Hermes Agent — Open Source Projektvorstellung

Repository: https://github.com/NousResearch/hermes-agent

1. Projektübersicht

Hermes Agent ist ein sich selbst verbessernder, Open-Source-KI-Agent, der von Nous Research entwickelt wurde. Er erstellt und verfeinert autonom Fähigkeiten aus Erfahrungen, behält sich einen persistenten Speicher über Sitzungen hinweg und läuft auf jeder Infrastruktur – von einem 5-Dollar-VPS bis zu einem GPU-Cluster –, zugänglich über das Terminal oder gängige Messaging-Plattformen.

2. Projekt-Hintergrund & Positionierung

Ursprung & Kernmission

Die meisten KI-Agenten sind zustandslos – sie vergessen jede Konversation, wiederholen dieselben Fehler und binden Sie an ein einzelnes Modell oder einen Cloud-Anbieter. Hermes wurde entwickelt, um dies zu beheben. Seine Kernmission ist es, der Agent zu sein, der mit Ihnen wächst: einer, der prozedurales Wissen (Fähigkeiten) ansammelt, im Laufe der Zeit ein persistentes Modell des Benutzers aufbaut und sich kontinuierlich selbst verbessert, ohne manuelle Eingriffe zu erfordern.

Unterschiede zu Alternativen

Dimension	Hermes Agent	Typische Alternativen
Lernschleife	Autonome Fähigkeitserstellung & Selbstverbesserung	Keine (zustandslos)
Modellbindung	Jeder Anbieter über OpenRouter, OpenAI, Anthropic usw.	Oft Einzelanbieter
Infrastruktur	Lokal, Docker, SSH, Modal, Daytona, Singularity	Meist nur lokal
Schnittstellen	CLI + Telegram, Discord, Slack, WhatsApp, Signal	CLI oder Web-UI
Speicher	FTS5-Sitzungssuche + LLM-Zusammenfassung + Benutzer-Modellierung	Einfaches Kontextfenster
RL-Integration	Atropos RL-Umgebung zum Trainieren von Tool-Calling-Modellen	Nicht anwendbar

3. Funktionskategorien

🧠 Lern- & Speichersystem

~5 Kern-Subsysteme

Autonome Fähigkeitserstellung — Der Agent erstellt wiederverwendbare Fähigkeiten nach Abschluss komplexer Aufgaben
Fähigkeits-Selbstverbesserung — Fähigkeiten verfeinern sich während der Nutzung
FTS5-Sitzungssuche — Volltextsuche über alle vergangenen Konversationen mit LLM-Zusammenfassung
Honcho-dialektische Benutzer-Modellierung — Erstellt ein vertiefendes Profil des Benutzers über Sitzungen hinweg
AgentSkills.io-Kompatibilität — Offener Standard für den Austausch von Fähigkeiten zwischen Agenten

Zweck: Dem Agenten echtes Langzeitgedächtnis und prozedurales Wissen verleihen.

🛠 Werkzeuge & Werkzeugkästen

Über 40 Werkzeuge verfügbar

Dateisystemoperationen, Webbrowsing, Codeausführung
Transkription von Sprachnotizen
Erstellung von Sub-Agenten für parallele Arbeitsströme
Python RPC-Skripte, die Werkzeuge direkt aufrufen
Konfigurierbare Werkzeugkasten-Distributionen pro Anwendungsfall

Zweck: Den Agenten ausstatten, um reale Aufgaben autonom zu bewältigen.

💬 Messaging-Gateway

Über 6 Plattform-Integrationen

Telegram, Discord, Slack, WhatsApp, Signal, E-Mail
Ein einzelner Gateway-Prozess bedient alle Plattformen gleichzeitig
Plattformübergreifende Konversationskontinuität
Transkription von Sprachnotizen über Plattformen hinweg

Zweck: Mit Ihrem Agenten von überall sprechen, nicht nur vom Terminal aus.

