Hermes Agent Review 2026 — Agen AI Open-Source dari Nous Research yang Tumbuh Bersama Anda

238K+

Bintang GitHub

v0.20.6

Rilis Terbaru

40+

Tool Bawaan

MIT

Lisensi

⚡

Hermes Agent dalam 60 Detik

Agen yang mengingat, belajar, dan menulis skill-nya sendiri

Hermes Agent adalah agen AI open-source dari Nous Research — laboratorium yang lebih dikenal lewat keluarga model Hermes. Repositorinya dibuka Juli 2025 dan kini menembus 238.827 bintang serta 48.684 fork, menjadikannya salah satu proyek agen open-source dengan pertumbuhan tercepat. Ditulis dengan Python, berlisensi MIT, dan dirancang untuk dijalankan di mesin Anda sendiri.

Secara permukaan, daftar fiturnya terdengar familiar bagi siapa pun yang pernah memakai OpenClaw: gateway ke banyak platform pesan, 40+ tool bawaan, browser automation, web search, vision, image generation, dan text-to-speech. Semuanya ada.

Tapi menilai Hermes dari daftar tool adalah cara paling keliru untuk memahaminya. Yang membuatnya berbeda ada di lapisan yang jarang disorot: learning loop. Hermes tidak hanya menjalankan skill yang Anda tulis — ia membuat skill dari pengalamannya sendiri, menyempurnakannya saat dipakai, dan membangun model tentang siapa Anda yang makin dalam dari sesi ke sesi.

Konteks penting: Hermes Agent bukan model bahasa. Ia adalah harness — kerangka yang menjalankan model pilihan Anda (Claude, GPT, model lokal, atau 300+ model via Nous Portal). Jadi ini bukan pesaing Claude atau GPT, melainkan pesaing OpenClaw, OpenHands, dan CrewAI.

🧠

Learning Loop — Inti yang Membedakannya

Skill yang lahir dari pengalaman, bukan dari dokumentasi

Pada agen konvensional, skill adalah sesuatu yang Anda tulis. Anda mendefinisikan fungsi, mendaftarkannya, lalu agen memanggilnya. Kalau agen menemui masalah baru, ia akan menyelesaikannya dari nol setiap kali — dan melupakannya begitu sesi berakhir.

Hermes membalik alur ini. Ketika ia menyelesaikan sesuatu yang tidak trivial, ia bisa memadatkan cara penyelesaian itu menjadi skill dan menyimpannya sebagai memori prosedural. Saat masalah serupa muncul lagi, ia tidak mengulang proses berpikirnya — ia memanggil skill yang sudah ada, lalu menyempurnakannya kalau ternyata masih kurang tepat.

Empat mekanisme yang menopang ini:

🛠

Skill Otomatis

Agen memadatkan solusi yang berhasil menjadi skill baru, lalu memperbaikinya saat dipakai ulang. Kompatibel dengan standar terbuka agentskills.io.

🔍

Pencarian Sesi

Seluruh riwayat percakapan terindeks penuh dengan FTS5, lalu diringkas oleh LLM untuk recall lintas sesi — agen bisa mencari apa yang pernah ia kerjakan sendiri.

📌

Nudge Memori

Agen secara berkala menyimpan sendiri hal yang layak diingat, tanpa perlu Anda perintahkan. Ini yang disebut agent-curated memory.

👤

Model Pengguna

Lewat Honcho dialectic user modeling, Hermes membangun pemahaman tentang preferensi dan cara kerja Anda yang menebal seiring waktu.

Kenapa ini penting: nilai sebuah agen jangka panjang tidak ditentukan oleh seberapa pintar ia hari pertama, melainkan seberapa banyak ia tidak perlu diajari ulang di bulan ketiga. Di situlah letak taruhan desain Hermes.

🏗

Arsitektur

Satu agen, satu memori, banyak permukaan

Hermes terdiri dari inti agen berbasis Python, TUI berbasis Node.js, dan satu proses gateway yang merutekan pesan dari semua platform. Kuncinya: apa pun pintu masuknya — Telegram, Slack, atau terminal — semuanya bermuara pada satu agen dengan satu memori yang sama.

