. Hermes Agent är ett repository. Du installerar det på en maskin som du kontrollerar, ger det en modellendpoint och därifrån är det ditt att konfigurera, ha sönder och låta köra. README-filens egen inramning är infrastrukturell snarare än konsumentinriktad: "Kör det på en VPS för 5 USD, ett GPU-kluster eller serverlös infrastruktur som knappt kostar något när den är inaktiv." Det är medvetet inte knutet till en laptop, och den efterföljande pitchen är att du pratar med det från Telegram medan det arbetar på en virtuell maskin i molnet.

Installationen följer samma mönster. Linux, macOS och WSL2 får ett skript på en rad; native Windows får en PowerShell one-liner som enligt README kör CLI:t, gatewayen, terminalgränssnittet och verktygen helt utan WSL. Android- och Termux-användare får ett signerat APT-förråd för aarch64-enheter med en stabil kanal och en canary-kanal, och README hänvisar dem till en separat Termux-guide i stället för skrivbordsinstallationsprogrammet. Källinstallationsprogrammet delegerar Python 3.14, Node.js, npm, ripgrep, FFmpeg och Python-beroendena till en pakethanterare och förbereder ett verifierat Git for Windows-arkiv om Git saknas – utan att ersätta det Git som redan finns på datorn. Det finns till och med en felsökningspost för antivirusprogram som sätter det medföljande uv.exe i karantän, vilket README identifierar som en falsk positiv träff på den Rust-pakethanterare som det levereras med. Den nivån av omsorg om maskiner som underhållarna inte kan se är i sig en signal om vem programvaran är till för.

Var den finns, och var arbetet sker

Två delar av funktionslistan är lätta att missa när man skummar och svåra att göra bra. Den första är att den finns där du redan är: Telegram, Discord, Slack, WhatsApp, Signal och en vanlig CLI, allt från en enda gateway-process, med transkribering av röstmemon och samtalskontinuitet som följer med över kanalerna. Den andra är där arbetet sker. Sex terminalbackendar är inbyggda – lokal, Docker, SSH, Modal, Daytona och Vercel Sandbox – plus plugin-backendrar som Singularity och Apptainer. Daytona och Modal erbjuder serverlös persistens: agentens miljö går i viloläge när den är inaktiv och väcks vid behov. Det är därför README kan erbjuda både "en VPS för $5" och "nästan ingenting när den är inaktiv" i samma andetag utan att de två motsäger varandra.

Ovanpå det sitter en cron-schemaläggare med leverans till valfri plattform – dagliga rapporter, nattliga säkerhetskopior, veckovisa granskningar, skrivna i naturligt språk och körda utan övervakning – och isolerade subagenter för parallella arbetsflöden, vars leverantör, modell och gränser ställs in i desktopappen under Settings, Model, Subagents. Det finns också en forskningsyta: batchvis trajektoriegenerering och trajektoriekomprimering för att träna nästa generation av modeller för verktygsanrop. Själva terminalgränssnittet är en komplett TUI med redigering över flera rader, autokomplettering av snedstreckskommandon, konversationshistorik, avbryta och styra om samt strömmande verktygsutdata. Inget av detta är det som projektet för fram som sitt främsta argument, vilket är talande: det är den oglamorösa hälften av en agent som måste klara av att lämnas påslagen.

Loopen, uppdelad

Frasen ”learning loop” får bära mycket i första raden i README, så det är värt att veckla ut den i de fem saker som dokumentet faktiskt nämner.

• Agentkurerat minne, med återkommande påminnelser: agenten avgör vad som är värt att behålla och uppmanas att bevara det i stället för att vänta på att en användare frågar.

• Autonom kompetensskapning efter komplexa uppgifter, så att en lång sekvens av steg lämnar efter sig en återanvändbar procedur i stället för att behöva härledas på nytt nästa gång.

• Färdigheter som självförbättras under användning: proceduren redigeras nästa gång den tillämpas, i stället för att frysas vid det tillfälle den skrevs.

• FTS5-sessionssökning med LLM-sammanfattning, så att tidigare konversationer kan hämtas mellan sessioner i stället för att ligga i en scrollback-buffert som ingen läser.

