hermes-agent.nousresearch.com 사용 팁과 활용 사례
Linux에서 Hermes를 설치하고 LM Studio를 통해 Qwen 3.6 로컬 언어 모델을 연결한 환경에서 문제가 생겼다. 컨텍스트 창은 64k보다 크게 잡혀 있고, 터미널을 포함한 같은 도구가 명령줄과 텔레그램 양쪽에 켜져 있었다. Hermes 대시보드나 명령줄에서 새 대화를 열고 `date` 명령 실행을 요청하면 터미널 도구가 실제로 실행되고 결과도 정상 출력됐다. 하지만 텔레그램이나 크론 작업으로 같은 일을 시키면 도구 호출이 되지 않았다. 응답에 도구를 부르는 코드만 보여주고 실제 실행은 하지 않거나, 틀린 날짜를 만들어내는 환각이 발생했다. 사용한 문맥은 15k보다 작아서 문맥 길이 문제로 보기는 어렵고, 같은 요청을 다른 에이전트에 넣으면 도구 실행이 정상 작동했다.
Hermes Agent에서 Minimax의 월 20달러 요금제를 15일 동안 쓰며 약 18억 2천만 토큰을 사용했지만, 아직 큰 사용 한도에 걸리지 않았다. 하루 전에는 5시간 단위 제한에 닿았고, 다시 쓰기까지 약 4분만 기다리면 됐다. 같은 사용량을 DeepSeek, OpenRouter, 다른 모델 요금으로 계산하면 이 가격에 가깝지 않았다. Mimo 요금제는 비슷한 사용 방식에서 3일 만에 한도에 닿았다. 사용 모델은 M2.7이 아니라 M3였고, 체감상 답변 품질이 좋고 빠르며 안정적이었다. 핵심 질문은 M3 수준의 품질로 거의 20억 토큰을 20달러 안팎에 쓸 수 있는 다른 선택지가 있느냐는 것이다.
MetaHarness는 Claude Code, OpenAI Codex, GitHub Copilot, Hermes 같은 기존 인공지능 도구 위에 붙는 NPM 패키지다. 저장소마다 다른 작업 규칙, 도구 사용 정책, 점수 매기기, 실행 기록, 작업 배정, 검증기, 승격 기준을 만들어 에이전트 실행을 관리한다. 실행할 때마다 근거가 남고, 실패는 다음 개선에 쓰는 신호가 된다. 새로 좋아진 방식도 바로 적용되지 않고 테스트, 비용 점검, 안전 기준을 통과해야 승격된다. 실행 대상으로 Claude Code, OpenAI Codex, GitHub Copilot, OpenCode, OpenClaw, Hermes, pi.dev, RVM, GitHub Actions를 지원한다. 공개 뒤 첫 2주 동안 다운로드가 10만 건을 넘었다.
Hound V9는 내 컴퓨터에서 실행되는 무료 MCP 서버다. AI 에이전트가 웹 검색, 웹페이지 가져오기, 사이트 크롤링, 클라우드플레어 차단 우회, PDF 읽기, 스캔된 PDF의 문자 인식까지 할 수 있게 해준다. 별도 계정이나 API 키가 필요 없고, 비용도 들지 않으며, MIT 라이선스로 공개되어 있다. 검색은 DuckDuckGo, Brave, Google, Startpage, Qwant, Wikipedia 같은 여러 검색원을 함께 쓰고, 내 컴퓨터에서 실행되는 ONNX 방식으로 결과 순서를 다시 정리한다. 웹페이지를 가져올 때는 일반 Playwright보다 차단에 덜 걸리도록 만든 Patchright 브라우저를 써서, 클라우드플레어 보안 확인 화면에 막힌 페이지도 읽는 것을 목표로 한다. 크롤링은 중요한 페이지부터 깊게 따라가며, 사이트맵 방식으로 한 번에 사이트 구조를 훑고, 페이지 수·깊이·글자 수 제한을 둘 수 있다.
