Hermes: der lernfähige KI-Agent

Hermes ist ein offener KI-Agent von Nous Research (MIT-Lizenz), der auf deinem eigenen Rechner oder Server läuft. Der Unterschied zu anderen Agenten: Hermes hat einen eingebauten Lernkreislauf. Er erstellt aus jeder Aufgabe Fähigkeiten, verbessert sie beim Wiederholen und hält Wissen in einer gepflegten Erinnerung fest. Das Projekt ist eines der populiersten auf GitHub und wird aktiv entwickelt.

Warum Hermes anders ist

Die drei Kernideen aus der offiziellen Doku:

• Lernfähig: Hermes baut Skills aus Erfahrung und ruft sie bei ähnlichen Aufgaben wieder auf. Was du einmal gelöst hast, muss du nicht nochmal erklären.
• Erinnerung: Agent-curated memory mit MEMORY.md und USER.md plus Volltextsuche über alte Sessions.
• Überall erreichbar: ein Gateway-Prozess verbindet Telegram, Discord, Slack, WhatsApp, Signal und die Kommandozeile.

Dazu kommen über 40 Werkzeuge und sieben Ausführungs-Backends: lokal, in Docker, per SSH auf einen eigenen Server oder in Cloud-Sandkästen. Weil alles auf deiner Infrastruktur läuft, verlassen keine Daten dein Zuhause. Genau das macht den Reiz aus: ein persönlicher Agent, der dazulernt und trotzdem dir gehört.

Installation in drei Befehlen

Der offizielle Installer richtet Python, Node.js und alle Abhängigkeiten ein:

curl -fsSL https://hermes-agent.nousresearch.com/install.sh | bash
source ~/.bashrc
hermes

Für Windows gibt es ein PowerShell-Installerskript (iex (irm https://hermes-agent.nousresearch.com/install.ps1)). Nach dem ersten Start führt hermes setup durch die Konfiguration, hermes doctor prüft die Umgebung, hermes tools zeigt die vorhandenen Werkzeuge.

Lokal mit Ollama: ganz ohne Cloud

Hermes spricht mit jedem Modell. Die einfachste Offline-Variante ist Ollama:

curl -fsSL https://ollama.com/install.sh | sh
ollama pull gemma4:31b
hermes setup

Im Setup-Wizard "Custom Endpoint" wählen und als Base URL http://localhost:11434/v1 eintragen, API-Key darf leer bleiben. Wichtig aus der Doku: von den kleineren Modellen ist nur gemma4:31b mit verlässlichem Tool Calling, ohne das Hermes nur chatten kann. Die Grobordnung nach RAM: 8 GB reichen für 3B-Modelle zum Ausprobieren, 24 GB und mehr für 27B bis 32B.

Zwei Stellschrauben machen lokale Agenten erst brauchbar. Erstens der Kontext: Hermes braucht mindestens 64.000 Tokens, der Ollama-Standard liegt darunter. Ein eigenes Modell mit erhöhtem num_ctx löst das (ollama create gemma4-64k -f Modelfile). Zweitens das Timeout in ~/.hermes/.env: HERMES_API_TIMEOUT=1800, denn lokale Modelle brauchen für Agentenschritte mehr Zeit.

Modelle wechseln ohne Umbau

Mit hermes model wechselst du das Modell jederzeit, ohne Code anzupassen. Unterstützt sind Nous Portal (300+ Modelle), OpenRouter, OpenAI-kompatible Endpoints und jeder eigene Server. Ein praktisches Muster ist lokal arbeiten mit Cloud-Fallback für schwere Aufgaben.

Grenzen, ehrlich

Ein lernfähiger Agent ist kein Wundermittel. Lokale Modelle bleiben hinter den Cloud-Flagschiffen zurück, auf der CPU sind nur etwa 2 bis 5 Tokens pro Sekunde realistisch, und die Hardware-Anforderung von 24 GB RAM für das empfohlene Modell ist real. Wer Hermes nur auf einer kleinen Kiste betreibt, fährt besser mit einem kleineren Modell und dem Verzicht auf Tool-Aufgaben. Der Aufwand lohnt sich trotzdem: genau diese Kombination aus Lernkreislauf, Erinnerung und kompletter Datenkontrolle ist der Grund, warum Hermes als gamechanger gehandelt wird.