La plupart des agents IA repartent de zéro à chaque tâche : ils exécutent une consigne, oublient, recommencent. Hermes Agent, publié par le laboratoire américain Nous Research, promet l'inverse. Cet agent open source dit apprendre de chacune de ses tâches — y compris de ses ratés —, écrire lui-même de petites « compétences » réutilisables et affiner sa manière de faire au fil de l'usage. Il arrive dans le sillage d'OpenClaw, mais sur un autre terrain : non pas la puissance brute d'exécution, mais la mémoire et l'auto-amélioration. Une orientation séduisante sur le papier, qu'il faut regarder avec prudence, tant les capacités « auto-apprenantes » des agents restent difficiles à mesurer.

Qu'est-ce que Hermes Agent

Hermes Agent est un agent IA autonome, distribué en open source sous licence MIT et conçu par Nous Research, un laboratoire américain déjà connu pour sa famille de modèles ouverts « Hermes » et pour ses travaux autour de l'apprentissage par renforcement. Contrairement à un simple assistant conversationnel, un agent de ce type ne se contente pas de répondre : il enchaîne des appels à des outils (recherche web, navigation, exécution de code, génération d'images, synthèse vocale…) pour mener une tâche à terme de façon autonome. Le dépôt GitHub officiel décrit d'ailleurs une quarantaine d'outils intégrés et la possibilité de connecter des serveurs externes via le protocole MCP (Model Context Protocol).

Là où Hermes Agent revendique une différence, c'est dans sa boucle d'apprentissage intégrée. Nous Research le présente comme « le seul agent doté d'une boucle d'apprentissage native : il crée des compétences à partir de son expérience et les améliore à l'usage ». Autrement dit, l'agent n'est pas censé rester figé : il est conçu pour devenir, en principe, plus efficace sur les tâches que vous lui confiez régulièrement.

« Apprendre de ses erreurs » : ce que cela veut dire concrètement

L'expression mérite d'être décortiquée, car elle recouvre plusieurs mécanismes distincts.

Le premier est la mémoire persistante entre sessions. Contrairement à beaucoup d'agents qui oublient tout d'une conversation à l'autre, Hermes Agent conserve un historique consultable de ses échanges. Techniquement, il s'appuie sur une recherche plein texte (FTS5) doublée d'un résumé par un modèle de langage pour retrouver le contexte utile d'une session à l'autre, ainsi que sur un module de modélisation de l'utilisateur (Honcho) censé retenir vos préférences, vos formats habituels et vos projets en cours. L'idée : ne pas « repartir de zéro » à chaque demande.

Le second, plus original, est l'écriture autonome de « compétences » (skills). Selon les descriptions relayées par les médias tech, lorsque l'agent mène à bien une tâche complexe — typiquement à partir de cinq appels d'outils ou plus —, il génère automatiquement un « skill » : un document au format Markdown qui consigne le nom de la tâche, les étapes qui ont fonctionné, les erreurs rencontrées et les corrections appliquées. La fois suivante, face à une tâche similaire, il recharge ce document en contexte plutôt que de tout réinventer, et peut le corriger s'il découvre une meilleure approche. C'est là que se joue le « apprendre de ses erreurs » du titre : un échec initial devient une note pour la fois d'après. Ces compétences suivent le standard ouvert agentskills.io et peuvent être partagées via un « Skills Hub ».

À cela s'ajoute un travail d'entretien : d'après le Journal du Net, un processus en arrière-plan s'exécuterait périodiquement pour archiver les compétences inutilisées, fusionner les doublons et nettoyer la bibliothèque — un « curateur » chargé d'éviter que la mémoire de l'agent ne se transforme en fouillis.

Enfin, Nous Research revendique un lien avec Atropos, son cadre d'apprentissage par renforcement : les trajectoires d'exécution de l'agent peuvent être enregistrées comme données d'entraînement, l'objectif affiché étant d'améliorer la précision des appels d'outils et la planification sur des tâches à plusieurs étapes. Il faut ici rester mesuré : entre l'accumulation de « skills » réutilisables (un mécanisme concret et vérifiable) et un véritable ré-entraînement du modèle sous-jacent (bien plus lourd), la frontière est floue dans la communication autour du produit. La formule « l'IA qui apprend toute seule » relève autant du récit marketing que d'une réalité technique mesurée.