• Användarmodellering – README:n tillskriver Honcho en dialektisk metod – som ackumuleras till "en fördjupad modell av vem du är över sessioner".

Det är en sammanhängande design, och artefaktfrågan är den som spelar roll. Ingenting i README beskriver en träningskörning. Loopen producerar skriftligt material: minnesposter och färdigheter, som behålls och revideras öppet. I princip innebär det att en användare kan läsa vad agenten beslutade att behålla och diffa vad som ändrades efter nästa uppgift; det innebär också att förbättringen lever utanför modellen, i filer som överlever ett modellbyte. Projektet är också kompatibelt med den öppna standarden agentskills.io, vilket spelar roll just om man bryr sig om huruvida dessa färdigheter överlever verktyget som skrev dem. Var för sig finns minne, hämtning, schemalagda jobb och subagenter redan någon annanstans. Kombinationen, och betoningen på att agenten skriver om sina egna procedurer, är den del som hävdas vara ny.

Vad som har mätts

Ingenting, offentligt. README:n publicerar inget benchmarkresultat, ingen granskad jämförelse mot en annan agent, ingen standardmodell och ingen prissida för den värdbaserade tjänsten. Superlativen i den första meningen kommer utan ett test kopplat till sig, och ett påstående av den formen behöver ett, eftersom jämförelsen den gör är mot varje annan agent som existerar, inklusive agenter som redan har minne eller skriver sina egna verktyg. "Den enda agenten med en inbyggd inlärningsloop" är en mening som en läsare kan kontrollera mot en funktionsmatris; om loopen gör agenten bättre på ditt arbete är en annan fråga, och den har inte besvarats offentligt.

Under tiden gör uppmärksamheten det arbete som bevis annars skulle göra. 256 360 stjärnor och 56 015 forks är ett stort antal för ett kodförråd som skapades i juli 2025, och det är den sortens siffra som en läsare tar till sig som en dom. Det är den inte. Pressrapportering i början av oktober 2026 angav att Nous Researchs kapitalanskaffning uppgick till 90 miljoner dollar till en rapporterad värdering på 1,5 miljarder dollar, med NVIDIA och Samsung bland investerarna, och att agenten hade fler än 24 miljoner nedladdningar. Det är siffror från rapportering snarare än påståenden som företaget självt publicerar, och även om man tar dem för godo mäter de användning, inte förmåga.

Att mäta detta på ett korrekt sätt är verkligen svårt, vilket är det rättvisaste man kan säga för projektets räkning. Enheten för förbättring är en uppgift som du redan har utfört, så kontrafaktualen är samma agent på samma uppgift utan den färdighet den skrev — arbetsbelastningen måste köras två gånger, med och utan artefakten, över tillräckligt många uppgifter för att skilja en verklig vinst från brus mellan körningar. Ingen har publicerat det. Tills någon gör det är den ärliga sammanfattningen att mekanismen beskrivs i ovanlig detalj och att resultatet påstås.

De Claude-produkter som det jämförs med

En läsare som kommer till Hermes från Claude-sidan har en specifik uppsättning produkter i åtanke, och jämförelsen är värd att göra eftersom kategorierna skiljer sig åt innan någon funktion gör det. Anthropics navigering listar Claude självt, Claude Code, Claude Cowork, Claude Duet, Claude Tag, Claude Science och Claude Security. Claude Code är byggt för mjukvaruutveckling och körs i en terminal, en skrivbordsapp, ett webbgränssnitt och en mobilapp, med GitHub- och IDE-integrationer, kodgranskning allmänt tillgänglig för Team och Enterprise samt en säkerhetsplugin i beta. Claude Cowork utgår från ett mål och arbetar över dina filer och verktyg, med en webbläsare i sidopanelen, och att radera något kräver ditt godkännande. Claude Duet är den proaktiva: en fristående app, på en väntelista för Claude Pro- och Max-prenumeranter i USA, byggd på Claude Opus 5.5.

