Hermes Agent : le cousin d'OpenClaw qui mise sur l'apprentissage
Hermes Agent reprend beaucoup du terrain OpenClaw, mais pousse plus fort la memoire, les skills auto-ameliorees et les agents multi-canal.
12 aout 2026. Aujourd'hui, pause volontaire dans la veille OpenClaw pure : Hermes Agent merite un detour. Pas parce qu'il remplacerait automatiquement OpenClaw, mais parce qu'il parle exactement aux memes lecteurs : ceux qui veulent un agent personnel durable, multi-canal, outille, capable de tourner ailleurs que dans une fenetre de chat.
Hermes Agent est le projet open source de Nous Research decrit comme "the agent that grows with you". Le depot officiel NousResearch/hermes-agent est en Python, sous licence MIT, et le README le presente comme "The self-improving AI agent built by Nous Research".
La promesse centrale n'est pas seulement "un agent avec des tools". C'est une boucle d'apprentissage.
Ce qui ressemble beaucoup a OpenClaw
Les lecteurs OpenClaw ne seront pas depayses. Hermes propose une CLI/TUI, un gateway de messagerie, des conversations multi-surface, des crons, des skills, de la memoire persistante, des providers configurables et des subagents isoles.
Le README cite Telegram, Discord, Slack, WhatsApp, Signal et la CLI. La documentation va plus loin cote gateway, avec une logique "un seul agent, plusieurs plateformes". C'est le meme territoire mental qu'OpenClaw : l'agent ne vit pas seulement dans un terminal, il devient une couche d'execution joignable depuis les canaux du quotidien.
Autre signal fort : Hermes documente explicitement hermes claw migrate. La commande peut detecter ~/.openclaw et importer, selon les options, persona, memoire, skills utilisateur, allowlist de commandes, reglages messaging, certaines cles API allowlistees, assets TTS et AGENTS.md.
Ce point positionne Hermes comme cousin proche, pas comme simple concurrent abstrait.
Ce qui change vraiment
La difference la plus interessante est l'insistance sur l'apprentissage. Hermes met en avant une memoire geree par l'agent, des nudges periodiques pour persister ce qui compte, une recherche FTS5 dans les sessions passees avec resume LLM, et surtout la creation autonome de skills apres des taches complexes.
Autrement dit, l'agent ne se contente pas d'executer une procedure. Il peut transformer une experience utile en capacite reutilisable.
Deuxieme difference : le packaging Nous Portal. Hermes fonctionne avec Nous Portal, OpenRouter, OpenAI ou des endpoints propres. Mais Nous Portal est presente comme une option plus integree : OAuth, modeles, Tool Gateway, recherche web via Firecrawl, image via FAL, TTS OpenAI et navigateur cloud via Browser Use.
Troisieme difference : les backends d'execution. Le README cite local, Docker, SSH, Singularity, Modal, Daytona et Vercel Sandbox. Pour les workflows longs ou intermittents, l'idee d'un environnement qui hiberne quand il est inactif est importante : elle rapproche l'agent personnel d'une infrastructure toujours disponible, sans obliger a tout garder ouvert sur son laptop.
Subagents, RPC et cout de contexte
Hermes revendique aussi la delegation : subagents isoles pour des workstreams paralleles, et scripts Python capables d'appeler les tools via RPC. C'est un detail technique, mais il compte.
Dans un agent autonome, le cout n'est pas seulement le prix du modele. C'est aussi le contexte gaspille a repeter des sous-taches mecaniques. Si une pipeline peut etre condensee en appels outilles depuis un script, le modele garde son attention pour les decisions, pas pour la plomberie.
Cas d'usage concret : autonovel
Le depot NousResearch/autonovel donne un exemple plus parlant qu'une demo de chat. Il decrit une pipeline autonome pour ecrire, reviser, composer, illustrer et narrer un roman complet.
Le projet parle de boucles modify-evaluate-keep/discard, avec foundation, drafting, revision automatisee, panel lecteur, revue Opus dual-persona, export LaTeX, ePub, art, audiobook et landing page. C'est exactement le type de workflow ou un agent autonome devient interessant : plusieurs phases, des criteres de qualite, des retours, de la memoire de projet, puis une production livrable.
Il faut le lire comme cas d'usage experimental documente, pas comme preuve que tout workflow creatif devient magiquement robuste. Mais il montre bien la direction.
Ecosysteme tiers : oh-my-hermes
rlaope/oh-my-hermes est a traiter separement du core Hermes. C'est un projet tiers, sous licence MIT, qui ajoute une couche de workflows et d'evidence gates au-dessus de Hermes.
Son README parle de 103 workflow skills installables, organises par familles : clarifier, planifier, rechercher, construire, coder, livrer, creer des livrables, gerer la memoire et verifier les connecteurs. L'angle est sain : "evidence before claims", autrement dit distinguer ce qui est planifie, execute et verifie.
Pour LaPince, c'est un signal d'ecosysteme : les skills deviennent une surface ou une communaute peut construire des pratiques, pas seulement des snippets.
Les limites a garder en tete
Premier point : Hermes Agent ne doit pas etre confondu avec les modeles Nous Hermes. Ici, on parle du framework agentique open source.
Deuxieme point : beaucoup de capacites sont documentees ou revendiquees, mais cela ne dit pas encore leur maturite en production dans chaque contexte. Gateway multi-canal, migration de secrets, containers, backends cloud et skills auto-ameliorees demandent une vraie discipline de permissions.
Troisieme point : migrer depuis OpenClaw n'est pas une operation anodine. Un dry-run, une migration sans secrets quand c'est possible, et une revue des allowlists restent indispensables.
A retenir
Hermes Agent est interessant parce qu'il ne vend pas seulement "un agent avec des outils". Il pousse une idee plus ambitieuse : un agent qui apprend de ses propres trajectoires, transforme des experiences en skills, se souvient mieux, et peut vivre dans plusieurs canaux.
Pour un lecteur OpenClaw, la bonne lecture est donc simple : Hermes est assez proche pour etre comprehensible tout de suite, assez different pour meriter un test terrain separe.
La prochaine question n'est pas "qui gagne". C'est : dans quel workflow Hermes apprend-il vraiment quelque chose que l'agent reutilisera mieux demain ?
Sources : depot officiel Hermes Agent, site Hermes Agent, documentation Hermes, autonovel, oh-my-hermes. A relire cote LaPince : OpenClaw : agents, memoire et Gateway encaissent mieux et Codex dans OpenClaw : le bon agent doit garder la main.