⏰ Cron-Zeitplanung

Natürlichsprachliche Aufgabenplanung

Tägliche Berichte, nächtliche Backups, wöchentliche Audits
Zustellung an jede verbundene Plattform
Läuft unbeaufsichtigt auf Remote-Infrastruktur

Zweck: Wiederkehrende Aufgaben automatisieren, ohne Cron-Syntax schreiben zu müssen.

🖥 Terminal-Backends

6 Ausführungsumgebungen

Lokal, Docker, SSH, Daytona, Modal, Singularity
Modal und Daytona bieten serverlose Persistenz – Ruhezustand im Leerlauf
Android/Termux unterstützt

Zweck: Den Agenten überall, in jeder Größenordnung und mit minimalen Leerlaufkosten ausführen.

🔬 Forschung & RL-Integration

Batch-Trajektoriengenerierung
Atropos RL-Umgebungsintegration
Trajektorienkomprimierung für das Training von Tool-Calling-Modellen der nächsten Generation

Zweck: KI-Forschern ermöglichen, Hermes als Daten-Engine für das Modelltraining zu nutzen.

4. Kern-Highlights

Geschlossene Lernschleife — Der einzige Open-Source-Agent, der autonom Fähigkeiten basierend auf seiner eigenen Aufgabenhistorie erstellt, speichert und selbst verbessert.
Keine Modellbindung — Wechseln Sie Anbieter mit einem einzigen Befehl (hermes model). Unterstützt Nous Portal, OpenRouter (200+ Modelle), OpenAI, Anthropic, MiniMax, Kimi, GLM und benutzerdefinierte Endpunkte.
Läuft, wo Sie nicht sind — Bereitstellung auf einem Remote-VPS oder serverloser Infrastruktur; Interaktion über Telegram, während der Agent in der Cloud ausgeführt wird.
MCP-nativ — Verbinden Sie jeden Model Context Protocol-Server für erweiterte, standardisierte Tool-Fähigkeiten.
Forschungstaugliche Trajektorien-Tools — Integrierter Batch-Runner, RL-Umgebungsadapter und Trajektorienkompressor zur Generierung von Trainingsdaten.
Vollständige TUI — Mehrzeilige Bearbeitung, Autovervollständigung von Slash-Befehlen, Streaming von Tool-Ausgaben, Unterbrechung und Umleitung – nicht nur ein Chatbot-Wrapper.

5. Anwendungsfälle nach Rolle

👨‍💻 Allgemeine Entwickler

Nutzen Sie Hermes als persistenten Coding-Assistenten, der sich Ihren Projektkontext, Ihren Programmierstil und vergangene Entscheidungen merkt. Führen Sie ihn über die CLI neben Ihrem Editor aus oder verbinden Sie ihn mit Slack für teamweiten Zugriff.

⚙️ DevOps / Infrastruktur-Ingenieure

Planen Sie automatisierte Gesundheitschecks, Log-Zusammenfassungen und Deployment-Berichte über das Cron-System. Stellen Sie auf Modal oder Daytona für serverlose Agenten mit nahezu Null Kosten im Hintergrund bereit.

🔒 Sicherheitsingenieure

Nutzen Sie isolierte Docker- oder Singularity-Backends für sandboxed Codeausführung. Verwenden Sie das Befehlsgenehmigungssystem, um Whitelists zu erzwingen, bevor ein Shell-Befehl ausgeführt wird.

📊 Daten- / KI-Forscher

Nutzen Sie den Batch-Trajektorien-Runner und die Atropos-RL-Integration, um Trainingsdatensätze für Tool-Calling-Modelle zu generieren. Der Trajektorienkompressor reduziert die Token-Kosten bei gleichzeitiger Beibehaltung des Signals.

🗂 Projektmanager

Richten Sie Telegram- oder Discord-Bots ein, die tägliche Projektstatusberichte liefern, Diskussionsfäden zusammenfassen und geplante Erinnerungen senden – alles in natürlicher Sprache.