Hostinger의 Hermes Agent 설치 화면에서 API 키가 제대로 입력되지 않는 문제가 생겼다. 화면은 Docker로 Hermes Agent를 설치하는 설정 창이며, 관리자 이름과 비밀번호, Nexos API Key 같은 값을 넣는 단계다. 입력한 API 키가 깨끗한 한 줄 값으로 들어가지 않고, 줄바꿈이나 다른 문자가 함께 들어가는 것처럼 보인다. 값이 200으로 시작하는 형태로 보인다는 점도 언급됐다. 확인된 해결책은 함께 제시되지 않았지만, 설치 중 API 키 입력값이 의도와 다르게 저장될 수 있다는 점이 핵심이다.
직접 사용 경험상 Hermes 에이전트는 처음 실행할 때는 맡긴 일과 지시를 잘 따를 수 있다. 특정 에이전트에 한 가지 역할만 주고, 작업 방식에 대한 지시와 합의를 정해도 첫 실행 이후 결과가 흔들릴 수 있다. Hermes가 작업 흐름을 적은 .md 스킬 파일을 만들어도, 다음 날 새 세션에서 같은 일을 시키면 그 파일이나 메모리를 확인하지 않는 것처럼 행동할 수 있다. 이 경우 에이전트가 이전 방식대로 반복하지 않고 전혀 다른 방향으로 진행한다. 사용 환경에는 Hindsight 메모리가 쓰이고 있어, 단순히 마크다운 메모리가 덮어써지는 문제는 아닐 가능성이 제기된다.
Apple Silicon 맥과 많은 메모리를 쓰는 Hermes 환경에서, Hermes가 개인 업무용 웹앱 개발의 대부분을 맡는다. 앱은 현장 관리용 서비스이며, Hermes가 할 일을 만들고, 코드를 쓰고, 품질 확인을 하고, 배포하고, 문서도 최신으로 유지한다. 사람은 주로 Telegram으로 진행 상황을 보고 검토한다. 전체 파일은 `~/Hermes` 아래에 두고, 설정, 실행 데이터, 작업 공간, 지식 저장소, 인증 정보, 패치 파일을 각각 다른 위치에 연결해 컨테이너 안에서 쓰게 한다. Hermes는 Docker 안에서 돌아가며, 검색용 SearXNG, 지식 기억용 Hindsight, 비밀 정보 관리용 Bitwarden Lite, 여러 외부 모델을 부르는 hermes-pi와 함께 구성된다. 작업은 local-admin, coder, planner, qa-tester라는 네 가지 프로필로 나눈다. local-admin은 Telegram 알림과 일정 작업, 작업 배정을 맡고, coder는 실제 개발, planner는 조사와 작업 등록, qa-tester는 Playwright로 화면과 API 검사를 맡는다. 기본 배정 기능 대신 60초마다 도는 훅으로 작업 의존성을 확인하고, 멈춘 작업자를 정리하고, 빈 프로필에 한 번에 하나씩 일을 배정하며, 변한 내용이 있을 때만 Telegram에 알린다. 모델은 Z.ai, opencode, Nous, LM Studio 순서로 실패나 사용량 제한이 생기면 다음 모델로 넘어가게 했고, 긴 작업이나 클라우드 제한이 있을 때는 로컬 LM Studio를 마지막 대안으로 쓴다. 모든 프로필에 모든 기술을 넣으면 지시문이 너무 길어져서, 필요한 기술만 불러오는 화이트리스트 패치를 넣었다. Hermes 0.15.1의 실제 운영 문제를 막기 위해 여덟 개의 파이썬 파일을 패치로 덮어썼고, 사용량 제한 초기화 시간, 기술 목록 로딩, 맥 파일시스템 잠금 문제, SQLite 시작 오류, 잘못된 경고 등을 고쳤다. 기억은 매번 들어가는 짧은 MEMORY.md, 긴 문서용 Obsidian 저장소, 필요할 때 찾아오는 Hindsight의 세 층으로 나눴다. 추가로 작업자 감시, 작업판 정리, 최근 완료 작업 감사, 배포 상태 확인, 모델 상태 점검, 일일 운영 노트, 데이터베이스 백업 같은 일정 작업을 돌리고, Gitea에는 설정, 앱 코드, 프로젝트 노트를 따로 백업한다.
