헤르메스 에이전트가 미쳤습니다... 업데이트 4가지

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

헤르메스 에이전트의 역대급 업데이트 네 가지는 MOA, 지식의 스킬화, 기억·스킬 시각화, 프로젝트 기반 코딩이며, 작업별 모델 배분과 선택적 도입이 실제 활용 가치를 좌우한다.

📌 핵심 요점

1. VPS와 작업별 모델 지정 기능을 결합하면 에이전트를 24시간 운영하면서도, 중요한 판단에는 고성능 모델을 쓰고 반복 작업에는 대안 모델을 배정해 비용을 통제할 수 있다.
2. MOA는 같은 질문을 여러 모델에 병렬로 보내고 종합 모델이 답변을 합치는 방식으로, 아키텍처나 사업 방향처럼 오판 비용이 큰 의사결정에서 단일 모델의 오류와 관점 편향을 줄이는 데 유용하다.
3. X 게시물, 블로그 글, 공식 문서의 핵심 내용과 절차를 재사용 가능한 스킬로 저장하면, 단순한 북마크를 반복 업무에 활용되는 에이전트 자산으로 바꿀 수 있다.
4. 기억과 스킬의 학습 이력 및 연결 관계를 그래프로 확인하고 잘못된 기억을 삭제하거나 오래된 정보를 편집함으로써, 장기 사용 과정에서 누적되는 지식 품질 저하를 관리할 수 있다.
5. 데스크톱 앱의 프로젝트 기능은 여러 채팅에 흩어진 코딩 맥락을 코드베이스 단위로 유지하고 파일별 변경 검토와 직접 수정을 지원하지만, 모든 기능을 한꺼번에 도입하기보다 필요한 기능부터 시험하는 접근이 중요하다.

🧩 배경과 문제 정의

• 최근 한 달 동안 60개가 넘는 릴리스가 나올 만큼 헤르메스 에이전트의 기능과 활용 범위가 빠르게 확장됐다.
• 기억과 스킬을 꾸준히 축적한 사용자는 브리핑과 반복 업무를 넘어 사업 전반의 자동화까지 구축하며, 에이전트를 오래 키운 사람과 그렇지 않은 사람의 격차가 커지고 있다.
• 높은 성능만 추구하면 모델 비용이 과도해질 수 있으므로, 작업 중요도에 따라 모델을 나누고 새 기능도 실제 필요성과 효율을 기준으로 선택해야 한다.

🕒 시간순 섹션별 상세정리

1. VPS 운영과 작업별 모델 배분

• VPS는 메인 컴퓨터와 분리된 채 24시간 작동하므로 에이전트를 더 안전하게 중단 없이 운영할 수 있고, 원클릭 설치를 지원하는 서비스는 초기 진입 장벽도 낮춘다. [01:03]
• 직접 챙겨야 하는 핵심 작업에는 고성능 모델을 쓰고 에이전트의 반복 작업에는 GLM 5.2, GPT 5.6 솔, 키미 K3 같은 대안 모델을 배정하면 성능과 비용을 함께 관리할 수 있다. [02:56]
• MOA는 하나의 질문을 여러 모델에 병렬로 전달한 뒤 각 답변을 종합 모델이 검토해 하나의 결과로 합치므로, 단일 모델의 오류와 관점 편향을 줄일 수 있다. [04:21]
• 아키텍처 결정이나 사업 방향처럼 오판 비용이 큰 문제에는 다양한 관점이 유용하지만, 답이 정해진 단순 질문에서는 토큰 사용량과 처리 시간이 늘어나는 부담이 더 크다. [05:52]

2. 외부 자료를 재사용 가능한 스킬로 전환

• 슬래시 런에 X 게시물 링크를 입력하면 해당 자료의 핵심 내용이 스킬로 저장되고, 이후 비슷한 작업에서 같은 방법을 반복해서 활용할 수 있다. [06:22]
• 블로그 글이나 공식 문서도 스킬로 만들 수 있어 북마크를 쌓아두는 대신 자주 참고하는 지식과 작업 절차를 에이전트의 재사용 자산으로 축적할 수 있다. [07:05]
• 기존에는 축적된 기억과 스킬이 블랙박스에 가까웠지만, 새로운 시각화 기능에서는 학습 이력을 시간순으로 확인하고 기억과 스킬의 연결 관계를 그래프로 추적할 수 있다. [07:30]
• 잘못 학습한 기억은 삭제하고 오래된 정보는 편집할 수 있어, 장기간 누적된 부정확한 정보가 결과 품질을 떨어뜨리는 문제를 직접 관리할 수 있다. [08:02]

3. 프로젝트 기반 코딩과 선택적 도입

• 데스크톱 앱의 프로젝트 기능은 여러 채팅 세션에 흩어지던 코딩 작업을 코드베이스 단위로 묶고, 선택한 프로젝트 안에서 작업 맥락을 계속 이어갈 수 있게 한다. [08:35]
• 리뷰 패널과 사이드바에서 파일별 변경 사항을 확인하고 직접 수정할 수 있어, 에이전트에게 코딩을 맡기는 단계부터 결과 검토와 관리까지 하나의 공간에서 처리할 수 있다. [08:58]