6. Schnelleinstieg

🔍 Ressourcen finden

Offizielle Dokumentation: https://hermes-agent.nousresearch.com/docs/
Skills Hub (Community-Fähigkeiten): https://agentskills.io
GitHub Discussions: https://github.com/NousResearch/hermes-agent/discussions

🛠 Installation & Nutzung

# Installation (Linux, macOS, WSL2, Termux)
curl -fsSL https://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.sh | bash

# Shell neu laden
source ~/.bashrc   # oder source ~/.zshrc

# Chat starten
hermes

# Wichtige Befehle
hermes model       # LLM-Anbieter und Modell auswählen
hermes tools       # Aktivierte Werkzeuge konfigurieren
hermes setup       # Vollständiger interaktiver Setup-Assistent
hermes gateway     # Messaging-Gateway starten (Telegram, Discord usw.)
hermes doctor      # Konfigurationsprobleme diagnostizieren
hermes update      # Auf die neueste Version aktualisieren

🤝 Beitragen

# Entwicklungsumgebung klonen und einrichten
git clone https://github.com/NousResearch/hermes-agent.git
cd hermes-agent

# uv installieren (schneller Python-Paketmanager)
curl -LsSf https://astral.sh/uv/install.sh | sh

# Virtuelle Umgebung erstellen und Abhängigkeiten installieren
uv venv venv --python 3.11
source venv/bin/activate
uv pip install -e ".[all,dev]"

# Tests ausführen
python -m pytest tests/ -q

Siehe die vollständige Beitragsanleitung: https://hermes-agent.nousresearch.com/docs/developer-guide/contributing

7. Projektstruktur

hermes-agent/
├── agent/                  # Kern-Agenten-Schleife und Orchestrierungslogik
├── skills/                 # Eingebaute Fähigkeiten (prozedurale Speichereinheiten)
├── optional-skills/        # Community- und optionale Fähigkeitspakete
├── tools/                  # Werkzeugimplementierungen (40+ Werkzeuge)
├── gateway/                # Messaging-Plattform-Gateway (Telegram, Discord usw.)
├── cron/                   # Cron/Scheduler-Subsystem
├── plugins/                # Plugin-System
├── environments/           # Terminal-Backend-Adapter (Docker, SSH, Modal usw.)
├── acp_adapter/            # Agent Communication Protocol-Adapter
├── acp_registry/           # ACP-Dienstregistrierung
├── hermes_cli/             # CLI-Einstiegspunkt und TUI
├── plans/                  # Agenten-Planungs-Subsystem
├── docker/                 # Docker-Konfiguration
├── nix/                    # Nix-Flake für reproduzierbare Builds
├── tinker-atropos/         # RL-Umgebungs-Submodul (Atropos-Integration)
├── docs/                   # Dokumentationsquelle
├── tests/                  # Testsuite
├── cli.py                  # Haupt-CLI-Einstiegspunkt
├── run_agent.py            # Agenten-Runner
├── mcp_serve.py            # MCP-Server-Einstiegspunkt
├── toolsets.py             # Werkzeugkasten-Definitionen und -Distributionen
├── hermes_state.py         # Globale Agenten-Zustandsverwaltung
├── trajectory_compressor.py # Dienstprogramm zur Komprimierung von RL-Trainingsdaten
├── batch_runner.py         # Batch-Trajektoriengenerierung
└── Dockerfile              # Container-Build-Definition

8. Verwandtes Ökosystem

Upstream-Abhängigkeiten & Plattformen

OpenRouter — Multi-Provider-LLM-Routing (200+ Modelle)
Nous Portal — Eigener Modellendpunkt von Nous Research
Model Context Protocol (MCP) — Standardisierte Tool-/Serverintegration
Honcho (plastic-labs) — Dialektisches Benutzer-Modellierungs-Backend
Modal / Daytona — Serverlose und Cloud-Entwicklungsumgebungsplattformen
Atropos — Framework für RL-Trainingsumgebungen

Ergänzende Projekte

agentskills.io — Offener Standard und Hub für den Austausch von Agentenfähigkeiten
Tinker-Atropos — RL-Umgebungs-Submodul für das Training von Tool-Calling-Modellen
OpenClaw — Vorgängerprojekt; Hermes bietet einen Migrationspfad