Hermes Agent 대시보드의 기본 화면이 눈에 잘 들어오지 않는 사람을 위해 단순한 테마 2개가 공개됐다. 이름은 `boring-dark`와 `boring-light`이며, 어두운 화면과 밝은 화면을 각각 차분한 색으로 바꾼다. 이 테마들은 청록색 느낌, 거친 질감, 가장자리 빛 효과, 장식적인 글꼴을 줄이고, 기본 시스템 글꼴과 단순한 색 조합을 쓴다. 설치는 테마 파일을 `~/.hermes/dashboard-themes` 폴더에 넣으면 된다. 이후 `hermes config set display.dashboard_theme boring-dark`로 기본 테마를 바꾸거나, 대시보드의 테마 전환 메뉴에서 고를 수 있다. GitHub 설치 스크립트로 바로 설치하는 방법도 있으며, 밝은 테마를 기본값으로 쓰려면 설치할 때 `boring-light`를 지정한다. Hermes는 별도 플러그인 없이 `YAML` 테마 파일을 읽는다. 이미 대시보드를 열어 둔 상태에서 테마 파일을 고쳤다면, 테마를 다른 것으로 바꿨다가 다시 선택해야 변경 내용이 다시 읽힌다.
Hermes Apollo는 Hermes Agent를 채팅창에만 묶어 두지 않고 말로 지시할 수 있게 하는 음성 실행 층으로 소개된다. 사용자는 키보드로 프롬프트를 쓰지 않고 앱 만들기, 브라우저 작업 열기, 간단한 브리핑 확인, 저장된 메모리 불러오기 같은 일을 말로 요청할 수 있다. 관련 흐름은 Hermes를 단순한 데스크톱 앱이 아니라 메모리, 도구, 브라우저, 외부 서비스, 작업 관리가 이어진 업무 시스템으로 쓰는 쪽에 맞춰져 있다. 휴대폰에서는 공식 모바일 앱이 없다는 전제 아래 텔레그램, 디스코드 음성 채널, 홈 화면에 고정한 브라우저 바로가기, 항상 켜 둔 미니 PC 같은 우회 방식이 언급된다. 별도로 Android에서 Hermes Agent를 로컬로 실행하는 앱도 나와 있으며, 로컬 채팅, 지속 메모리, 모델 전환, 프로젝트·파일 탐색, 작업 예약, 도구 접근을 제공한다고 설명된다. 다른 구현은 VPS나 로컬 기기에서 Hermes 설정을 쉽게 바꾸는 웹 UI와 칸반 보드를 붙여, 매일·매주 할 일을 계속 처리하게 만드는 방향을 제시한다.
로컬 에이전트 플릿은 openclaw와 Hermes를 함께 써서 구성되어 있다. 각 에이전트는 자체 계산 능력이 거의 없는 작은 피시에서 실행된다. 생각하는 작업은 별도 장비의 RTX 3090에서 GLM 4.7 Flash 모델로 처리한다. 실제 작업은 128기가바이트 통합 메모리를 가진 Jetson Thor AGX에서 더 큰 모델들이 맡는다. 코딩 작업에는 Qwen3 Coder Next를 쓰고, 조사나 다른 계열의 코드 검토 같은 전문 작업에는 별도 모델을 둔다. Hermes 에이전트 하나는 openclaw 에이전트들을 관리하는 역할을 하고, 다른 Hermes 에이전트는 메시지 연락 지점에서 비서나 접수 담당처럼 동작한다. 핵심 고민은 이 목적에 더 잘 맞는 모델 조합이 있는지, 어떤 모델을 어떤 역할에 붙이면 더 효과적인지다.
