🖼️ 4컷 인포그래픽

💡 한 줄 결론

Hermes Agent는 상호작용 이력을 보존하고 자율 스킬을 생성·개선하는 학습형 아키텍처로, 기존 stateless 에이전트 프레임워크와 근본적으로 다른 방향을 제시한다.

📌 핵심 요점

1. Stateless 한계와 학습형 아키텍처 — 기존 대부분의 에이전트는 요청-응답 후 상태를 버리지만, Hermes는 모든 대화·작업·궤적(trajectory)을 로컬에 저장하고 전문 검색으로 과거 경험을 재활용한다.
2. 자율 스킬 생성 루프 — 복잡한 다단계 작업(Stripe→HubSpot→Slack 리포트 등)을 완료하면 전체 과정을 분석해 재사용 가능한 스킬로 패키징·테스트·저장하며, 이후 유사 요청 시 즉시 실행한다.
3. 다중 백엔드와 저비용 운영 — 로컬, Docker, SSH(VPS), Singularity, Daytona, Modal(서버리스) 등 6종 환경을 지원하며, Modal 기준 24시간 상시 운영 시 월 약 $5 수준이다.
4. OpenClaw와의 전략적 차별화 — OpenClaw가 24개 플랫폼 통합·13,000개 커뮤니티 스킬의 생태계 중심이라면, Hermes는 자율 학습·궤적 캡처·RL 훈련 파이프라인을 코어에 통합한 "지식의 복리" 베팅이다.
5. 현실적 한계 존재 — Windows 미지원(WSL2 필수), LLM 생성 스킬의 불안정성, 에이전트 무한 루프 현상, 다중 스텝 순수 속도는 오케스트레이션 특화 프레임워크에 열세다.

🧩 배경과 문제 정의

• AI 에이전트 시장은 1995년 웹 브라우저 전쟁처럼 수많은 프레임워크가 난립하고 있으나, 에이전트가 갖춰야 할 핵심 기능에 대한 합의는 아직 없다.
• 기존 대부분의 프레임워크는 상태 비저장(stateless) 방식으로 동작해, 같은 질문을 나중에 다시 해도 매번 처음부터 시작한다.
• Hermes Agent는 "에이전트가 사용자와의 상호작용에서 학습하고, 시간이 지날수록 더 유용해진다"는 전제 아래 근본적으로 다른 아키텍처를 채택했다.
• 이 영상은 Hermes의 설치, 학습 메커니즘, 배포 옵션, 실제 작동 원리를 실습 관점에서 상세히 분해한다.

🕒 시간순 섹션별 상세정리

1. AI 에이전트 시장의 현주소와 Hermes의 차별성 [00:00]

• 기존 에이전트 프레임워크 대부분은 요청-응답 직후 상태를 초기화하는 stateless 구조다. 맥락이 유지되지 않아 반복 작업이 잦고, 사용자의 누적 경험은 반영되지 않는다.
• Hermes는 모든 상호작용 이력을 보존하고 이를 학습에 활용하는 구조로, 근본적으로 다른 아키텍처 방향을 제시한다.

2. Hermes Agent 프레임워크 개요와 커뮤니티 현황 [01:15]

• Nous Research가 개발한 오픈소스 자가 개선형(self-improving) AI 에이전트 프레임워크다. 현재 v0.6.0으로 프로덕션 준비 단계에 있다.
• GitHub 스타 약 19,000개, 기여자 200명 이상의 활성 커뮤니티가 뒷받침하고 있다.

3. 세 가지 핵심 기능: 도구·게이트웨이·학습 시스템 [01:44]

• 40개 이상의 통합 도구를 제공한다: 웹 검색, 터미널, 파일 시스템, 브라우저 자동화, 코드 실행, 이미지 생성, TTS, 비전 등을 단일 환경에서 호출 가능하다.
• 메시징 게이트웨이로 터미널, Telegram, Discord, Slack, WhatsApp, Signal, 이메일을 하나의 프로세스에서 연결해 채널 간 전환 없이 동일 에이전트와 소통할 수 있다.

4. 학습 시스템의 실제 동작: 대화 저장과 전문 검색 [02:56]

• 모든 대화·작업·질문 기록을 로컬 폴더에 영속 저장한다. 외부 서버 의존 없이 로컬에서 관리된다.
• 전문 검색(full-text search)으로 자신의 과거 이력을 검색해 관련 정보를 즉시 찾아 요약할 수 있다. 동일 질문의 재발생 시 이전 맥락을 자동 참조한다.