4. MOA로 시작하는 실용적 활용법

• 업데이트 중 하나만 체험한다면, 혼자 결정하기 애매한 문제를 여러 모델이 함께 검토하는 MOA에 먼저 던져보는 것을 추천한다. [09:26]
• 여러 모델이 회의에서 내놓은 답을 직접 받아보면 자신에게 필요한 기능인지 빠르게 판단할 수 있다. [09:38]
• 기억을 꾸준히 쌓아 상당한 자동화에 이르는 과정도 결국 새로운 기능을 가볍게 시도하는 작은 습관에서 시작된다. [09:47]

5. 신기능을 대하는 기준과 마무리

• 새 기능을 쓰지 않으면 뒤처진다는 조급함보다는, 우선 가볍게 체험한 뒤 자신에게 정말 필요한지 판단하는 태도가 중요하다. [10:05]
• 헤르메스를 VPS에서 24시간 운영하려는 경우 설명란의 링크와 쿠폰을 참고할 수 있다. [10:15]
• 구독과 좋아요를 부탁하며 다음 영상에서 다시 만날 것을 약속한다. [10:20]

🧾 결론

• 이번 업데이트의 핵심은 기능의 개수보다 모델, 외부 지식, 장기 기억, 코드베이스를 하나의 지속적인 작업 체계로 연결한다는 데 있다.
• 헤르메스 에이전트를 오래 활용하며 검증된 기억과 스킬을 축적한 사용자는 브리핑과 반복 업무를 넘어 사업 자동화까지 확장할 수 있다.
• 반대로 고성능 모델과 MOA를 모든 작업에 적용하면 비용과 처리 시간이 커질 수 있으므로, 작업의 중요도와 오판 비용에 맞춘 선택이 필요하다.

📈 투자·시사 포인트

• AI 에이전트의 경쟁력은 단일 모델 성능뿐 아니라 작업별 모델 라우팅, 지속적인 지식 축적, 결과 검토 기능을 얼마나 효율적으로 결합하는지에 따라 달라질 가능성이 크다.
• 외부 자료를 재사용 가능한 스킬로 전환하는 기능은 개인과 조직이 축적한 업무 지식을 반복 실행 가능한 자산으로 바꾸는 흐름을 강화할 수 있다.
• 기억과 스킬의 연결 관계를 시각화하고 수정하는 기능은 장기 실행형 에이전트에서 관측 가능성과 지식 관리가 핵심 운영 요소가 되고 있음을 보여준다.
• 프로젝트 기반 코딩과 리뷰 기능의 결합은 에이전트 코딩 도구가 코드 생성 단계를 넘어 맥락 유지, 변경 검토, 결과 관리까지 포괄하는 방향으로 진화하고 있음을 시사한다.

⚠️ 불확실하거나 확인이 필요한 부분

• 최근 한 달 동안 60개가 넘는 릴리스가 나왔다는 설명은 제시됐지만, 개별 릴리스 목록과 각 기능의 정확한 버전 및 제공 범위는 확인되지 않았다.
• MOA가 단일 모델의 오류와 관점 편향을 줄일 수 있다는 설명은 있으나, 작업 유형별 정확도 향상 폭이나 추가 토큰 비용을 비교한 정량 자료는 제시되지 않았다.
• 원클릭 VPS 서비스, 데스크톱 프로젝트 기능, 기억 시각화 기능의 구체적인 보안 설정과 이용 조건은 소스에서 다루지 않았다.
• 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
• 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
• 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.

✅ 액션 아이템

• 현재 에이전트 업무를 핵심 판단, 반복 자동화, 단순 조회로 분류하고 각 작업에 사용할 모델과 비용 한도를 정한다.
• 오판 비용이 큰 실제 질문 하나를 선정해 MOA와 단일 모델의 결과 품질, 처리 시간, 토큰 사용량을 비교한다.
• 자주 참고하는 X 게시물, 블로그 글, 공식 문서 중 하나를 스킬로 전환하고 유사 작업에서 재사용되는지 확인한다.
• 기억·스킬 그래프를 점검해 잘못 학습된 기억을 삭제하고 오래된 정보를 최신 내용으로 편집한다.

❓ 열린 질문

• 어떤 유형의 의사결정부터 MOA의 추가 비용과 처리 시간을 감수할 만큼 충분한 품질 개선이 나타나는가?
• 축적된 기억과 스킬의 양이 늘어날수록 결과 품질이 실제로 얼마나 향상되며, 잘못된 지식이 미치는 영향은 어떻게 측정할 수 있는가?
• 작업별 모델 배분을 자동화할 때 중요도, 예상 비용, 실패 위험을 어떤 기준으로 판단해야 하는가?