개인 연구용 로컬 에이전트 환경에서 Hermes, Clawd, Odysseus 같은 모델을 쓰고 있지만, 약한 로컬 거대 언어 모델 성능이 한계로 느껴진다. 더 강한 컴퓨터를 쓰게 되면 성능 문제는 줄어들 수 있다. 관심사는 arena.ai나 scispace.com 같은 서비스가 보여주는 에이전트식 작업 화면이다. 필요한 기능은 Bash 스크립트 실행, 대화마다 따로 분리된 파일 저장 공간, Python·JavaScript·npm 라이브러리의 필요 시 설치, 결과물을 바로 볼 수 있는 아티팩트 뷰어다. 목표는 민감한 연구 데이터를 내 컴퓨터 밖으로 보내지 않으면서도, 웹 서비스처럼 편한 에이전트 작업 흐름을 로컬에서 재현하는 것이다.
128GB 통합 메모리를 가진 Strix Halo 395+ AI Max PC에서 Hermes를 로컬로 돌리려는 구성이 제시됐다. 사용 가능한 VRAM은 약 96GB로 잡고, Hermes의 일상용 주 모델로 무엇이 가장 알맞은지가 핵심이다. 후보로는 Hermes 4.3 36B와 Qwen 3.6 27B가 언급됐다. 추가로 USB4로 엔비디아 4090 그래픽카드를 연결해 더 작은 모델이나 Stable Diffusion을 완전히 오프로딩하려는 계획도 있다. AMD 기반 장비에서 이런 외장 그래픽카드 연결과 모델 분리가 까다로울 수 있다는 점이 걱정거리다.
Hermes Agent Accelerated Business Hackathon은 Hermes 위에서 실제 돈을 벌고, 쓰고, 업무를 처리하는 에이전트를 만드는 대회다. 목표는 완전 자동화된 회사에 가까운 도구나, 기업 업무를 더 빠르게 처리하게 해주는 틀을 만드는 것이다. 새로 나온 Stripe Skills를 쓰면 Hermes 에이전트가 필요한 것을 사고, SaaS를 직접 준비하고, 사용한 서비스 비용을 낼 수 있다. NVIDIA 연동은 NemoClaw를 통해 에이전트를 더 안전하게 실행하고, NVIDIA의 에이전트 기술을 활용해 더 빨리 만들 수 있게 해준다. 1등은 현금 1만 달러, NVIDIA DGX Spark, Stripe 크레딧 5천 달러를 받는다. 2등은 현금 5천 달러, NVIDIA DGX Spark, Stripe 크레딧 3천 달러를 받고, 3등은 현금 2천500달러, NVIDIA DGX Spark, Stripe 크레딧 1천 달러를 받는다. 참가하려면 1~3분 데모 영상을 X에 올려 NousResearch를 태그하고 짧은 설명을 붙인 뒤, 제출용 Discord 채널에 링크를 올리고, Typeform 제출 양식을 작성해야 한다. 심사는 Nous Research, NVIDIA, Stripe가 유용성, 실제 사업 가능성, 발표 완성도를 기준으로 하며, 제출 마감은 6월 30일 화요일 하루 끝까지다.
Hermes가 Claude 인증 정보를 자동으로 연결하고, Claude 에이전트들을 사용 가능한 에이전트로 표시하는 상황이 발생했다. 설정을 놓친 것일 수 있지만, 자동 연결을 끄는 방법이 분명하지 않다. Hermes 안에서 해당 연결을 삭제하면 Claude 데스크톱 앱과 명령줄 도구에서도 로그아웃된다. 그래서 단순히 Hermes에서만 연결을 끊고 싶은 경우에도 다른 Claude 사용 환경까지 영향을 받을 수 있다.