5. 스킬 자동 생성과 재사용 메커니즘 [03:30]

• 복잡한 작업(예: Stripe·HubSpot 데이터 연계, 주간 요약 발송)을 요청하면 첫 실행은 약 20단계의 다중 API 호출로 진행된다.
• 실행 완료 후 전체 과정을 분석해 "스킬"로 패키징한다. 재사용 가능한 함수로 변환, 자동 테스트 후 로컬 파일 시스템에 저장해 이후 동일 작업을 단건 호출로 수행한다.

6. 사용자 패턴 추적과 선호도 학습 [04:16]

• 사용자의 선호도, 작업 스타일, 중요하게 여기는 기준을 패턴으로 지속 추적한다.
• 모호한 질문에도 축적된 사용자 맥락을 활용해 정확한 의도 파악이 가능하다.

7. 다양한 배포 환경과 비용 구조 [05:08]

• 로컬 터미널, Docker, SSH(VPS), Singularity(HPC 클러스터), Daytona(클라우드 개발), Modal(서버리스)까지 6가지 실행 환경을 지원한다.
• Modal은 에이전트 대기 시 과금이 0원이며, 메시지 수신 시 자동으로 인스턴스를 깨워 실행하는 하이버네이션 구조로 비용 효율성이 높다.

8. 학습 루프의 기계적 작동 원리: 궤적 기록과 스킬 생성 [07:06]

• 사용자가 복잡한 작업(예: Stripe 수익 → HubSpot 파이프라인 교차 분석 → Python 차트 생성 → Slack 리포트 발송)을 요청하면, Hermes가 40개 이상의 도구를 체인으로 연결해 실행한다.
• 첫 실행은 약 15~20단계에 수 분이 소요될 수 있다.

9. 스킬 학습 메커니즘과 커스텀 스킬의 가치 [10:02]

• Hermes의 스킬은 사전 녹화된 매크로가 아니라 실행 시마다 학습하며 코드 내부에 상주하는 살아있는 객체다.
• 40개 이상의 번들 스킬이 기본 제공되지만, 진정한 차별점은 사용자가 직접 구축하는 커스텀 스킬에 있다.

10. Windows 미지원과 엔터프라이즈 현실 [10:48]

• Windows는 최적화 수준이 아니라 아예 작동하지 않아 WSL2가 필수 전제조건이다.
• 실험적 Windows 지원이 진행 중이며 경로 처리·PTY 관련 PR이 계속 유입되고 있으나, README 상으로는 여전히 미지원이다.

11. 학습 루프의 현실적 한계 [11:19]

• 학습 루프는 이론상 우아하지만, 실제로는 매우 복잡한 작업에 대해서만 스킬을 생성한다.
• 생성된 스킬은 LLM 산출물이므로 동작을 보장하지 않으며, 실행 실패 시 오히려 시간 낭비로 이어질 수 있다.

12. 로컬 실행 시 보안 우려 [11:57]

• Docker나 Modal이 아닌 로컬 백엔드에서 실행하면 에이전트가 터미널에 직접 접근하며, 사용자 권한으로 실행된다.
• 위험 명령어 검사가 내장되어 있고 강화 PR이 진행 중이지만, 프로덕션에서는 컨테이너를 보안 경계로 삼으라는 것이 공식 문서의 권고다.

13. 에이전트 무한 루프와 속도 트레이드오프 [12:32]

• 에이전트가 메시지를 무시하고 루프에 빠지는 현상이 여전히 발생한다.
• v0.4.0 체인지로그에도 다수의 "stuck agent loop" 수정 항목이 포함되어 있으나, 다른 형태로 지속 재발하고 있다.

14. OpenClaw의 등장과 아키텍처 차이 [13:46]

• Peter Steinberger가 2025년 주말 사이드 프로젝트로 시작한 OpenClaw는 4개월 만에 GitHub 스타 30만 개를 돌파했고, React가 10년 걸린 기록을 60일 만에 경신했다.
• Jensen Huang은 이를 "아마도 소프트웨어 역사상 가장 중요한 릴리스"라고 평가했다.

15. 학습 vs 플랫폼: 근본적으로 다른 베팅 [15:01]

• OpenClaw의 스킬은 인간이 관리하며, 에이전트가 오늘 잘한 일을 내일 더 빨리 하는 방식으로 자동 학습하지 않는다.
• 메모리 시스템은 플러그인 방식으로, LanceDB 벡터 검색·lossless Claw 대화 저장 등이 있으나 각각 개별 설치·구성이 필요하다.

