헤르메스, 오픈클로 제치고 오픈소스 AI 에이전트 관심도 1위로

• 오픈소스 AI 에이전트 판에서 헤르메스가 꽤 의미 있는 역전을 찍음

  • 클로차트(ClawCharts)의 깃허브 통계 기준, 최근 30일 신규 기여자 수에서 오픈클로를 앞질렀다는 보도가 나옴
  • 5월에는 오픈라우터 글로벌 트래픽 랭킹에서도 헤르메스가 오픈클로 사용량을 넘어섰다고 알려졌음
  • 신규 기여자 수는 “사람들이 실제로 이 프로젝트에 손을 대고 싶어 하냐”를 보여주는 지표라서 그냥 스타 수보다 더 뜨거운 신호임

• 헤르메스의 차별점은 로컬 AI 에이전트인데도 스스로 작업 매뉴얼을 만든다는 데 있음

  • 코드 작성, 웹 검색, 이메일 발송, 메신저 업무 처리처럼 PC에서 하는 여러 작업을 자동화하는 건 오픈클로와 비슷함
  • 다른 점은 사용자가 반복 요청하는 작업을 수행하면서 자동으로 스킬(Skill)을 생성한다는 것
  • 웹 검색, 지메일, 디스코드 같은 여러 도구를 엮어 복잡한 작업을 끝내면, 그 성공 경로를 저장해 다음번에 재사용하는 식임

• 오픈클로 쪽은 상용 소프트웨어로 성숙하는 과정에서 속도 조절이 걸린 모양새임

  • 기사에서는 오픈클로가 실험적인 해커 프로젝트에서 안정적인 상용 소프트웨어로 넘어가는 과정에서 어려움을 겪고 있다고 봄
  • 그 사이 헤르메스, 엔비디아의 네모클로(NemoClaw), 젠스파크 클로(Genspark Claw) 같은 경쟁 솔루션이 치고 올라오는 중
  • 사용자가 직접 매뉴얼을 만들어야 하는 방식보다, 에이전트가 알아서 스킬을 쌓는 방식이 개발자 입장에서는 훨씬 덜 귀찮음

• 자동 스킬 생성은 비용 구조에도 영향을 줌

  • 복잡한 작업을 처음 해결할 때는 고성능의 비싼 AI 모델이 필요할 수 있음
  • 하지만 스킬이 생긴 뒤에는 상대적으로 저렴한 오픈소스 모델만으로 같은 작업을 처리할 수 있음
  • 반복 업무가 많은 팀이라면 “처음만 비싸게 풀고, 이후에는 싸게 반복”하는 구성이 가능해지는 셈임

• 헤르메스는 사용자가 안 쓰는 시간에도 스킬을 되돌아보며 개선한다고 설명함

  • 누스 리서치 COO 딜런 롤닉은 이 과정을 사람이 잠자는 동안 기억을 정리하는 것에 비유함
  • 유휴 시간에 기존 스킬을 검토하고, 더 효율적인 방법을 찾으면 기존 스킬을 대체한다는 설명임
  • 이게 실제로 안정적으로 동작한다면 에이전트가 단순 자동화 도구를 넘어 개인 업무 환경에 맞춰 계속 튜닝되는 구조가 됨

• 이번 흐름은 AI 에이전트 경쟁의 초점이 모델에서 하네스(Harness)로 옮겨가고 있다는 신호임

  • 하네스는 AI가 도구를 쓰고 행동하게 만드는 소프트웨어 계층임
  • 같은 AI 모델을 써도 하네스 설계와 최적화 수준에 따라 작업 성공률, 비용, 반복 가능성이 크게 갈릴 수 있음
  • 업계에서는 오픈AI의 코덱스 같은 에이전트 제품 성능 향상에도 이런 소프트웨어 개선이 중요하게 작용했다고 보고 있음

---

기술 맥락

• 여기서 중요한 선택은 “더 큰 모델을 붙이는 것”이 아니라 “에이전트가 성공한 작업 과정을 저장하게 만드는 것”이에요. 모델 호출 한 번으로 끝나는 구조면 매번 같은 시행착오를 반복하거든요.

• 헤르메스의 스킬 구조는 반복 작업이 많은 개발자 워크플로에 꽤 잘 맞아요. 예를 들어 여러 서비스에 로그인하고, 검색하고, 메시지를 보내고, 결과를 정리하는 작업은 모델 지능보다 절차 기억이 더 중요할 때가 많아요.

• 비용 면에서도 이유가 있어요. 처음에는 비싼 모델이 복잡한 문제를 풀고, 이후에는 저장된 스킬을 따라 더 작은 오픈소스 모델이 처리하면 전체 운영비를 낮출 수 있거든요.

• 그래서 이 기사는 특정 에이전트 하나의 순위 변화라기보다, AI 제품 경쟁이 모델 API 호출에서 실행 환경과 재사용 가능한 작업 지식 관리로 넘어가는 장면으로 보는 게 더 재밌어요.