9. Lizenz

MIT-Lizenz

✅ Kostenlos kommerziell nutzbar
✅ Kostenlos zu modifizieren und zu verteilen
✅ Kostenlos für private Projekte nutzbar
✅ Kostenlos unterlizenzierbar
❌ Autoren übernehmen keine Gewährleistung
❌ Autoren haften nicht für Schäden
ℹ️ Lizenz- und Copyright-Hinweis müssen in Distributionen enthalten sein
ℹ️ Beiträge sind unter denselben MIT-Bedingungen willkommen

10. Häufig gestellte Fragen

F: Welche LLM-Anbieter werden unterstützt?
A: Jeder OpenAI-kompatible Endpunkt, plus native Unterstützung für Nous Portal, OpenRouter (200+ Modelle), Anthropic, OpenAI, MiniMax, Kimi/Moonshot und z.ai/GLM. Wechseln Sie mit hermes model.

F: Funktioniert Hermes unter Windows?
A: Native Windows-Unterstützung ist nicht vorhanden. Installieren Sie WSL2 und verwenden Sie den Standard-Linux-Installationsbefehl. Android wird über Termux unterstützt.

F: Wie funktioniert das Fähigkeitssystem?
A: Nach Abschluss komplexer Aufgaben schreibt der Agent autonom eine wiederverwendbare Fähigkeit (ein strukturiertes Verfahren). Fähigkeiten werden in ~/.hermes/skills/ gespeichert, verbessern sich bei nachfolgender Nutzung und können über agentskills.io geteilt werden.

F: Kann ich Hermes ausführen, ohne meinen Laptop eingeschaltet zu lassen?
A: Ja. Stellen Sie ihn auf einem beliebigen Linux-VPS bereit oder verwenden Sie Modal/Daytona für serverlose Umgebungen, die im Leerlauf ruhen und bei Bedarf aufwachen – was zwischen den Sitzungen fast nichts kostet.

F: Wie migriere ich von OpenClaw?
A: Führen Sie nach der Installation hermes claw migrate aus. Es importiert Erinnerungen, Fähigkeiten, API-Schlüssel, Messaging-Einstellungen und Persona-Dateien. Verwenden Sie --dry-run, um eine Vorschau zu erhalten.

11. Schnelle Links

Ressource	URL
GitHub Repository	https://github.com/NousResearch/hermes-agent
Offizielle Dokumentation	https://hermes-agent.nousresearch.com/docs/
Schnelleinstiegsanleitung	https://hermes-agent.nousresearch.com/docs/getting-started/quickstart
Beitragsanleitung	https://hermes-agent.nousresearch.com/docs/developer-guide/contributing
Discord Community	https://discord.gg/NousResearch
Skills Hub	https://agentskills.io
GitHub Issues	https://github.com/NousResearch/hermes-agent/issues
GitHub Discussions	https://github.com/NousResearch/hermes-agent/discussions

12. Zusammenfassung

Hermes Agent hebt sich vom wachsenden Feld der KI-Agenten ab, indem er ein grundlegendes Problem löst: Agenten, die nie lernen. Seine geschlossene Lernschleife – autonome Fähigkeitserstellung, Fähigkeits-Selbstverbesserung, persistenter Speicher über Sitzungen hinweg und Benutzer-Modellierung – macht ihn umso fähiger, je länger Sie ihn nutzen. Mit über 61.000 GitHub-Sternen, Unterstützung für über 200 LLM-Modelle, über 40 Werkzeugen, sechs Ausführungs-Backends und Integration mit jeder wichtigen Messaging-Plattform ist er eines der umfassendsten Open-Source-Agenten-Frameworks, die heute verfügbar sind. Er eignet sich am besten für Entwickler, Forscher und Power-User, die einen persistenten, sich selbst verbessernden KI-Agenten wünschen, den sie einmal bereitstellen und auf unbestimmte Zeit nutzen können – ohne Anbieterbindung.