フレームワーク

Hermes Agent を解剖する:「自分で進化する」と謳う开源 Agent の正体

経験値から自動で Skill を育て、セッションを跨いでユーザーに馴染んでいくと聞くが、これは本物の設計か単なる売り文句か。リポジトリを実際に開いて確かめてみた。

文字サイズ

「学習の閉ループ」を備え、経験から自動で Skill を抽出し、セッションを跨いでユーザー理解を深める——これは本物の機構なのか、それとも marketing の美辞麗句なのか。リポジトリを実際に開いて中身を確かめてみた。

リポジトリの概况

GitHub 上の NousResearch/hermes-agent。MIT ライセンス、Python 実装。Hermes モデル系列(Llama 基盤の fine-tuning)で知られる Nous Research が维护しており、最近では Agent フレームワーク分野にも進出している。star 数はかなり多く、コミュニティの関心は高い。

何を解決しようとしているのか

多くの AI Agent は「使ったら終わり」。今回伝えたライティングの嗜好もコードスタイルもプロジェクト背景も、次のセッションを開けばすべて白紙に戻される。Hermes が目指すのは「永続的なユーザーモデル」だ。RAG のように丸暗記するのではなく、利用しながら能動的に知見を蓄積し、使えば使うほどユーザーに馴染んでいくという設計思想である。

さらにマルチエンドポイント(CLI + Telegram など)と多様なデプロイ形態を重ね、長期間寄り添う Agent を求める開発者向け、ワンショットのスクリプトではない層を狙っている。

仕組み(アーキテクチャ)

中核は「閉ループ学習」のコンポーネント群だ:

  1. Skill の自動蓄積 —— Agent が複雑なタスクをこなした後、内容を Skill として抽出しローカルライブラリへ書き出す
  2. Skill の自己更新 —— Skill は呼び出し時にフィードバックを取り込みながら自己更新される
  3. Nudge 機構 —— バックグラウンドで定期的に能動的に記憶を整理する
  4. 检索 + 回想 —— ローカル检索と LLM による要約でセッション跨ぎの回想を実現

その上に Honcho を被せてユーザーモデリングを行う。通信層は gateway プロセスを通り、CLI / Telegram / Discord / Slack など複数の入口を同時にぶら下げられる。デプロイ backend は local / Docker / SSH / コンテナ基盤 / serverless など多彩に対応し、休眠時の課金もほぼゼロ。長時間の常驻運用において、この点は重要な意味を持つ。

具体的な使い方、Skill の蓄積手順、デプロイ清单の構成は README を直接参照してほしい。

良い点・悪い点

良い点:

  • star 数多 + MIT ライセンスで、开放性は十分
  • マルチモデルのホットスワップ + マルチ入口は単なる wrapper ではなくそれなりの工数が挂かっている
  • Honcho 連携は「絵に描いた餅」ではなく実コードで組み込まれている(plastic-labs/honcho のコードも確認できる)
  • ドキュメントのカバー範囲はそこそこで、日本語读者にも配慮されている

短板:

  • デフォルトのモデル provider 依存のため、国内からの直線接続には難がある
  • セルフホストには检索・gateway・scheduler など多くのコンポーネント設定が必要で、始めたばかりの人には敷居が高い
  • 「自己改进」機構が Skill 污染や hallucination の蓄積をどう防ぐかがドキュメントでは详しく触れられていない
  • 多種多様なデプロイ backend を揃えているが、それぞれの実装成熟度は均一ではなく、定量的な benchmark 比較も無い

実際に触ってみた

clone してリポジトリ構成を確認したところ、最初から使える Skill テンプレートが一通り揃っている。依存関係のインストールと対話 UI の立ち上げはスムーズだったが、Telegram gateway の設定には BotFather token + 公衆網 callback が必要で、国内ネットワーク環境ではこれが壁になる。

Skill 自動生成のロジックは curator 系のファイルに収まっており、本質的には「タスク完了後に LLM に反省させて構造化テンプレートとして抽出・格納する」という構成だ。発想は賢いものの、タスクのたびに LLM に「振り返り」を走らせるため、token コストが積み上がる点は见逃せない。

Mem0 や Zep のような純粋な記憶層と比べると、Hermes は「記憶 + Skill + マルチ入口 + スケジューリング」を統合したソリューションであり、圧倒的にヘビーだ。「ユーザーの嗜好を覚えておく」という一点だけなら Mem0 で十分。全部入りのスイートが欲しいなら Hermes、という棲み分けになる。

research 向けの訴求点として、批量の軌跡生成 + 軌跡圧縮機能も備えており、次世代の tool-calling モデル学習に直接利用できる。SFT / RLHF に取り組むチームにとっては、学習データをそのまま产出できる pipeline であり、单纯な Agent フレームワークよりも価値は高い。

誰が使うべきか

向いている人:

  • すでに複数の AI Agent ツールを使っており、入口と長期記憶を一本化したい個人開発者
  • tool-calling モデル学習のため批量の軌跡データが必要な研究者
  • 長時間のタスクを VPS で 24 時間回し、Telegram から随时呼び出せる Agent を求める上級ユーザー

向いていない人:

  • ワンショットのスクリプトを走らせるだけのライトユーザー(牛刀を鶏に割くようなもの)
  • 梯子を経由できない国内環境(gateway とデフォルトモデルの双方に接続問題がある)
  • 极致の軽量さを求める人(Hermes は全家桶であり、単一ファイルではない)

総合的な評価:Hermes は「永続的なユーザーモデル」というコンセプトを一歩前進させた。ただし、エンジニアリングの複雑さとリターンの取舍は自分で判断する必要がある。「半年くらい Agent に付き合わせて使えば手になじむ」シナリオなら、休日に一日かけて折腾する価値はある。ただ的任务を回すだけなら過剰構成だ。


参考:NousResearch/hermes-agent GitHub · Honcho

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