Hermes를 이용해 Apify에서 판매할 자동화 도구를 만들고, 이를 API처럼 제공해 수익을 낸 경험이 공유됐다. 6월 수익은 71.36달러였고, 7월 첫 3일 동안은 이미 6.84달러가 발생했다. 유지보수는 거의 없었고, 수익률은 99.66%로 제시됐다. 핵심 방법은 Hermes에게 Apify를 학습하게 한 뒤, 여러 개의 액터를 만드는 것이다. 처음부터 완벽한 시장 조사를 하지 않아도 시작할 수 있지만, 어떤 도구가 실제로 팔릴지 살펴보는 편이 좋다. 80/20처럼 일부 액터만 대부분의 수익을 만들 가능성이 크므로, 많이 만들고 몇 달 동안 반응을 본 뒤 잘 팔리는 것은 남기고 나머지는 없애는 방식이 제안됐다. 목표는 Hermes를 단순히 토큰을 쓰는 도구가 아니라, 작은 자동화 상품을 계속 만들어보는 수익 실험 도구로 쓰는 것이다.
Hermes Agent 0.17부터 자체 호스팅한 Firecrawl을 쓰는 웹 추출 기능이 계속 실패하고 있다. Hermes Agent와 Firecrawl은 같은 데스크톱의 같은 Docker Desktop 안에서 실행되지만, 서로 다른 컨테이너에 들어 있다. 웹 추출 작업의 제공자를 Firecrawl로 설정한 뒤 에이전트 채팅에서 웹 추출을 요청하면 매번 실패한다. 하지만 VS Code 터미널로 Hermes 컨테이너 안에 들어가 파이썬 스크립트로 긁어오기 요청을 보내면 정상 작동한다. Hermes 설정은 `gateway run` 명령으로 실행되고, 8642번은 핵심 API 게이트웨이, 9119번은 웹 대시보드 포트로 열려 있다. 대시보드 사용, 프록시 신뢰, 설정 파일 경로, 긴 작업 시간 제한 같은 환경 변수도 켜져 있다.
Hermes Agent를 로컬에서 API와 함께 쓰면, 컴퓨터에 PDF를 이메일로 보내고 다시 오디오 파일을 받을 수 있다. 이 방식은 연구 자료를 오디오북처럼 만들어 운전하거나 집안일을 할 때 듣는 데 유용하다. 생성 시간이 오래 걸려도 괜찮다면 핵심은 속도보다 음성 품질이다. 더 큰 모델이나 더 긴 컨텍스트를 쓰는 voice clones 기능이 있으면 오디오 품질을 높일 가능성이 있다. steps 값을 올려도 항상 좋아지지는 않고, 컨텍스트에 과하게 맞춰져 자연스러움이 떨어질 수 있다. CFG와 Temp 같은 설정도 목소리를 조금 낫게 하거나 조금 나쁘게 만들 뿐, 큰 품질 개선으로 이어지지는 않았다.
Hermes 에이전트를 개인 서버에서 셀프 호스팅하면 스마트폰을 꺼내지 않고도 쓸 수 있다. Even Realities G2 스마트 안경과 연결된 작은 앱은 안경이나 반지의 터치패드를 누른 뒤 말하면, 음성을 바로 글자로 바꿔 에이전트에 보낸다. 답변은 안경 화면에 실시간으로 표시된다. 에이전트가 어떤 과정을 거치는지, 웹 검색·코드·메모리 같은 도구를 쓰는지도 화면에서 볼 수 있다. 민감한 작업은 안경에서 손가락으로 밀어 승인할 수 있어, 휴대폰은 주머니에 둔 채로 작업을 이어갈 수 있다. 긴 작업은 시작만 해두고 빠져나와도 백그라운드에서 계속 진행된다. 세션 목록에는 실행 중, 승인 대기, 완료, 실패 상태가 표시되고, 다시 열면 실시간 흐름에 재연결된다. 세션을 열면 대화의 마지막 부분도 보여 주어 에이전트가 이어서 참고할 문맥을 확인할 수 있다.
