출시 6주 만에 GitHub 57,200 stars. 그중에서도 눈길을 끄는 수치는 따로 있다. 같은 리서치 작업을 두 번 시켰을 때, 두 번째는 40% 빠르게 끝났다. 프롬프트를 고치지도 않았는데 말이다.
2026년 2월 26일 Nous Research가 공개한 Hermes Agent 이야기다. 숫자만 보면 그저 또 하나의 뜨는 오픈소스 프로젝트 같지만, 속을 들여다보면 AI 에이전트 시장의 축이 어디로 이동하고 있는지 꽤 선명하게 보인다.
핵심 요약
- Hermes Agent는 “시간이 갈수록 유능해지는” 서버 상주형 오픈소스 에이전트다.
- OpenClaw가 장악한 “통합의 폭” 축 옆에, “학습의 깊이”라는 새 축을 만들고 있다.
- MIT 라이선스에 $5 VPS로도 돌아가지만, v0.9.0 단계의 버전 불안정과 메모리 투명성 부족은 분명한 리스크다.
왜 또 다른 에이전트 프레임워크인가
에이전트 프레임워크는 이미 넘친다. 그런데 Hermes가 특별한 이유는 단순하다. 세션이 끝나도 배운 것을 잊지 않는다.
기존 에이전트 프레임워크의 가장 큰 낭비 구간이 여기다. 어제 한 시간 걸려 만든 리서치 루틴을 오늘 다시 시키면, 또 한 시간을 쓴다. 토큰도 다시 쓰고, 맥락도 다시 잡는다. 사람으로 치면 매일 아침 출근해 자기 이름부터 다시 외우는 직원인 셈이다.
Hermes는 이걸 닫힌 학습 루프(closed learning loop)로 풀었다. 5단계로 동작한다.
- 다중 플랫폼에서 메시지 수신
- FTS5 전문 검색으로 기존 스킬·메모리 회상
- 도구 추론·실행
- 복잡 작업(5개 이상 tool call) 완료 후 자율적으로 스킬 문서 생성
- 결과를 영속 메모리에 저장, 사용자 모델 갱신
핵심은 4번이다. 에이전트가 스스로 “이 작업 패턴은 재사용할 만하다”고 판단해 문서로 남긴다. 다음번엔 그 문서를 먼저 읽고 시작한다. 공식 벤치마크에서 리서치 작업 기준 40% 속도 향상이 나왔고, 커뮤니티 리포트에서도 v0.5.0 설치 후 2시간 안에 3개 스킬 문서가 자동 생성되며 수치가 재현됐다(The New Stack).
출처: OpenClaw vs. Hermes Agent: The race to build AI assistants that never forget
“기억”을 설계하는 방식
기억한다고 다 좋은 건 아니다. 무한정 쌓이는 메모리는 금세 독이 된다. Hermes의 접근이 흥미로운 건 “bounded memory with forced curation” 철학이다.
3층으로 나눈다.
| 계층 | 역할 | 제한 |
|---|---|---|
| 세션 메모리 | 현재 대화 맥락 | 세션 종료 시 폐기 |
| 영속 메모리 | 장기 지식 저장 (FTS5 기반) | 10,000+ 문서, 약 10ms 검색 |
| 사용자 모델 | 선호·전문성 자동 프로파일 | user profile 1,375자 |
주목할 건 제한값이다. core notes 2,200자, user profile 1,375자. 일부러 좁게 잡아놨다. 공간이 모자라니 에이전트가 알아서 압축하고 정제한다. “다 기억해”가 아니라 “필요한 것만 남겨”라는 강제 규칙이다(Hermes Atlas).
출처: The State of Hermes Agent — April 2026
이 설계 철학이 중요한 이유는 따로 있다. 기억 용량을 무한대로 주면 에이전트는 노이즈까지 다 저장한다. 검색 품질이 떨어지고, 엉뚱한 기억이 자주 튀어나온다. 인간 기억도 사실 망각이 없으면 제대로 동작하지 않는다는 점을 떠올려보면 꽤 타당한 제약이다.
OpenClaw vs Hermes, 그림이 달라졌다
2026년 4월 기준 오픈소스 에이전트 시장은 두 개의 축으로 갈라지고 있다.
| 항목 | OpenClaw | Hermes Agent |
|---|---|---|
| GitHub stars | 345,000+ | 78,800 (6주 만에) |
| 강점 | 통합의 폭 (50+ 플랫폼) | 학습의 깊이 (자가개선) |
| 포지션 | 팀 운영, 매니지드 배포 | 퍼스널 오토메이션, 리서치 |
| 모델 호환 | 광범위 | 200+ 모델 |
| 커뮤니티 스킬 | 5,700+ | 17개 라이브러리 (초기) |
OpenClaw는 “어디에나 연결된다”가 무기다. Slack, Discord, 사내 툴 뭐든 붙는다. Hermes는 다르다. 붙는 곳은 적지만, 오래 쓸수록 똑똑해진다.
흥미로운 건 업계가 이 둘을 경쟁 관계가 아닌 상호 보완재로 보기 시작했다는 점이다. Claude Code는 IDE 페어 프로그래밍, OpenClaw는 팀 오퍼레이션, Hermes는 개인 학습 자동화. 각자의 영역이 있다는 해석이다(Hermes Atlas).