Hermes Agent — Peta Arsitektur

┌──────────────────────────────────────────────────┐ │ PERMUKAAN (Anda masuk dari mana saja) │ │ Telegram · Discord · Slack · WhatsApp · Signal │ │ Email · Home Assistant · CLI · TUI │ └─────────────────────┬────────────────────────────┘ │ ┌─────────────────────▼────────────────────────────┐ │ GATEWAY — satu proses, semua platform │ │ routing · DM pairing · kontinuitas percakapan │ └─────────────────────┬────────────────────────────┘ │ ┌─────────────────────▼────────────────────────────┐ │ AGENT CORE (Python) │ │ ┌──────────┐ ┌──────────┐ ┌──────────────────┐ │ │ │ providers│ │ skills │ │ hermes_state │ │ │ │ 300+ LLM │ │ memori │ │ MEMORY / USER │ │ │ │ │ │ prosedur │ │ FTS5 search │ │ │ └────┬─────┘ └────┬─────┘ └────────┬─────────┘ │ │ └────────────┴────────────────┘ │ └─────────────────────┬────────────────────────────┘ │ ┌─────────────────────▼────────────────────────────┐ │ EKSEKUSI │ │ 40+ tool · MCP server · subagent paralel │ │ cron · Python RPC · 7 backend terminal │ └──────────────────────────────────────────────────┘

💾

Sistem Memori

Tiga lapis: fakta, prosedur, dan riwayat

Memori Hermes tidak ditumpuk dalam satu kotak. Ia terbagi menurut jenis pengetahuan, dan pembagian inilah yang membuatnya bisa tumbuh tanpa membengkak:

Lapisan	Bentuk	Isinya
Memori faktual	`MEMORY.md`, `USER.md`	Fakta tentang Anda, proyek, dan preferensi kerja
Memori prosedural	Direktori `skills/`	Cara menyelesaikan sesuatu — skill yang dibuat sendiri oleh agen
Memori episodik	Indeks FTS5	Seluruh riwayat percakapan, dicari penuh lalu diringkas LLM
Konteks proyek	File konteks	Pengetahuan tingkat proyek yang mewarnai setiap percakapan

Pemisahan ini punya konsekuensi praktis. Fakta bisa Anda sunting langsung karena ia file Markdown biasa. Skill bisa diperiksa, diperbaiki, atau dihapus satu per satu. Dan riwayat tidak perlu dimuat seluruhnya ke context window — cukup dicari saat dibutuhkan.

🔌

Model & Provider

Ganti otak tanpa menyentuh kode

Hermes tidak mengunci Anda ke satu penyedia. Ia mendukung Nous Portal (300+ model), OpenRouter, OpenAI, Anthropic Claude, serta endpoint kustom — termasuk model yang Anda jalankan sendiri. Perpindahan dilakukan lewat satu perintah, tanpa perubahan kode:

Berganti model

$ hermes model anthropic:claude-opus-5 ✓ Provider aktif: anthropic — claude-opus-5 $ hermes model openrouter:meta-llama/llama-4-70b ✓ Provider aktif: openrouter — llama-4-70b # memori, skill, dan riwayat tetap utuh saat model berganti

Implikasi strategis: karena memori dan skill hidup di sisi Hermes — bukan di sisi model — Anda bisa berpindah ke model yang lebih murah atau lebih kuat tanpa kehilangan apa pun yang sudah dipelajari agen. Ini pembeda nyata dibanding menaruh seluruh konteks pada satu vendor.

💬

Gateway Pesan

Percakapan yang berlanjut lintas platform

Gateway Hermes menyatukan Telegram, Discord, Slack, WhatsApp, Signal, Email, dan Home Assistant dalam satu proses. Karena semuanya berbagi memori yang sama, percakapan yang Anda mulai di Telegram pagi hari bisa Anda lanjutkan di Slack sore harinya — agen tetap tahu konteksnya. Transkripsi voice memo juga tersedia, sehingga pesan suara bisa menjadi perintah.

Untuk keamanan, gateway memakai DM pairing agar hanya akun yang Anda otorisasi bisa memerintah agen, dan operasi sensitif melewati sistem persetujuan perintah lebih dulu.

📦

Sandbox & Backend Eksekusi

Tujuh tempat menjalankan perintah

Agen yang bisa menjalankan perintah shell selalu membawa risiko. Hermes menjawabnya dengan memberi pilihan tempat eksekusi, dari yang paling longgar sampai yang terisolasi penuh:

Backend	Sifat	Cocok untuk
Local shell	Tanpa isolasi	Mesin pribadi, tugas tepercaya
Docker	Terisolasi	Pemakaian sehari-hari — pilihan paling seimbang
SSH	Mesin remote	Menjalankan di server terpisah
Singularity	Terisolasi	Lingkungan HPC dan riset
Modal	Serverless	Beban kerja sesaat yang butuh skala
Daytona	Serverless persisten	Ruang kerja yang perlu bertahan antar sesi
Vercel Sandbox	Terisolasi	Eksekusi singkat berbasis cloud

Saran praktis: jangan jalankan agen otonom di local shell tanpa alasan kuat. Docker memberi isolasi yang memadai dengan biaya kenyamanan yang hampir nol — dan itu batas yang akan Anda syukuri saat agen salah menafsirkan satu perintah.