Hermes Agent와 OpenClaw는 행동형 AI가 도구를 다루고, 이전 정보를 기억하고, 여러 단계의 일을 이어서 처리하고, 메시지를 주고받으며 자동화를 수행할 수 있음을 보여준다. 하지만 많은 사람은 복잡한 에이전트 프레임워크를 직접 설정하고 싶어 하지 않는다. 일상 업무를 도와주되, 무엇을 하는지 알기 쉽고 위험한 행동은 막을 수 있는 AI를 원한다. 그래서 UI/UX가 중요하다. 행동형 AI가 널리 쓰이려면 더 많은 기능만으로는 부족하다. 사용자가 과정을 볼 수 있고, 중요한 행동은 승인할 수 있고, 기억되는 정보를 조절할 수 있고, 전체 화면과 흐름이 이해하기 쉬워야 한다. Row-Bot은 이런 방향으로 행동형 AI를 더 쓰기 쉬운 도구로 만들려는 예시로 제시된다.
Hermes는 Radarr, Sonarr, Jellyfin 같은 개인 미디어 서버 도구를 다루려 할 때 강하게 막힐 수 있다. 영화나 프로그램을 검색하거나, 서비스에 로그인하거나, 목록에 새 항목을 추가하는 작업까지 거부된다. 이유는 이런 도구가 저작권 침해에 쓰일 수 있다는 가능성이다. 압박해서 계속 시키면 Hermes가 저작권 문제를 훈계하듯 답하거나 아예 작업을 멈추는 식으로 반응한다. 같은 사용 환경에서 로컬 모델, 제한을 덜 둔 로컬 모델, ChatGPT Codex OAuth, Deepseek 등을 바꿔 써도 비슷했기 때문에, 문제는 단순히 연결한 언어 모델 하나의 성향만은 아닐 수 있다. 반대로 ChatGPT는 Radarr와 Sonarr 문제 해결을 도와주고, OpenClaw도 예전에 같은 관리를 문제없이 처리했다. 또 JARVIS 같은 가상의 캐릭터 역할을 맡기려는 실험에서도 Hermes가 잘 받아들이지 않는 제한이 있는 것으로 보인다.
직접 운영 경험 기준으로, Hermes Agent는 OpenClaw보다 작업 나누기, 대화 압축, 세션 관리가 더 안정적이었다. 구성은 Apple silicon M4 Pro와 24GB 메모리에서 oMLX로 로컬 추론을 돌리고, UGREEN DXP4800 Pro 네트워크 저장장치에서 Docker로 Hermes Agent와 SearXNG를 따로 실행하는 방식이었다. 사용 창구는 주로 텔레그램이었고, 처음에는 왓츠앱도 함께 썼다. 로컬 모델은 약 20개 양자화 조합을 시험했으며, Qwen3.5-9B, Gemma 4 26B-A4B, Gemma 4 12B, gpt-oss-20b, Qwen3.6-35B-A3B가 포함됐다. 단일 요청에서는 Gemma 4 26B가 Qwen 9B보다 빨랐고, 대략 초당 64 토큰 대 38 토큰 수준이었다. Qwen은 여러 요청을 한꺼번에 처리하는 배칭 상황에서만 앞섰으며, 결국 Hermes 자체보다 로컬 추론 모델이 전체 성능의 한계가 됐다.
에이전트 비용은 모델이나 작업 방식을 바꾸지 않아도 설정만으로 줄일 수 있다. OpenClaw 사용량을 추적한 사례에서는 지출의 약 90%가 실제 요청한 작업이 아니라 배경 처리, 오래된 대화 기록, 쓰지 않는 도구 설명처럼 API 호출마다 함께 보내지는 내용에서 나왔다. 에이전트는 새 메시지를 보낼 때마다 이전 대화까지 다시 모델에 보내므로, 대화가 길어질수록 같은 문장에 계속 비용을 낸다. 예를 들어 40번째 메시지 이후에는 새 답변을 받을 때 이전 40개 메시지가 모두 입력 토큰으로 들어간다. 가장 큰 절감 설정은 대화 기록 상한을 20개 메시지로 두는 것이다. OpenClaw에서는 `~/.openclaw/openclaw.json`에 `maxHistoryMessages`를 20으로 넣고, Hermes에서는 에이전트 설정에서 같은 역할의 대화 기록 또는 문맥 제한 값을 찾으면 된다.