이 말은 기업 입장에서 “뭘 쓸까”가 아니라 “어떻게 조합할까”의 문제가 된다는 뜻이다. 포트폴리오 구성 관점에서 도구를 선택해야 한다.
돈과 안 맞는 구석도 있다
여기까지만 보면 Hermes는 거의 완벽해 보인다. 그런데 실제 도입을 검토하면 걸리는 부분이 몇 개 있다.
첫 번째, 토큰 오버헤드. 반성(reflection) 모듈 때문에 15~25% 토큰이 추가로 든다. 더 골치 아픈 건 API 호출의 73%가 도구 정의 고정 비용이라는 점이다. 한 번 호출에 평균 $0.30가 도구 정의만으로 나간다(NxCode). 고빈도 단순 작업에 붙이면 오히려 적자다.
두 번째, 자가학습 기본값이 off다. “기억하는 에이전트”라고 광고하는데 설치하고 나면 안 배운다. hermes config로 명시적으로 켜야 한다. 초기 도입자들이 “광고랑 다르다”고 혼선을 겪은 이유다.
세 번째, 메모리 투명성 부족. 에이전트가 나에 대해 뭘 기억하고 있는지 들여다보기 어렵다. 내부 업무 자동화에는 쓸 만하지만, 개인정보보호법이나 GDPR이 걸리는 업무에는 그대로 쓸 수 없다. 프로파일 데이터 삭제 권리를 어떻게 보장할지 수동 설계가 필요하다.
네 번째, 버전이 너무 빨리 움직인다. v0.1.0에서 v0.9.0까지 2개월이다. API breaking change 가능성이 그만큼 높다는 뜻이다. 프로덕션 워크플로를 Hermes API에 직접 바인딩하면 안 된다. 추상화 레이어를 두는 게 안전하다.
이 이야기가 왜 중요한가
Hermes Agent 하나의 흥망을 떠나, 이게 가리키는 방향이 더 흥미롭다.
첫째, 경쟁 축이 바뀌고 있다. 1년 전까지 AI 에이전트 경쟁은 “얼마나 많은 도구를 붙였나”와 “얼마나 큰 모델을 쓰나”가 전부였다. 이제 “얼마나 잘 배우나”가 세 번째 축으로 올라왔다. 다음 6개월 동안 OpenClaw가 유사 학습 루프를 도입하는지가 핵심 관전 포인트다.
둘째, 모델·에이전트 레이어가 붙고 있다. Nous Research와 MiniMax 파트너십은 MiniMax M2.7을 Nous Portal 안에서 live로 돌리는 구조다. 양사가 다음 릴리스를 에이전트 용도로 공동 최적화 중이라는 건 꽤 큰 시그널이다(MiniMax Docs). 앞으로 “이 에이전트에 최적화된 모델” 같은 SKU가 나올 가능성이 높다.
셋째, lock-in의 모양이 바뀐다. SaaS 시대의 lock-in은 데이터와 워크플로였다. 에이전트 시대의 lock-in은 학습 메모리 그 자체다. 3개월 쓴 에이전트는 3개월치 사용자 모델을 갖고 있다. 다른 프레임워크로 갈아탈 때 이걸 어떻게 이식할지가 새로운 문제가 된다. 지금 Hermes↔OpenClaw 마이그레이션 도구는 없다.
그래서 지금 뭘 해야 하나
결론부터 말하면, 미션 크리티컬 업무에 바로 붙이는 건 아직 이르다. 하지만 2주짜리 PoC는 지금 해볼 만하다.비용이 거의 들지 않기 때문이다.
$5 VPS 하나에 로컬 Ollama를 연동하면 실질 운영비 $30 이하로 실험이 끝난다. 리서치·리포트 자동화처럼 반복 구조가 뚜렷한 업무 하나를 골라 붙여보고, 공식이 제시한 40% 속도 향상이 내 업무에서도 재현되는지 독립 측정하면 된다.
정작 더 중요한 숙제는 따로 있다. 자사 제품에 에이전트 모듈을 넣을 계획이 있다면, Hermes의 “스킬 문서 포맷 + 3층 메모리 구조”를 참조 아키텍처로 뜯어볼 가치가 있다. 프레임워크 자체를 도입하지 않더라도 설계 레퍼런스로 쓸모가 크다.
한 가지 확실한 건, “기억하지 못하는 에이전트”의 시대는 끝나가고 있다는 점이다. 앞으로 1년 안에 모든 주요 프레임워크가 비슷한 학습 루프를 가지게 될 것 같다. 그때 남는 차별점은 누가 더 빨리 시작했고, 누가 더 투명하게 기억하느냐가 될 것이다.
Hermes가 그 답을 전부 갖고 있다고 보진 않는다. 다만 올바른 질문을 던지고 있다는 건 분명해 보인다.
참고 자료
- Hermes Agent 공식 사이트 (Nous Research)
- NousResearch/hermes-agent GitHub
- The State of Hermes Agent — April 2026 (Hermes Atlas)
- Complete Guide to the Self-Improving AI 2026 (NxCode)
- OpenClaw vs. Hermes Agent (The New Stack)
- Hermes Agent — MiniMax API Docs
- Hermes AI Agent Framework Review (OpenAIToolsHub)
출처: GitHub – NousResearch/hermes-agent: The agent that grows with you
