헤르메스 에이전트 해부: ‘쓸수록 나아진다’는 말이 코드에 박혀 있나

헤르메스가 왜 갑자기 떴나

• OpenRouter 사용량 랭킹에서 헤르메스 에이전트가 오픈클로를 제치고 1위에 올랐음

  • OpenRouter는 GPT, Claude, Gemini 등 200개 넘는 AI 모델을 골라 쓰는 통합 API 플랫폼임
  • 이 플랫폼의 일간 랭킹은 어떤 AI 앱과 에이전트가 실제로 토큰을 많이 쓰는지 보여주는 지표에 가까움
  • 5월 10일 기준으로 올해 내내 강하던 Openclaw 대신 Hermes Agent가 왕좌를 차지함

• 헤르메스 에이전트는 Nous Research가 MIT 라이선스로 공개한 오픈소스 에이전트임

  • 공식 문구는 “The Agent that grows with you”, 즉 사용자와 함께 자라는 에이전트임
  • 출시 두 달 반 만에 사용량 1위에 올랐고, 누적 토큰은 1조 200억 개에 달한다고 소개됨
  • 깃허브 스타도 출시 11주 차에 14만 5천 개를 찍었음

• 여기서 말하는 에이전트 서비스는 ChatGPT나 Claude 데스크톱 앱과 다름

  • 일반 챗봇은 사용자가 창을 열어 말을 걸어야 움직이고, 창을 닫으면 멈춤
  • 에이전트 서비스는 서버에서 계속 도는 상주 작업자에 가까움
  • 노트북을 닫아도 작업이 이어지고, 디스코드나 텔레그램으로 말을 걸면 바로 반응하는 구조임

self-improving은 어떻게 구현됐나

• 헤르메스의 자가 개선 구조는 저장소 안에서 꽤 명확한 디렉토리로 나뉨

  • agent/는 에이전트 루프 본체이며 학습 루프가 매 작업마다 도는 곳임
  • skills/는 절차적 기억(procedural memory)이 쌓이는 디렉토리임
  • environments/는 강화학습(RL) 환경으로, 사용 흔적을 다음 세대 모델 학습 데이터로 바꾸는 영역임

• 첫 번째 핵심은 작업 절차를 스킬로 자동 저장하는 구조임

  • 공식 문서 기준으로 도구 호출(tool call) 5번 이상의 작업을 마치면 그 절차를 마크다운 문서로 저장함
  • 저장 위치는 ~/.hermes/skills/임
  • 모든 작업을 무작정 저장하는 게 아니라 다시 쓸 만한 절차를 골라 남기는 방식임

• 저장된 스킬은 슬래시 명령이나 자동 검색으로 다시 호출됨

  • 사용자는 / 형태로 직접 부를 수 있음
  • 비슷한 상황이 오면 사용자가 호출하지 않아도 에이전트가 알아서 검색함
  • 시간이 지날수록 개인 업무에 맞는 절차 라이브러리가 쌓이는 구조임

• 메모리 검색에는 SQLite FTS5를 씀

  • 별도 벡터 데이터베이스를 외부에 두는 대신, 거의 모든 운영체제에 있는 SQLite의 내장 전문 검색 기능을 활용함
  • 1만 개 넘는 문서를 약 10밀리초 안에 검색한다고 소개됨
  • 5달러짜리 가상 서버에서도 돌아갈 만큼 인프라 부담이 낮다는 점을 내세움

• 사용 흔적은 Atropos RL 환경을 거쳐 다음 세대 도구 사용 모델 학습 데이터로도 변환됨

  • environments/ 디렉토리 쪽에서 사용 trajectory를 압축·변환하는 구조가 보임
  • 일반 사용자가 매일 만지는 기능은 아니지만, 내 사용 방식이 다음 모델 학습에 연결될 수 있다는 점은 중요함
  • 작업 구조 노출이 꺼림칙하다면 해당 기능을 끄는 것도 방법으로 언급됨

• 메모리는 에이전트가 직접 고칠 수도 있음

  • 내장 메모리 도구로 add, replace, remove를 수행함
  • 처음 만든 절차가 틀렸거나, 환경이 바뀌었거나, 더 나은 방법을 찾으면 기록을 수정하는 흐름임
  • 핵심 파일은 ~/.hermes/memories/MEMORY.md와 USER.md임

• 외부 메모리 백엔드도 붙음

  • Honcho 기반 메모리는 사용자의 발화, 선호, 작업 패턴을 누적해 세션 너머에서 사용자 모델을 유지함
  • 다음 세션에서 처음부터 다시 설명하지 않아도 에이전트가 사용자를 기억하는 식임
  • 편한 만큼 민감한 사용자 맥락이 쌓인다는 점도 같이 봐야 함