M1 128GB 장비에서 로컬 인공지능 모델로 고급 상용 모델의 코딩 작업을 상당 부분 대신하려 했지만 기대만큼 작동하지 않았다. 처음 목표는 로컬 코딩 모델이 고급 상용 모델의 90% 정도를 대체하는 것이었지만, 실제 사용에서는 빨리 한계가 드러났다. 이후에는 고급 상용 모델로 계획을 세우고 로컬 모델로 실행하는 방식도 시도했지만 안정적으로 이어지지 않았다. opencode, openhands, picode, Hermes 같은 여러 코딩 도구를 써봤고, Hermes의 칸반 보드에서 Qwen 27B로 단순한 표 영역 수정 작업을 맡겼을 때 수백만 토큰을 쓰고도 해결하지 못했다. Q8 설정과 긴 문맥을 사용했고 요청 대부분은 10만~12만 토큰 수준까지 길어졌지만, 모델은 문맥을 놓치고 원하지 않는 행동을 반복했다. 요약, 분류처럼 한 번에 끝나는 작업은 잘 맞았지만, 긴 코딩 작업을 맡기는 방식은 비용과 시간 대비 만족스럽지 않았다.
Hermes를 완전 자동 회사처럼 쓰려는 방식은 쉽게 지치고, 실제로는 계속 사람이 붙어서 확인해야 하는 문제가 생긴다. 더 실용적인 구성은 일을 세 갈래로 나누는 것이다. 사람이 직접 해야 하는 일, AI가 꽤 안정적으로 처리할 수 있는 일, AI가 할 수는 있지만 실수하면 곤란해서 사람이 확인해야 하는 일이다. 이 가운데 세 번째 영역에 검토 단계를 두면 Hermes를 더 현실적으로 쓸 수 있다. Hermes는 DeepSeek V4 Flash 같은 저렴한 모델로 전체 흐름을 정리하고, 실제 작성이나 코딩 같은 무거운 작업은 Claude Code에 맡기는 지휘자 역할에 맞다. 둘 사이에는 Kanban 보드를 두어 할 일, 진행 중, 검토, 완료 상태를 눈으로 확인하게 한다. LLM 호출을 deterministic scripts로 감싸면 상태 변경을 빠뜨리는 문제가 줄어든다. 호스팅 서비스를 쓰면 신원, 메모리, 게이트웨이 설정이 이미 준비된 경우가 많고, 직접 서버에 설치하면 SOUL.md 같은 설정 파일을 직접 다뤄야 한다.
SBET의 ETH 집중도가 4.04에서 3.94로 내려가자, Hermes 에이전트가 이것이 순자산가치 희석인지 아니면 다른 원인인지 계산했다. 2026년 6월 22일부터 6월 28일 사이에 SBET는 새 주식 10,013,351주와 워런트 약 1,001만 개를 주당 7.49달러에 발행해 7,500만 달러를 조달했고, 실제 순유입액은 7,350만 달러였다. 동시에 1,610만 달러로 ETH 10,000개를 평균 1,611달러에 샀고, 1,000만 달러로 자사주 2,132,773주를 평균 4.69달러에 되샀다. ETH 집중도는 전체 ETH 보유량을 유통 주식 수로 나눈 값이다. 주식 수는 순증 기준으로 788만 주 늘어 3.63% 증가했지만, ETH 보유량은 10,000개 늘어 1.14%만 증가했다. 그래서 지표는 내려갔지만, 조달금 중 2,610만 달러만 아직 사용됐고 4,740만 달러는 현금으로 남아 있다는 점이 핵심이다.
직접 겪은 사례 기준으로, Hermes에서 Claude 구독을 연결해 쓰던 중 사용량 한도가 평소보다 더 빨리 줄어드는 문제가 생겼다. 문제는 Fable이 열린 날부터 나타난 것으로 보인다. 같은 Claude 구독을 T3 Code라는 다른 실행 도구에서 쓸 때는 구독 한도가 정상적으로 적용됐다. 그래서 원인은 Claude 구독 자체보다 Hermes 쪽 연결 방식, 특히 OAuth 문제일 가능성이 제기됐다.