🤖

Subagent, Cron & MCP

Dari satu agen menjadi satu tim

👥

Subagent Paralel

Hermes bisa memunculkan subagen terisolasi, masing-masing dengan percakapan dan terminalnya sendiri, untuk mengerjakan beberapa alur kerja sekaligus.

⏰

Penjadwal Cron

Tugas berulang dijadwalkan dengan bahasa natural — laporan harian, backup, atau briefing pagi, dijalankan lewat gateway.

🔗

MCP Server

Integrasi Model Context Protocol membuka akses ke ekosistem tool MCP yang sudah ada, tanpa menulis adapter sendiri.

🐍

Python RPC

Menulis skrip Python yang memanggil tool agen lewat RPC — berguna saat alur kerja terlalu rumit untuk diungkapkan lewat percakapan.

⚙️

Instalasi

Satu baris, dependensi ikut dibundel

Hermes berjalan di Linux, macOS, WSL2, Windows native (PowerShell), dan Termux di Android. Pemasangannya membundel Python 3.11, Node.js, uv, ripgrep, dan ffmpeg — jadi Anda tidak perlu menyiapkannya sendiri. Instalasi terkelola menempatkan berkas di ~/.hermes/ pada Linux dan macOS, atau %LOCALAPPDATA%\hermes di Windows. Tersedia juga aplikasi desktop untuk macOS 12+, Windows 10/11, dan Linux.

Memasang & menjalankan

# pasang (Linux / macOS / WSL2) $ curl -fsSL https://hermes-agent.nousresearch.com/install.sh | sh # jalankan agen $ hermes # nyalakan gateway agar terhubung ke platform pesan $ hermes gateway start # pindah dari OpenClaw — bawa setelan, skill, dan API key $ hermes claw migrate ✓ Setelan, skill, dan API key dipindahkan

Catatan: perintah instalasi di atas mengambil skrip dari internet lalu menjalankannya. Kebiasaan yang baik — untuk proyek mana pun, bukan hanya Hermes — adalah mengunduh skripnya lebih dulu, membacanya, baru menjalankannya.

⚔️

Hermes Agent vs OpenClaw

Dua agen self-hosted, dua filosofi berbeda

Keduanya open-source, self-hosted, dan terhubung ke platform pesan. Keberadaan perintah hermes claw migrate menunjukkan Nous Research memang membidik pengguna OpenClaw secara langsung. Tapi titik berat keduanya berbeda:

Aspek	Hermes Agent	OpenClaw
Skill	Dibuat sendiri oleh agen dari pengalaman	Dipasang dari katalog komunitas
Kekuatan utama	Learning loop & memori berlapis	Ekosistem skill siap pakai yang sangat besar
Backend eksekusi	7 backend termasuk serverless	Lebih sedikit pilihan
Lisensi	MIT	Open source
Bahasa inti	Python	Node.js / TypeScript
Kurva belajar	Perlu waktu sebelum terasa gunanya	Langsung terpakai sejak hari pertama

Perbedaan yang paling menentukan ada di baris pertama dan terakhir. OpenClaw memberi Anda ribuan skill siap pakai — nilainya terasa sejak menit pertama. Hermes memulai dengan lebih sedikit, tetapi membangun skill yang spesifik untuk cara Anda bekerja, dan nilainya menumpuk seiring waktu.

Konsekuensinya jujur saja tidak nyaman untuk sebagian orang: Hermes butuh kesabaran. Kalau Anda mengukurnya di minggu pertama, OpenClaw hampir pasti menang.

Kesimpulan

Hermes Agent adalah taruhan pada satu gagasan: agen yang mengakumulasi pengalaman pada akhirnya lebih berguna daripada agen dengan tool terbanyak. Learning loop, memori berlapis, dan kebebasan berganti model membuat gagasan itu punya dasar teknis yang serius — bukan sekadar klaim pemasaran.

Cocok untuk Anda bila: Anda memakai agen setiap hari untuk pekerjaan yang berulang tapi spesifik, nyaman melakukan self-hosting, dan tidak ingin terkunci pada satu penyedia model.

Tunda dulu bila: Anda butuh hasil instan, lebih suka memasang skill jadi ketimbang menunggu agen membentuknya, atau tidak punya waktu mengurus infrastruktur sendiri. Jumlah open issue yang menembus 38 ribu juga wajar diperhitungkan — itu tanda proyek yang bergerak sangat cepat, dengan segala risikonya.

Yang jelas, arah yang ditempuh Hermes layak diperhatikan siapa pun yang serius menggarap agentic AI: pertanyaannya bergeser dari “berapa banyak yang bisa dilakukan agen ini?” menjadi “seberapa banyak yang tidak perlu saya ajarkan ulang besok?”