Hermes Agent de Nous Research: Adiós a programar las mismas skills una y otra vez

La mayoría de agentes (llamémosle bots dopados) requieren que un programador humano les defina sus funciones de antemano ("si buscas en google, usa este código"). Hermes Agent le da la vuelta: si se encuentra un marrón que no sabe resolver, lo intenta, falla, aprende y guarda el "cómo se hace" en un archivo markdown (.md) para el futuro.

No depende de tu teclado para mejorar operativamente. Se auto-programa. Esto es lo que se conoce en la jerga como Agent-first architecture.

La magia auto-programable no sale de la nada. Para que Hermes se "invente" habilidades funcionales y no te escriba basura de código que rompa tu entorno, necesita modelos de inteligencia tremendamente potentes de base (como Llama 3 70B o Claude 3.5 Sonnet a través de API).

Si intentas correr Hermes Agent con un modelito en tu portátil viejo de 8GB, te frustrarás infinito porque sus "skills autogeneradas" serán inservibles. Prepárate para pagar la API en OpenRouter u otra plataforma, o necesitas al menos 24GB de VRAM dedicada en casa para sacarle jugo en local.

Antes de empezar, verifica que tienes los prerrequisitos:

• Python 3.10+ — versiones anteriores no funcionan
• 24GB VRAM mínimo para correr el modelo en local (RTX 3090, RTX 4090, A100, o similar)
• O una API key de OpenRouter si prefieres no pagar con hardware sino con tokens. OpenRouter da acceso a Claude 3.5 Sonnet, Llama 3 70B y otros modelos potentes

Instalación paso a paso:

# Clona el repositorio
git clone https://github.com/NousResearch/hermes-function-calling
cd hermes-function-calling

# Instala dependencias
pip install -r requirements.txt

# Copia y edita la configuración
cp config.yaml.example config.yaml

El archivo config.yaml es donde defines qué modelo usa Hermes. Las opciones más importantes:

# Para usar OpenRouter (API, sin GPU local)
model:
  provider: openrouter
  name: nousresearch/hermes-3-llama-3.1-405b
  api_key: ${OPENROUTER_API_KEY}

# Para usar modelo local con Ollama
model:
  provider: ollama
  name: llama3:70b
  base_url: http://localhost:11434

Primer test para verificar que todo funciona:

# Lanza Hermes con una tarea simple
python run_agent.py --task "Busca información sobre el precio del Bitcoin y guárdala en un archivo"

# Hermes debería:
# 1. Generar una skill de web scraping si no existe
# 2. Ejecutarla
# 3. Guardar el resultado
# 4. Almacenar la skill en skills/ para uso futuro

Si ves que se genera un archivo .md en la carpeta skills/, la instalación funciona correctamente. Ese archivo es la skill autogenerada que Hermes reutilizará en el futuro para tareas similares.

Hermes no es para todo. Aquí está la distinción honesta:

Donde Hermes brilla de verdad:

• Tareas de research que requieren skills nuevas cada vez — cada tipo de web tiene su estructura. Hermes aprende a extraer datos de Amazon diferente a cómo lo hace con LinkedIn o Hacker News, y guarda esa diferencia
• Construir bibliotecas de skills para equipos — después de varias semanas de uso, la carpeta skills/ acumula rutinas reutilizables que cualquier miembro del equipo puede invocar
• Proyectos experimentales — cuando quieres que el agente "figure it out" sin que tú definas cada paso manualmente. Ideal para exploración de dominios nuevos
• Equipos que quieren que el agente se auto-documente — cada skill generada es un archivo Markdown legible que documenta cómo el agente resuelve cada tipo de problema

Donde Hermes falla o decepciona:

• Entornos de producción donde necesitas comportamiento predecible — las skills autogeneradas pueden tener bugs. En producción, necesitas skills auditadas y testeadas manualmente
• Equipos sin presupuesto GPU — los modelos pequeños (7B-13B) generan skills de mala calidad, llenas de errores. El coste de API con modelos potentes puede volverse alto rápidamente
• Usuarios que quieren un chatbot simple — Hermes no tiene interfaz de chat. Es un framework de automatización, no un asistente conversacional
• Proyectos donde la seguridad es crítica — el código generado automáticamente debe ser auditado antes de ejecutarse en producción. Hermes no tiene sandboxing nativo robusto

Comparativa directa para que no tengas que adivinar:

Veredicto claro:

• Usa OpenClaw si quieres automatización de producción: un agente que responde mensajes, ejecuta tareas programadas y funciona solo mientras duermes. El setup es de 10 minutos y la fiabilidad es alta.
• Usa Hermes si tu objetivo es construir una biblioteca de skills reutilizables, hacer investigación sobre agentes auto-programables, o explorar cómo un LLM potente resuelve problemas nuevos de forma autónoma.

No son competidores directos: Hermes es una herramienta de investigación y construcción; OpenClaw es una herramienta de producción y uso diario. Si tienes un equipo técnico con GPU, podrías usarlos en paralelo: Hermes para generar skills nuevas, OpenClaw para ejecutarlas en producción.

→ También te puede interesar: OpenFang, el agente de 32 MB.