Hermes Agent, un framework de asistente de IA de código abierto lanzado por Nous Research, permite a los desarrolladores ejecutar un asistente personal en su propia máquina o servidor y conectar cualquier herramienta que necesiten. El código está en GitHub.

Por qué es importante un nuevo framework

La mayoría de los asistentes orientados al consumidor ocultan su funcionamiento interno tras APIs propietarias. Envías un prompt, el servicio decide qué modelo llamar y qué acciones tomar, y recibes una respuesta que no puedes inspeccionar ni modificar. Ese modelo funciona para usuarios ocasionales, pero frustra a los desarrolladores que desean automatizar flujos de trabajo, integrarse con almacenes de datos privados o aplicar políticas de seguridad estrictas. Hermes Agent cambia las reglas del juego: se sitúa entre el usuario y el modelo de lenguaje, exponiendo el proceso de toma de decisiones y permitiéndote adjuntar "herramientas" arbitrarias (scripts, comandos del sistema de archivos o servicios de terceros) que el agente puede invocar en tu nombre.

La ventaja práctica es inmediata. Un desarrollador puede lanzar Hermes, apuntarlo a un LLM local o a una API como OpenRouter, y luego pedirle que haga un grep de un archivo de registro, ejecute una herramienta de análisis estático o levante un contenedor Docker. El agente recuerda el contexto de la conversación, decide qué herramienta se ajusta a la solicitud y devuelve una respuesta estructurada. En resumen, pasa de los chatbots de "solo respuesta" a los asistentes "orientados a la acción".

Cómo está construido Hermes Agent

  • Core – el orquestador que recibe la entrada del usuario, realiza el seguimiento del historial de la conversación y selecciona la herramienta adecuada basándose en la sugerencia del modelo.
  • Model – el modelo de lenguaje que genera la intención y las posibles acciones. Puedes conectar cualquier modelo que controles, desde un LLM de código abierto alojado localmente hasta un endpoint en la nube.
  • Tools – envoltorios ligeros (wrappers) alrededor de acciones ejecutables. Una herramienta puede leer un archivo, llamar a una API REST o ejecutar un comando de shell. Añadir una nueva herramienta es tan sencillo como escribir una función de Python y registrarla en el framework.
  • Skills – colecciones de herramientas relacionadas que otorgan al agente capacidades específicas de un dominio, como asistencia en administración de sistemas o automatización de revisión de código.

La arquitectura mantiene las tres preocupaciones separadas: el modelo se mantiene como texto puro, el core gestiona el flujo y las herramientas realizan el trabajo pesado. Esta separación facilita el intercambio de componentes sin romper todo el sistema.

Poniendo en marcha Hermes

  1. Clonar el repositorio – git clone https://github.com/NousResearch/hermes-agent.git
  2. Entrar en el directorio – cd hermes-agent
  3. Instalar dependencias – pip install -r requirements.txt
  4. Configurar el entorno – copia .env.example a .env e inserta las claves de API necesarias (para OpenRouter u otros servicios que planees usar).
  5. Lanzar – ejecuta hermes desde la línea de comandos.

Extender el asistente

Añadir una nueva capacidad sigue un patrón de tres pasos:

Consideraciones de seguridad

Un agente de IA que puede ejecutar comandos actúa como un usuario con privilegios. Exponer claves de API en el archivo .env o conceder al agente acceso sin restricciones al sistema de archivos puede abrir una puerta trasera si el modelo se ve comprometido o si se filtran prompts maliciosos. Mitiga el riesgo mediante:

  • Ejecutar el agente dentro de un contenedor o una máquina virtual aislada de los servicios críticos.
  • Almacenar secretos en variables de entorno y establecerlas como de solo lectura siempre que sea posible.
  • Limitar las herramientas registradas al mínimo necesario para tu flujo de trabajo.
  • Auditar los logs del agente regularmente para detectar invocaciones de herramientas inesperadas.

El equilibrio: apertura frente a conveniencia

La apertura de Hermes Agent otorga a los desarrolladores un control total, pero también significa que pierdes la experiencia "llave en mano" de los asistentes alojados. Debes gestionar tú mismo las actualizaciones del modelo, el escalado y los parches de seguridad. Los equipos que no cuentan con recursos dedicados de DevOps podrían seguir prefiriendo un servicio gestionado.

Por el contrario, auditar cada paso de la cadena de decisión puede ser decisivo para las empresas que manejan datos sensibles. El diseño modular invita a las contribuciones de la comunidad, lo que podría hacer crecer el ecosistema de herramientas más rápido que cualquier proveedor individual.

Por ahora, el framework ofrece un camino concreto para cualquiera que desee un asistente de IA que se ejecute en su propio hardware, pueda adaptarse a flujos de trabajo personalizados y se mantenga transparente para las personas que lo operan. El siguiente paso es sencillo: clona el repositorio, ponlo en marcha y empieza a enseñar a tu nuevo asistente cómo realizar las tareas en las que pasas horas cada semana.