Hermes Agent: l'agente IA che si migliora da solo e impara da ogni task

La maggior parte degli strumenti IA per lo sviluppo condivide la stessa limitazione fondamentale: dimenticano tutto al termine della sessione. Nous Research ha creato Hermes Agent esattamente per risolvere questo problema. Lanciato a febbraio 2026, conta già circa 24.600 stelle su GitHub e uno slogan da prendere alla lettera: "the agent that grows with you." Non è un chatbot con un'opzione memoria. È un agente persistente lato server con un ciclo di apprendimento chiuso che lo rende genuinamente più capace quanto più lo si usa.

Cosa è davvero Hermes Agent

Hermes Agent è un agente IA autonomo gratuito e open source sviluppato da Nous Research, il team dietro la famiglia di modelli Hermes. Funziona in modo persistente su un server anziché all'interno di un IDE o una scheda del browser. Ogni task completato può contribuire a una libreria di competenze in crescita su cui l'agente si basa nelle sessioni future. L'effetto pratico è un agente che parte già capace e diventa progressivamente più adattato ai flussi di lavoro e all'ambiente specifico dell'utente.

Il progetto è costruito sulla famiglia di modelli Hermes (Hermes-3, basato su Llama 3.1) e addestrato con il reinforcement learning Atropos per un'elevata precisione nel tool calling. È anche agnostico rispetto al modello: si può puntare a Nous Portal, OpenRouter (che dà accesso a oltre 200 modelli), OpenAI, Anthropic o un endpoint personalizzato. L'architettura è progettata in modo che la logica centrale dell'agente non dipenda dal modello sottostante.

L'architettura della memoria

La memoria è il punto in cui Hermes Agent si discosta più nettamente dagli agenti convenzionali. Opera su tre livelli distinti, e comprenderli spiega perché l'affermazione di auto-miglioramento è credibile piuttosto che semplice marketing.

Contesto a breve termine

Memoria contestuale standard per il task corrente. Niente di insolito, ma alimenta ciò che viene dopo.

Documenti di competenze

Questo è il cuore del ciclo di apprendimento. Hermes Agent crea Documenti di competenze dai task completati: file Markdown consultabili che seguono lo standard agentskills.io. Di fronte a un nuovo problema, l'agente cerca nella sua libreria di competenze tramite ricerca full-text (FTS5) e recupera le procedure rilevanti costruite dall'esperienza precedente. Le competenze non sono nemmeno statiche. L'agente le migliora durante l'uso e si spinge a persistere le nuove conoscenze dopo ogni sessione. È l'unico agente open source di rilievo con questo tipo di memoria procedurale integrata.

Modellazione utente tramite Honcho

Hermes Agent integra Honcho per la modellazione utente, il che significa che costruisce una rappresentazione delle tue preferenze, del tuo stile di lavoro e del tuo contesto che persiste tra le sessioni. Combinato con la ricerca FTS5 sulle conversazioni passate, può recuperare la cronologia rilevante senza richiedere di spiegare di nuovo il contesto già fornito.

Il ciclo di apprendimento chiuso

Il ciclo di apprendimento è ciò che distingue Hermes Agent dagli strumenti che hanno semplicemente una memoria persistente. La maggior parte degli agenti ricorda ciò che è stato detto loro. Hermes Agent impara da ciò che ha fatto. La sequenza funziona così:

Nous Research lo descrive come "the only agent with a built-in learning loop", e guardando l'architettura, l'affermazione regge. Il meccanismo di nudge, in cui l'agente si spinge attivamente a persistere le conoscenze piuttosto che aspettare istruzioni esplicite, è particolarmente ben progettato. Significa che l'accumulo di competenze avviene automaticamente senza richiedere una curazione manuale.

Messaggistica multipiattaforma da un unico gateway

Hermes Agent si connette a Telegram, Discord, Slack, WhatsApp, Signal e CLI attraverso un unico processo gateway. Non è necessario configurare integrazioni separate per ogni piattaforma. Il gateway instrada i messaggi al runtime dell'agente indipendentemente dall'origine, il che significa che lo stesso agente persistente con la stessa libreria di competenze risponde sia che tu lo raggiunga tramite Slack alla scrivania o Telegram sullo smartphone.

Questo conta più di quanto sembri. Il principale ostacolo all'adozione degli agenti IA nei team è di solito che l'agente vive da qualche parte separato da dove avviene davvero il lavoro. Un agente che incontra le persone nei loro canali di comunicazione esistenti elimina completamente quella frizione.

Backend di esecuzione

Hermes Agent supporta sei backend di esecuzione, il che gli conferisce una flessibilità di deployment insolitamente ampia per un progetto open source:

• Local - gira direttamente sulla tua macchina
• Docker - esecuzione containerizzata per l'isolamento
• SSH - esecuzione remota su qualsiasi server accessibile
• Daytona - ambienti di sviluppo gestiti
• Singularity - cluster di calcolo HPC e di ricerca
• Modal - esecuzione cloud serverless

Il backend Singularity merita di essere evidenziato. Rende Hermes Agent pratico per gli ambienti di calcolo accademici e scientifici dove Docker è spesso non disponibile. Combinato con gli strumenti di ricerca descritti di seguito, questo lo posiziona come un vero strumento per i team di ricerca, non solo per gli sviluppatori software.

