Hermes Agent
개요
Hermes Agent는 실리콘밸리의 AI 연구소 Nous Research가 2026년 2월에 출시한 인프라 우선(Infrastructure-first) 자율형 AI 에이전트 프레임워크입니다. 출시 직후 두 달 만에 GitHub에서 85,000~95,000 Star를 획득하며 차세대 에이전트 표준으로 급부상했습니다.
단순한 코딩 보조 도구(Copilot)를 넘어, 클라우드 서버와 로컬 인프라에 상주(Always-on)하며 장기적인 워크플로우를 자율적으로 계획·실행·학습하는 독립적인 자율 인프라로 기능합니다.
주요 특징
- 인프라 독립성: 특정 IDE나 웹 래퍼에 종속되지 않으며, 월 $5 수준의 VPS부터 GPU 클러스터, 서버레스 인프라(Daytona, Modal 등)까지 유연하게 배포 가능합니다.
- 멀티 플랫폼 게이트웨이: 단일 게이트웨이 프로세스를 통해 CLI, Telegram, Discord, Slack, WhatsApp, Signal, Matrix, Email, SMS 등 15개 이상의 메시징 및 제어 플랫폼과 연동됩니다.
- 다중 모델 라우팅(Multi-Model Routing): OpenRouter를 통해 200개 이상의 모델을 지원하며, 단순 작업에는 저렴한 모델을, 복잡한 추론에는 고비용 모델을 교차 배정하여 토큰 비용을 획기적으로 절감합니다.
- 자가 학습 루프: 사용할수록 강력해지는 폐쇄형 학습 루프(Closed Learning Loop)를 내장하여, 에이전트가 경험을 통해 스스로 업무 수행 방식을 최적화합니다.
아키텍처 심층 분석
1. 4계층 상호 의존적 메모리 아키텍처
대부분의 에이전트가 세션 종료 시 심각한 기억 상실증을 겪는 것과 달리, Hermes Agent는 정보의 성격에 따라 4개의 개별 계층으로 메모리를 관리합니다.
| 계층 | 명칭 | 역할 |
|---|---|---|
| 1 | 프롬프트 파일 (Prompt Files) | 에이전트의 성격, 작동 범위, 제약 조건을 정적으로 규정 |
| 2 | SQLite 아카이브 | 교차 세션(Cross-session) 대화 내역 및 메타데이터 저장. FTS5(Full-Text Search)와 LLM 요약을 결합하여 벡터 DB 없이 정확한 과거 검색 지원 |
| 3 | 동적 스킬 (Dynamic Skills) | 성공적인 작업 절차를 SKILL.md 형태로 문서화하여 재사용 가능한 패키지로 저장. 관련 개념: Agent Skills |
| 4 | 사용자 모델링 (User Modeling) | Honcho의 변증법적 사용자 모델링을 채택하여, 사용자의 선호도·커뮤니케이션 스타일을 백그라운드에서 추론 및 모델링 |
이 메모리 아키텍처의 이론적 배경은 에이전트 메모리 관리 문서에서 더 자세히 확인할 수 있습니다.
2. 자율적 스킬 창출 파이프라인 (실행 → 평가 → 추출)
Hermes Agent의 핵심 차별점은 스킬 자가 창출 프로세스에 있습니다.
flowchart LR
A["사용자 지시<br/>(복잡한 작업)"] --> B["에이전트 실행<br/>(도구 조합 시도)"]
B --> C["실행 궤적<br/>(Trajectory) 기록"]
C --> D["백그라운드 루프<br/>(자율 평가)"]
D --> E["스킬 문서 추출<br/>(SKILL.md 저장)"]
E --> F["향후 유사 작업에<br/>즉시 적용"]
F -.->|경험 축적| B
- 실행(Execute): 사용자가 복잡한 작업을 지시하면 에이전트는 여러 도구를 조합하여 수행합니다.
- 평가(Evaluate): 작업 완료 후, 백그라운드 루프가 실행 궤적(Trajectory)을 자율적으로 분석합니다. 어떤 추론 단계가 유효했고, 어떤 도구 호출 순서가 최적이었는지를 판단합니다.
- 추출(Extract): 최적의 절차를 독립적인 스킬 문서로 추출하여 로컬에 저장합니다.
이 과정을 통해 에이전트는 사용자가 스킬을 수동으로 코딩하거나 마켓플레이스에서 설치할 필요 없이, 경험을 통해 업무 수행 방식을 자율적으로 규격화(Compounding)합니다.