16. OpenClaw 마이그레이션 도구와 전략적 의도 [18:06]

• Hermes는 hermes-claw-migrate 단일 명령으로 soul.md, 메모리, 스킬, API 키, 메시징 설정 전체를 OpenClaw에서 가져올 수 있다.
• 이는 사용자에게 이직이 아닌 병행을 제안하는 Nous의 전략적 선택이다. "OpenClaw도 유지하고 Hermes를 함께 시도해보라"는 입장이다.
• 비즈니스 운영·다채널 고객 대면·방대한 커뮤니티 생태계가 필요하면 OpenClaw가, 시간이 지날수록 지식이 복리로 쌓이는 에이전트와 자체 모델 훈련 데이터 추출이 필요하면 Hermes가 적합하다.

17. 설치 과정 시작 [19:12]

• Hermes 설치는 몇 분 안에 끝나는 간단한 과정이다.
• GitHub README의 curl 명령 한 줄로 설치 스크립트가 실행되며, Python, Node.js, ripgrep 등 필수 의존성을 자동으로 설치한다.
• 시스템 환경(Linux, Ubuntu 등)을 자동 감지해 필요한 패키지 업데이트까지 진행한다.

18. 자동 의존성 설치와 설치 마법사 진입 [20:02]

• 설치 프로그램이 Python, Node, Ripgrep, FFmpeg 등 필수 도구를 자동 감지하고 누락된 항목을 직접 설치한다.
• 사용자 수동 개입 없이 전체 설치 과정의 약 60%가 이 단계에서 완료된다.

19. 프로바이더 인증과 TTS 설정 [20:28]

• ChatGPT, Anthropic 등 기존 구독 플랜의 인증 정보를 그대로 사용하므로 별도 가입이나 추가 비용이 없다.
• Anthropic 선택 시 브라우저 로그인 → 인증 코드 발급 → 터미널 입력의 흐름으로 인증이 간단히 완료된다.

20. 실행 환경 및 고급 설정 구성 [21:17]

• 터미널 백엔드를 Docker, 로컬, Modal, SSH 중에서 선택할 수 있어 다양한 배포 환경에 대응한다.
• PTY 지원, 진행 표시줄, 텍스트 압축, 활동 모드 등 세부 옵션을 마법사 단계별로 개별 설정한다.

21. 채널 연동과 스킬 활성화 [21:55]

• Telegram 연동은 BotFather에서 봇을 생성한 뒤 API 토큰을 터미널에 입력하는 것만으로 즉시 완료된다.
• 웹 검색·스크래핑, 브라우저 자동화, 터미널 제어 등의 스킬을 스페이스바로 선택해 한 번에 활성화할 수 있다.

22. Hermes 실행과 터미널 인터페이스 탐색 [23:00]

• 셸 재시작 후 Hermes 명령어 한 줄로 에이전트 환경이 즉시 실행된다.
• / 명령어로 new, reset, background, provider, prompt 등 주요 명령을 바로 확인할 수 있다.

23. 통합 도구와 VPS 배포 [24:17]

• Obsidian, Claude Code, Codex, Open Code, Nano PDF, Linear, Notion, PowerPoint, Google Workspace 등 다양한 통합 도구가 기본 제공된다.
• 각 도구의 연동 방식(CLI 또는 MCP)은 명확히 구분되지 않으나, 자연어로 PDF 편집·프레젠테이션 작성 등이 가능하다.

24. 에이전트 아키텍처 철학과 마무리 [26:15]

• 이제 핵심 질문은 "에이전트를 써야 하는가"가 아니라 "어떤 에이전트를 만들어야 하는가"로 바뀌었다.
• Hermes는 "학습하는 에이전트"라는 단일 방향에 집중했으며, 대부분의 기존 프레임워크는 아직 이 구조를 구현하지 못한다고 평가한다.