Oltre 40 strumenti integrati e integrazione MCP

Fin dall'inizio, Hermes Agent include più di 40 strumenti integrati che coprono operazioni su file, esecuzione shell, navigazione web, chiamate API e altro. Supporta anche il Model Context Protocol (MCP), il che significa che puoi estenderlo con qualsiasi server di strumenti compatibile con MCP. La pianificazione cron in linguaggio naturale consente di definire task ricorrenti in inglese semplice anziché in sintassi cron, riducendo notevolmente il carico di configurazione per gli utenti non tecnici.

Strumenti di ricerca: traiettorie batch e fine-tuning

Nous Research ha costruito Hermes Agent tenendo a mente le proprie esigenze di ricerca, e gli strumenti di ricerca lo riflettono. L'agente supporta la generazione di traiettorie batch per raccogliere il comportamento dell'agente su larga scala, l'integrazione nativa Atropos RL per il reinforcement learning dall'esperienza dell'agente, e l'export ShareGPT per convertire le conversazioni dell'agente in dataset di fine-tuning.

È un dettaglio significativo. La maggior parte dei framework di agenti open source tratta la raccolta di dati di addestramento come un ripensamento. Hermes Agent ne fa una funzionalità di prima classe. Se vuoi ottimizzare un modello sul tuo dominio specifico, l'infrastruttura per generare ed esportare dati di addestramento è già integrata.

Il collegamento con AutoResearch

Hermes Agent si colloca nello stesso spazio concettuale di AutoResearch: entrambi rappresentano il passaggio verso sistemi IA che si migliorano da soli anziché restare strumenti statici. AutoResearch si concentra sull'indagine scientifica autonoma, iterando attraverso la generazione di ipotesi e la validazione sperimentale. Hermes Agent si concentra sull'accumulo di competenze procedurali, imparando a svolgere i task in modo più efficace nel tempo.

Il filo comune è che nessuno dei due sistemi è progettato come uno strumento fisso da configurare una volta. Entrambi sono progettati per crescere in valore quanto più a lungo funzionano. È un paradigma genuinamente diverso dall'attuale generazione di assistenti IA, con implicazioni significative su come le aziende dovrebbero pensare al deployment dell'IA.

Cosa significa per le aziende

Il valore che si accumula nel tempo

Gli strumenti software tradizionali offrono all'incirca lo stesso valore il primo giorno che il centesimo. Un agente con un ciclo di apprendimento è diverso. La libreria di competenze che costruisce dai tuoi flussi di lavoro specifici, dalla tua codebase, dai tuoi processi interni, diventa un asset competitivo. Un deployment di Hermes Agent ben gestito dopo sei mesi di utilizzo sarà notevolmente più efficace nei tuoi task particolari rispetto all'inizio, perché avrà accumulato procedure specifiche del dominio che nessuno strumento standard può replicare.

L'impegno infrastrutturale

Gli agenti persistenti lato server richiedono un'infrastruttura che gli strumenti basati su sessioni non necessitano. Serve capacità di calcolo che funzioni continuamente, storage per i documenti di competenze e la cronologia delle conversazioni, monitoring per un sistema autonomo che esegue codice e chiama API, e una postura di sicurezza appropriata per un agente con ampio accesso agli strumenti. Il modello open source significa nessun costo di licenza, ma il carico operativo è reale. I team che valutano Hermes Agent dovrebbero tenere conto del tempo di ingegneria necessario per farlo funzionare in modo affidabile.

La flessibilità del modello come copertura del rischio

L'architettura agnostica rispetto al modello è un vantaggio pratico oltre al beneficio di flessibilità ovvio. Le prestazioni e i prezzi dei modelli IA stanno cambiando rapidamente. Un framework di agente che ti vincola a un singolo provider ti espone alle decisioni sui prezzi e alle deprecazioni dei modelli di quel provider. Il supporto di Hermes Agent per OpenRouter, OpenAI, Anthropic e endpoint personalizzati significa che puoi cambiare il modello sottostante senza ricostruire la configurazione dell'agente né perdere la libreria di competenze accumulata.

Come iniziare

Il repository GitHub di Hermes Agent e la documentazione ufficiale sono i punti di partenza giusti. Il progetto è attivo, con Nous Research che itera rapidamente. Se lo stai valutando per un deployment in produzione, vale la pena controllare le note di rilascio attuali piuttosto che affidarsi a documentazione che potrebbe essere in ritardo rispetto alle modifiche recenti.

Il supporto alla messaggistica multipiattaforma rende semplice una prova iniziale: collegalo a un canale Slack o un bot Telegram, assegnagli un piccolo insieme di task ricorrenti e osserva come si sviluppa la libreria di competenze nel corso di due o tre settimane. È un modo meno impegnativo per validare l'affermazione del ciclo di apprendimento rispetto a un deployment completo in produzione.

In webvise, aiutiamo le aziende a valutare e implementare architetture di agenti IA, dalla valutazione iniziale di fattibilità fino al deployment in produzione. Se stai esplorando agenti auto-miglioranti come Hermes Agent o vuoi capire come l'IA autonoma si adatta ai tuoi flussi di lavoro specifici, contattaci e ti aiuteremo a trovare l'approccio che si adatta ai tuoi requisiti e alla tua infrastruttura.