Hermes에서 답변을 만들기 전에 필요한 도구 묶음만 고르는 작은 플러그인이 시험 중이다. 목표는 첫 요청에 모든 도구 스키마를 한꺼번에 넣지 않아 토큰 사용량을 줄이는 것이다. 간단한 요청이면 거의 아무 도구도 불러오지 않고, 웹주소나 조사 요청이면 브라우저와 웹 도구만 붙인다. 코드나 로컬 파일 작업처럼 목적이 분명하면 파일과 터미널 도구를 불러오는 방식이다. 잘못 좁게 골랐을 때를 대비해 복구 도구는 남겨 두며, 판단이 애매하면 전체 도구를 여는 쪽으로 처리한다. 현재 시험용 프로필에서는 점 하나만 입력한 요청이 거의 복구 도구만 쓰는 형태로 줄었고, 브라우저나 조사 요청은 필요한 웹 도구를 제대로 불러왔다. 첫 요청 프롬프트 총량은 4.25천 토큰 수준이었다. 아직 공개용으로 다듬어진 소프트웨어는 아니며, 저장소와 문서를 정리하기 전에 수요를 확인하는 단계다.
OpenCode 2.0 베타에서는 이동 중에도 스킬을 바로 구현하는 기능이 기대된다. 이런 방식은 Hermes에서 지시문을 길게 쓰는 일을 한두 번 줄여줄 수 있다. OpenCode의 핫 리로딩은 스킬을 빠르게 고치고 다시 확인하는 데 잘 맞아, Hermes 같은 에이전트가 비슷한 방식을 따라갈 가능성이 있다. OpenCode의 TUI는 가벼워서 Hermes 작업 흐름 안에 함께 넣어 쓰기 쉽다. Lightnode VPS에서 Hermes가 OpenCode를 작업 흐름에 포함하도록 구성한 사례가 있다. 다만 원격 작업을 더 편하게 하려면 SSH 연결이 제대로 지원되는 것이 필요하다.
에이전트 메모리는 하나의 기능처럼 보이지만, 실제로는 여러 방식이 서로 다른 일을 맡는다. 실무에서는 모든 메모리 방식을 다 쓰기보다 보통 두세 가지만 조합해 쓰는 경우가 많다. 첫 번째 방식은 현재 대화나 작업 안에 들어 있는 내용을 바로 기억하는 작업용 메모리다. 예를 들어 긴 대화, 코딩 작업, 여러 파일을 오가는 작업에서는 에이전트가 방금 한 일과 다음에 해야 할 일을 잊지 않아야 한다. Letta라는 오픈소스 프로젝트는 모델의 컨텍스트 창을 컴퓨터의 램처럼 다루며, 중요한 내용은 바로 볼 수 있게 남기고 오래된 내용은 검색 가능한 저장소로 옮긴다. 단점은 컨텍스트 창이 무한하지 않고, 토큰이 늘어날수록 비용이 든다는 점이다.
AI 모델과 실행 도구는 빠르게 비슷해지고 있어서, 오래 남는 가치는 도구 자체보다 개인의 연구, 노트, 업무 지식 같은 문맥 계층에 있다. Claude Code 안에 만든 기술, 에이전트, 작업 흐름이 특정 생태계에 묶이면 Hermes, OpenCode, Pi 같은 다른 실행 도구로 옮겨도 같은 문제가 반복된다. 진짜 자유를 얻으려면 메모리를 실행 도구 밖으로 빼고, 문맥 계층을 따로 설계해야 한다. 문맥 계층은 통합 메모리, 업무 규칙, 제공 계층의 세 부분으로 나눌 수 있다. 이렇게 만들면 위에 얹는 실행 도구는 언제든 바꿀 수 있다. 시작은 파일 기반처럼 단순하게 하고, 필요해지면 텍스트 검색, 벡터 검색, 그래프 검색을 함께 다룰 수 있는 하나의 데이터베이스로 옮기는 방식이 좋다. 여러 전문 데이터베이스를 쓰는 것은 정말 필요할 때만 고려해야 한다.