학술적 근거: 전략적 유전자(Strategy Genes)
이 자가 학습 메커니즘은 2026년 4월 발표된 연구 “From Procedural Skills to Strategy Genes”(arXiv:2604.15097)에 이론적 기반을 두고 있습니다. 이 연구는 경험을 긴 문서 형태의 스킬(Skill)로 주입하면 고성능 모델에서 오히려 성능이 하락(Pro 모델 60.1%→50.7%)하는 반면, 핵심만 압축한 전략적 유전자(Gene) 형태로 인코딩하면 안정적으로 성능이 향상(전체 평균 51.0%→54.0%)됨을 정량적으로 입증했습니다.
| 모델 / 조건 | 기준선 (No Guidance) | 절차적 스킬 주입 | 전략적 유전자 주입 |
|---|---|---|---|
| Flash 모델 | 41.8% | 49.0% ↑ | 48.2% ↑ |
| Pro 모델 | 60.1% | 50.7% ↓ | 59.9% ≈ |
| 전체 평균 | 51.0% | 49.9% (-1.1%p) | 54.0% (+3.0%p) |
3. 병렬 처리 및 샌드박싱
대규모 데이터 처리 시 단일 에이전트 스레드의 병목을 해결하기 위해, Hermes Agent는 서브에이전트(Subagents)를 동적으로 생성하여 작업을 병렬화합니다.
- 각 서브에이전트는 완전히 격리된 자체 대화 컨텍스트, 터미널, Python RPC 스크립트를 보유합니다.
- 메인 에이전트가 하위 작업을 위임함으로써 컨텍스트 창 누수 및 토큰 비용 증가를 원천 차단합니다.
6개 터미널 백엔드 아키텍처
실행 안전성을 보장하기 위해 다음 6가지 격리 환경을 지원합니다:
| 백엔드 | 특징 |
|---|---|
| Local | 로컬 터미널에서 직접 실행 |
| Docker | 컨테이너 하드닝 및 네임스페이스 격리 |
| SSH | 원격 서버에서의 격리된 실행 |
| Daytona | 서버레스 개발 환경 |
| Singularity | HPC(고성능 컴퓨팅) 환경 지원 |
| Modal | 유휴 시 비용 미발생 서버레스 인프라 |
Hermes Agent의 샌드박싱 아키텍처에 대한 보안적 맥락은 동적 에이전트 보안 위협 문서를 참고하세요.
기초 모델: Hermes 3 & Hermes 4
Hermes Agent의 백엔드에서 작동하는 파운데이션 모델로, Meta의 Llama 3.1 아키텍처를 에이전트 구동에 최적화한 시리즈입니다.
| 비교 항목 | Hermes 3 (2024.08) | Hermes 4 (2025.08) |
|---|---|---|
| 훈련 데이터 | DPO/LoRA 기반 지시 튜닝 | 60B 토큰 추론 궤적 데이터셋 |
| 추론 방식 | 단일 패스 지시 이행 | <think> 태그를 통한 하이브리드 추론 |
| 정렬 철학 | 중립적 정렬 | 무검열 중립 정렬 (RefusalBench SOTA) |
| 핵심 강점 | 안정적 JSON 구조화 출력, 병렬 도구 호출 | STEM/수학/복합 코딩 태스크 (LiveCodeBench 54.6%) |
특히 Hermes 4는 에이전트가 수백 단계를 오케스트레이션할 때 사소한 안전 필터로 인해 실행이 거부되는 문제를 해결하기 위해, 검열 없는 사용자 지시 이행 능력을 극대화한 점이 특징적입니다.
경쟁 프레임워크 비교
| 비교 항목 | Hermes Agent | OpenClaw | Claude Code |
|---|---|---|---|
| 주요 목적 | 지속적·자율적 반복 워크플로우 및 자가 개선 | 단발성 태스크의 자연어 직접 실행 | 터미널/IDE 내 개발 워크플로우 전담 |
| 토큰 비용 (5일 평균) | ~$10 (다중 모델 라우팅) | ~$130 | - |
| 생태계 | ~40+ 내장 도구 및 커뮤니티 스킬 | 44,000+ 스킬 (ClawHub) | 개발자 환경 최적화 |
| 보안 | 격리된 샌드박스 및 서브에이전트 구조 | 시스템 깊은 접근성 (CVE 이슈 다수) | 로컬 폴더 스코프 종속 |
| 추천 시나리오 | 반복 리서치, 장기 모니터링, 백그라운드 파이프라인 | 일상 보조(이메일, 일정), 광범위 앱 통합 | 코드 개발, 디버깅 |
2026년 커뮤니티 여론 분석에 따르면, 약 20%의 사용자가 OpenClaw를 메인 오케스트레이터로, Hermes를 자가 학습 서브 모듈로 병행 사용하는 하이브리드 전략을 채택하고 있습니다.
오픈소스 라이선스와 AI 코드 세탁 이슈
Hermes Agent의 자가 진화 모듈은 중국 EvoMap 팀의 오픈소스 엔진 Evolver와의 아키텍처 수준 표절 논란에 휘말렸습니다. 이 사건은 AI 시대의 ‘코드 세탁(AI Code Washing)’ 문제를 대표하는 사례로 기록되었습니다.
- 핵심 쟁점: 언어(Node.js → Python)만 다를 뿐, 10단계 핵심 루프의 실행 순서, 12개 그룹의 용어 치환, 세부 설계 패턴이 동일
- 결과: EvoMap은 MIT → GPL-3.0 라이선스 변경 및 코드 난독화로 전환
- 시사점: LLM 기반의 로직 구조 복제가 기존의 문자열 기반 표절 검사를 무력화하며, 소규모 개발자의 오픈소스 기여 의지를 약화시킬 수 있음