설치와 운영 조건

• 공식 quickstart 기준 설치는 curl이나 PowerShell 명령으로 시작함

  • macOS, Linux, WSL2, Termux는 install.sh를 실행하는 흐름임
  • Windows 네이티브는 얼리 베타라 공식 문서에서도 WSL2를 권장함
  • 설치 후 hermes setup, hermes model, hermes tools, hermes gateway 순서로 설정을 진행함

• 모델 선택지는 넓지만 컨텍스트 창 조건이 있음

  • Claude, OpenAI, OpenRouter, Nous Portal, DeepSeek, Kimi, Alibaba Qwen, NVIDIA Nemotron, AWS Bedrock 등을 지원함
  • vLLM, Ollama 같은 로컬 모델 엔드포인트도 받을 수 있음
  • 다만 모델 컨텍스트 창이 최소 6만 4천 토큰 이상이어야 함

• 오픈클로에서 넘어오는 마이그레이션도 지원함

  • hermes claw migrate로 대화형 전체 자동 마이그레이션을 할 수 있음
  • hermes claw migrate --dry-run으로 미리보기도 가능함
  • hermes claw migrate --preset user-data를 쓰면 API 키 같은 시크릿은 제외할 수 있음

커뮤니티 반응과 리스크

• 긍정적인 평은 안정성과 온보딩에 모임

  • OpenClaw가 업데이트 때마다 깨져 디버깅에 시간을 많이 썼는데, Hermes로 옮긴 뒤 후회 없다는 마이그레이션 후기가 있음
  • 누적해서 성장하려면 일단 깨지지 않는 안정성이 중요하다는 평가가 나옴
  • 온보딩과 마이그레이션 설계도 좋게 보는 반응이 있음

• 하지만 무지성 추천하기엔 보안 리스크가 꽤 큼

  • 스킬 포이즈닝 가능성이 지적됨
  • MCP 서버 샌드박스 부재가 문제로 언급됨
  • 자격 증명 노출과 GDPR 미해결도 우려 사항임
  • 1인 개발자에게는 적합할 수 있지만, 규제·결제·감사가 필요한 팀 워크플로에는 아직 부담이 있다는 평도 있음

• 결론적으로 헤르메스는 “갑자기 똑똑해지는 AI”보다 “쓸수록 내 워크플로에 맞춰지는 AI”에 가까움
  • 데모에서 브라우저를 켜고 멀티스텝 작업을 하는 신기함을 넘어, 반복 업무가 쌓인 뒤 진짜 가치가 드러나는 도구임
  • 출시 직후 hype보다 두어 달 뒤 사용량 1위에 오른 흐름이 오히려 이 특징을 잘 보여줌
  • 다음 에이전트 경쟁은 단순한 모델 성능보다 기억, 절차, 권한, 안정성 설계에서 갈릴 가능성이 큼

---

기술 맥락

• 헤르메스의 핵심 선택은 “모델을 계속 학습시킨다”보다 “사용자의 절차를 구조화해서 재사용한다”에 가까워요. 그래서 self-improving이라는 말도 마법 같은 지능 상승이 아니라, 반복 업무를 스킬과 메모리로 저장해 덜 설명해도 되는 방향으로 이해하는 게 정확해요.

• SQLite FTS5를 쓴 건 꽤 실용적인 선택이에요. 벡터 데이터베이스를 따로 띄우면 운영 복잡도가 올라가는데, 헤르메스는 로컬에 가까운 가벼운 검색으로 스킬을 찾게 해서 5달러 VPS 같은 낮은 사양에서도 굴릴 수 있게 만들었어요.

• 스킬 저장 기준에 도구 호출 5번 이상 같은 조건이 있는 이유는 모든 대화를 기억하면 오히려 노이즈가 쌓이기 때문이에요. 반복 가치가 있는 작업 절차만 남겨야 다음에 검색했을 때 진짜 도움이 돼요.

• Atropos RL과 trajectory 변환은 사용 흔적을 다음 모델 개선에 연결하는 레이어예요. 이건 기술적으로 흥미롭지만, 사용자의 업무 구조가 학습 데이터로 갈 수 있다는 뜻이라 프라이버시 설정을 같이 봐야 해요.

• MCP 샌드박스와 자격 증명 이슈가 나오는 이유도 명확해요. 에이전트가 외부 도구를 많이 호출할수록 편해지지만, 그만큼 파일, 계정, API 키에 닿는 경로도 늘어나거든요. 개인 실험과 팀 운영의 기준을 다르게 봐야 하는 지점이에요.