Vart och ett av dessa är modellleverantörens egen produkt på modellleverantörens egen infrastruktur. Hermes inverterar alla tre termerna. Agenten är öppen källkod, modellen är en parameter och infrastrukturen är vad du än pekar den mot. Det är i den inversionen som påståendet om inlärningsloopen får sin tyngd, för en sluten produkt kan ändra agenten under dig när den vill, medan en agent vars färdigheter ligger i filer du äger kan granskas och i princip flyttas. Anthropic listar Skills och Plugins bland sina förmågor; det som ingen av de produktsidor vi läste den 23 oktober 2026 beskriver är en agent som skriver en ny färdighet utifrån sin egen uppgiftshistorik och reviderar den färdigheten nästa gång den används. Om skillnaden är värdefull är en separat fråga från om den är verklig, och bara den andra har avgjorts.

Rikta den mot en modell

README-filens modellberättelse är ett enda kommando: hermes model. Byt det agenten kör på utan kodändringar, säger README, och utan inlåsning. Det är den delen av designen som borde åldras bäst, eftersom den intressanta variabeln i en agent av det här slaget inte är loopen utan modellen under den. Samma färdighetsbibliotek beter sig olika på en liten öppen modell och på en i absolut framkant, och ett verktyg som gör det bytet till en konfigurationsändring låter dig testa skillnaden i stället för att argumentera om den.

Ett OpenAI-kompatibelt gränssnitt är det som gör bytet billigt, och det är det gränssnittet vi talar. OrcaRouter är en enda slutpunkt för fler än 200 modeller under en och samma nyckel, med 0 % påslag – leverantörens listpris går rakt igenom – automatisk failover när en leverantör försämras, och en routnings-DSL för de förfrågningar där du vill vara specifik om vilken modell som hanterar vad. Om du vill ha en frontlinjemodell bakom agenten kostar Claude Opus 5.5 4,00 USD per miljon indatatoken och 20,00 USD per miljon utdatatoken, med en kontext på 1 miljon token och cacheläsningar till 0,20 USD per miljon token. Hermes bryr sig inte om vilken slutpunkt som svarar. En sak som är värd att vara tydlig med: vi hostar modeller, inte Anthropics appar eller någon annans agent. Hermes är Nous Researchs programvara, och att köra det innebär att maskinen, kanalerna och tokenräkningen är dina.

Om du tänker köra det

Den ärliga checklistan inför installationen har inte mycket med loopen att göra, och README är ovanligt rakt på sak om det mesta av det.

Agenten behöver en värd som hålls igång. En bärbar dator som går i viloläge är fel maskin, vilket är anledningen till att README:n tar till en liten VPS eller en serverlös backend som går i viloläge i stället för datorn på skrivbordet.

• Kanaler är ett beslut, inte ett standardval. Att koppla in Telegram, Discord, Slack, WhatsApp och Signal i en enda gateway-process innebär att den processen håller autentiseringsuppgifterna för alla dem, och det är en yta att tänka igenom innan det blir en funktion att njuta av.

• Siffran $5 avser beräkningskraft. Tokens faktureras av vilken slutpunkt du än pekar model-kommandot mot, och en agent som körs enligt ett cron-schema gör av med dem medan du inte tittar. Schemalagt arbete och billig ledig tid är olika ekonomier.

• De färdigheter den skriver är dina att granska. Fördelen med artefakter framför vikter är att du kan läsa dem; disciplinen är att faktiskt läsa dem, på samma sätt som du skulle läsa ett skript som en kollega lämnat i kodförrådet.

Frågan som är värd att ställa

Nous Research har lanserat något med en tydlig tes: att nästa användbara sak en agent gör inte är ett längre kontextfönster utan ett växande bibliotek av procedurer som den själv har skrivit, på infrastruktur som är billig nog att låta den vara igång i månader. README argumenterar för den tesen med en detaljerad funktionslista, en fungerande installationsväg på varje plattform en utvecklare kan tänkas använda, och ett stjärnantal som de flesta projekt skulle byta sin färdplan mot. Det den ännu inte har är siffran som skulle avgöra saken — samma agent, samma uppgifter, före och efter att dess egna färdigheter dök upp. Tills någon publicerar den jämförelsen är den rimliga tolkningen att inlärningsloopen är en välbeskriven mekanism och ett icke uppmätt resultat. Det är fortfarande en mer intressant sak att installera än antingen ett löfte eller en avfärdning.