프레임워크

Hermes Agent 코드 리뷰: 스스로 진화한다는 오픈소스 Agent의 실체

경험에서 Skill을 자동으로 학습해 세션이 쌓일수록 사용자를 더 잘 이해한다고 주장하는 Hermes Agent. 진짜 기술인지 마케팅인지 저장소를 직접 뜯어봤다.

글자 크기

"학습闭环(closed-loop learning)"를 갖추고, 경험에서 Skill을 자동으로 뽑아내며, 세션이 바뀌어도 점점 사용자를 더 잘 이해한다고 내세우는 프로젝트——과연 진짜 실력인가, 그저 포장인가? 저장소를 직접 열어 살펴봤다.

저장소 현황

GitHub의 NousResearch/hermes-agent, MIT 라이선스, Python으로 작성됐다. Nous Research가 관리하며, 이쪽은 Hermes 모델 시리즈(Llama 아키텍처 기반 파인튜닝)로 유명하다가 이제 Agent 프레임워크 쪽으로도 손을 뻗치기 시작했다. star 수도 상당히 많고 커뮤니티 관심도 적지 않다.

무엇을 해결하려고 하나

대부분의 AI Agent는 쓰고 끝나면 잊어버린다. 오늘 글쓰기 취향, 코드 스타일, 프로젝트 배경을 알려줘도 다음 세션에서는 또 백지 상태. Hermes가 노리는 건 "영속적인 사용자 모델(persistent user model)"——RAG처럼 죽어있는 기억이 아니라, 쓸수록 배우고 능동적으로沉淀해가며 점점 사용자를 파악하는 방향이다.

거기에 CLI + Telegram 같은 다중 진입로와 다양한 배포 형태까지 얹혀 있어서, 한 번 쓰고 버릴 스크립트가 아니라 Agent를 오래 곁에 두고 싶은 개발자를 타깃으로 잡았다.

동작 방식 (아키텍처)

핵심은 "학습 폐쇄 루프"를 구성하는 몇 가지 장치다.

  1. Skill 자동 沉淀 —— Agent가 복잡한 작업을 마치면 이를提炼해 Skill로 만들어 로컬 라이브러리에 저장한다.
  2. Skill 자기 개선 —— Skill이 호출될 때 피드백을 받아 스스로 개선한다.
  3. Nudge 메커니즘 —— 백그라운드에서 주기적으로 기억을 정리한다.
  4. 검색 + 회상 —— 로컬 검색과 LLM 요약을 결합해 세션 간 회상을 구현한다.

그 위에 Honcho를 얹어 사용자 모델링을 담당한다. 통신 레이어는 gateway 프로세스를 통해 동작하고, CLI / Telegram / Discord / Slack 등 여러 진입로를 동시에 붙일 수 있다. 배포 백엔드도 여러 형태를 지원한다(local / Docker / SSH / 컨테이너 플랫폼 / serverless 등). 휴면 상태일 때 비용이 거의 0에 가깝다는 점은 장기간 상시 띄워둘 사용자에게 꽤 중요한 포인트다.

구체적인 사용법, Skill沉淀 방식, 배포 체크리스트는 README를 직접 보는 게 빠르다.

장점과 단점

괜찮은 점:

  • star 수가 많고 MIT 라이선스라 개방성이 충분하다.
  • 다중 모델 핫스왑 + 다중 진입로는 단순 wrapper 수준이 아니라 실제 공수가 들어간 구현이다.
  • Honcho 통합이 단순 깃발 꽂기가 아니라 실제 코드 레벨로 돼 있다. plastic-labs/honcho 저장소를 확인하면 된다.
  • 문서 커버리도 꽤 돼 있고 영어 위주라 무리는 없다.

아쉬운 점:

  • 기본 모델 provider에 의존하는 구조라 국내 환경에서 직접 연결이 어렵다.
  • 셀프호스팅하려면 검색, gateway, scheduler 등 여러 컴포넌트를 다 깔아야 해서 초심자에겐 진입장벽이 높다.
  • "자기 개선" 메커니즘이 Skill 오염이나 환각 누적을 어떻게 방지하는지 문서에서 구체적으로 설명하지 않는다.
  • 배포 백엔드는 종류가 많아 보이지만 각각의 성숙도가 균일하지는 않고, 정량적인 벤치마크 비교도 없다.

직접 만져본 소감

클론해서 저장소 구조를 봤고, 기본 제공되는 Skill 템플릿이 꽤 있다. 의존성 설치와 인터랙티브 UI 띄우기까지는 순조로웠지만, Telegram gateway를 붙이려면 BotFather token과 공인 콜백이 필요해서 국내망에서는 벽이 있다.

Skill 자동 생성 로직은 curator 계열 파일 한 곳에 들어 있다. 본질적으로는 작업이 끝난 뒤 LLM에게 회고시켜 구조화된 템플릿으로 가공해 라이브러리에 넣는 구조다. 발상은 영리하지만 매번 작업 끝나면 LLM을 한 번 더 "돌려보기" 때문에 토큰 비용이 쌓이면 만만치 않다.

Mem0 / Zep 같은 순수 메모리 레이어와 비교하면, Hermes는 "메모리 + Skill + 다중 진입로 + 스케줄러"를 통째로 묶은 통합 솔루션이라 무게가 훨씬 무겁다. "사용자 취향 기억해달라" 정도가 목적이라면 Mem0로도 충분하고, 풀패키지 키트가 필요하면 Hermes다.

research 쪽에서 통하는 포인트도 있다. 배치 trajectory 생성과 trajectory 압축을 제공해 다음 세대 tool-calling 모델 학습용 데이터를 뽑을 수 있다. SFT / RLHF를 하는 팀에게는 학습 데이터를 바로 뽑아내는 파이프라인이라는 점에서 단순 Agent 프레임워크보다 가치가 있다.

이런 사용자라면 쓸 만함

적합한 대상:

  • 이미 여러 AI Agent 도구를 쓰면서 진입로와 장기 기억을 통합하고 싶은 1인 개발자
  • 도구 호출 모델 학습용 배치 trajectory 데이터가 필요한 연구자
  • VPS에 장시간 작업을 걸어두고 Telegram으로随时 깨울 수 있는 하드코어 사용자

별로인 대상:

  • 한 번 쓸 스크립트만 돌릴 경량 사용자 (소 잡는 데 소 잡는 칼 쓰는 격)
  • 국내에서 VPN 없이 쓰는 환경 (gateway와 기본 모델 모두 연결성 이슈)
  • 극단적인 경량 솔루션을 찾는 사람 (Hermes는 단일 파일짜리가 아니라 풀 키트다)

종합적으로 보면, Hermes는 "영속적인 사용자 모델"이라는 방향을 한 발 더 끌어당긴 프로젝트다. 다만 공학적 복잡도와 얻는 이득 사이의 tradeoff는 본인이 판단해야 한다. "Agent를 반년쯤 데리고 다니면서 쓸수록 손에 맞길" 원하는 시나리오라면 주말 하나 들여서 만져볼 만하다. 임시로 작업 한 번 돌릴 용도라면 과한 세팅이다.


참조: NousResearch/hermes-agent GitHub · Honcho

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