🧾 결론

• Hermes는 "에이전트가 시간이 지날수록 더 유용해진다"는 전제를 아키텍처 수준에서 구현한 몇 안 되는 프레임워크로, 학습 루프·궤적 보존·자율 스킬 생성이 설계 철학의 핵심이다.
• OpenClaw 마이그레이션 도구(hermes-claw-migrate)를 제공해 기존 사용자의 진입 장벽을 낮추고, 병행 사용을 유도하는 전략적 접근을 취하고 있다.
• 그러나 v0.6.0 기준 Windows 미지원, 스킬 안정성, 무한 루프 문제 등은 프로덕션 도입 전 반드시 평가해야 할 리스크며, 속도 최우선 워크로드에는 Crew AI·LangGraph 등이 여전히 적합하다.
• 19,000 GitHub 스타·200명 이상 기여자·MIT 라이선스라는 커뮤니티 기반은 성장 가능성을 시사하지만, 에이전트 프레임워크 시장 전반이 아직 초기 단계임을 감안해야 한다.

📈 투자·시사 포인트

• 학습형 에이전트의 차별화 가치: 동일한 작업을 반복할수록 궤적이 쌓이고 스킬이 개선되는 구조는, 장기 사용자에게 기하급수적 효율增益을 제공할 수 있다. 이는 SaaS 관점에서 전환 비용(switching cost)과 사용자 잔존(retention)에 직결된다.
• 에이전트 프레임워크 시장의 승자독식 가능성: 1995년 웹 브라우저 전쟁에 비유된 현 상황에서, 학습·기억 구조를 코어에 통합한 프레임워크가 플랫폼 생태계 중심 접근보다 장기적으로 우위를 점할 가능성을 주시필요가 있다.
• 인프라 비용 민감도: Modal 서버리스 기준 월 $5는 VPS 상시 운영 대비 상당한 절감이며, 에이전트를 다수 운영하는 조직에게 인프라 비용 구조는 채택 여부의 핵심 변수다.
• 보안·컴플라이언스 리스크: 로컬 실행 시 터미널 접근 권한, 위험 명령어 검증의 한계, 컨테이너 보안 경계 권고 등은 엔터프라이즈 도입 시 반드시 해결해야 할 전제 조건이다.
• OpenClaw 대비 생태계 격차: 13,000개 커뮤니티 스킬·200만 MAU를 보유한 OpenClaw의 네트워크 효과는 단기적으로 따라잡기 어려우며, Hermes의 스킬 공유 플랫폼(agent-skills.io) 생태계 성숙도가 관건이다.

⚠️ 불확실하거나 확인이 필요한 부분

• Hermes의 GitHub 스타 약 19,000개, 기여자 200명 이상, MIT 라이선스라는 수치는 영상 촬영 시점 기준이며, 현재는 변동되었을 가능성이 높다. 실제 저장소 메트릭은 직접 확인이 필요하다.
• "Jensen Huang이 OpenClaw를 '소프트웨어 역사상 가장 중요한 릴리스'라고 평가했다"는 발언의 출처와 맥락이 불명확하다. 공식 연설·인터뷰인지, 2차 인용인지 확인이 필요하다.
• "OpenClaw가 4개월 만에 30만 스타, React의 10년 기록을 60일 만에 경신했다"는 수치는 검증이 필요하다. GitHub 스타 증가 속도와 React의 누적 스타 획득 타임라인은 직접 비교하기 어려운 지표다.

✅ 액션 아이템

• Hermes GitHub 저장소에서 실제 스타 수·기여자 수·라이선스·현재 버전을 직접 확인하고 영상 내 수치와 비교한다.
• Windows 지원 현황을 README와 open PR에서 재확인하여, WSL2 외 네이티브 지원 진척도를 파악한다.
• Hermes 학습 루프가 생성한 스킬의 실제 코드 품질과 재실행 성공률을 독립 벤치마크나 커뮤니티 사례에서 조사한다.
• hermes-claw-migrate 명령의 실제 동작 범위(어떤 파일이 마이그레이션되는지, 누락되는 항목은 없는지)를 공식 문서에서 확인한다.

❓ 열린 질문

• Hermes의 자율 스킬 생성이 LLM 기반인 이상, 생성된 스킬의 신뢰성을 어떻게 보증할 것인가? 테스트 자동 생성·샌드박스 검증 같은 안전장치가 있는가?
• "에이전트가 무한 루프에 빠지는" 현상이 v0.6.0에서 여전히 재발한다면, 학습 루프가 복잡해질수록 이 문제가 악화되지 않는가? 복구·타임아웃 메커니즘의 설계 방향은 무엇인가?
• OpenClaw와 Hermes의 병행 사용이 전략적으로 제안되고 있으나, 두 시스템의 학습 데이터·메모리·스킬이 양방향 동기화되는 구조인지, 아니면 일회성 마이그레이션에 그치는 것인지 불명확하다.