En quoi est-ce nouveau, face aux agents existants

La mémoire d'agent et l'auto-amélioration ne sont pas des idées inédites. De nombreux frameworks explorent depuis des mois la mémoire à long terme, la génération augmentée par récupération ou l'écriture de « notes » réutilisables. Ce qui distingue l'approche de Hermes Agent, c'est de faire de cette boucle d'apprentissage le cœur du produit plutôt qu'une option, et de la coupler à une mémoire persistante et à un format de compétences standardisé et partageable.

La comparaison la plus fréquente est celle avec OpenClaw, l'autre grand agent open source du moment. Les deux visent l'autonomie, mais le positionnement diffère : là où OpenClaw est souvent présenté comme un exécutant puissant, Hermes Agent met en avant l'idée d'un agent qui « grandit avec vous » (son slogan) et se personnalise dans la durée. C'est un pari : celui que la valeur d'un agent ne réside pas seulement dans ce qu'il sait faire aujourd'hui, mais dans sa capacité à s'améliorer sur vos tâches spécifiques. Reste que ce type d'avantage est difficile à démontrer objectivement, et que les gains réels dépendront beaucoup des usages.

Côté adoption, plusieurs sources — dont Frandroid — relaient des chiffres spectaculaires (plus de 200 000 étoiles GitHub en quelques mois, statut d'agent « le plus utilisé » selon des données OpenRouter citées par Nvidia). Ces éléments proviennent largement de la communication autour du projet et de son écosystème, et méritent d'être pris avec précaution tant qu'ils ne sont pas recoupés par des mesures indépendantes.

Qui est Nous Research

Nous Research est un laboratoire de recherche en IA connu pour son engagement en faveur de l'open source. On lui doit la famille de modèles Hermes (des modèles de langage ouverts, souvent construits par affinage de modèles de base existants) et des outils de recherche comme le cadre d'apprentissage par renforcement Atropos. En publiant Hermes Agent sous licence MIT, le laboratoire s'inscrit dans une logique de transparence et de contrôle par l'utilisateur, à rebours des agents propriétaires fermés : le code est inspectable, modifiable et déployable où l'on veut.

Comment l'installer et quel modèle utiliser

Hermes Agent est pensé pour tourner à peu près partout, et non dans un cloud unique. L'installation se fait par une commande unique sur Linux, macOS ou WSL2 (curl -fsSL https://hermes-agent.nousresearch.com/install.sh | bash), une version Windows étant proposée en bêta. La configuration initiale propose un mode rapide ou complet, où l'on choisit le fournisseur de modèle, le type d'instance d'exécution et les outils à activer.

Point important : Hermes Agent n'impose pas de modèle. Il fonctionne comme un orchestrateur agnostique et peut s'appuyer sur de nombreux fournisseurs — Nous Portal, OpenRouter, OpenAI, Anthropic, Google Gemini, ou encore des endpoints personnalisés et des modèles locaux via Ollama. Changer de modèle se fait par une simple commande, sans toucher au code. Côté déploiement, l'agent supporte plusieurs backends d'exécution (local, Docker, SSH, ainsi que des plateformes serverless comme Modal ou Daytona), au point de pouvoir fonctionner, selon le projet, sur un VPS à quelques euros par mois comme sur un cluster GPU.

Cette souplesse est sans doute l'un de ses atouts les plus concrets : elle permet de conserver la maîtrise de ses coûts et de ses données, tout en testant l'agent sans engagement lourd. Elle en fait aussi un objet d'expérimentation plus qu'un produit « clé en main » grand public — l'installation et la configuration restent réservées à un public plutôt technique.

Ce qu'il faut en retenir

Hermes Agent est une proposition intéressante dans la course aux agents IA : plutôt que de courir après la puissance d'exécution, Nous Research mise sur la mémoire et l'apprentissage continu, dans un cadre entièrement ouvert. Les mécanismes décrits — mémoire persistante, écriture automatique de compétences, entretien de la bibliothèque, agnosticisme des modèles — sont cohérents et, pour partie, concrets. Il convient en revanche de rester prudent sur les promesses d'« auto-amélioration » : ce que l'agent réutilise, ce sont surtout des recettes accumulées, et l'ampleur réelle de son « apprentissage » comme les chiffres d'adoption avancés restent, à ce stade, largement portés par la communication du projet.

Sources : Frandroid, dépôt GitHub de Nous Research, Journal du Net.