hermes-agent.nousresearch.com 사용 팁과 활용 사례
Hermes Agent 빌드 행사에서는 7월 11일 하루 동안 만들고 저녁에 바로 보여줄 결과물이 필요하다. 발표나 패널 없이 실제로 만든 것을 보여주는 형식이다. 세 가지 방향이 제시됐다. 사람들이 자발적으로 공유할 만한 것, 당일 실제 가입이나 결제로 이어질 수 있는 것, 기존 대행사가 돈을 받고 해주던 일을 인공지능이 대신 처리하는 것이다. 단순히 기존 기능을 얇게 감싼 서비스보다, 보는 사람이 스크롤을 멈출 만큼 분명한 결과물이 필요하다.
Hermes Agent와 Paperclip을 함께 쓰면 하나의 챗봇에게 모든 일을 맡기는 방식에서 벗어나 여러 전문 에이전트가 역할을 나누는 구조를 만들 수 있다. Hermes Agent는 실제 작업을 처리하는 실행 담당으로 쓰이고, Paperclip은 누가 무엇을 해야 하는지 정리하고 작업 흐름을 연결하는 관리 층으로 쓰인다. 핵심은 에이전트마다 분명한 역할을 주고, 각자의 결과물이 다음 단계로 이어지게 하며, 전체 시스템이 하나의 큰 목표에서 벗어나지 않게 하는 것이다. 일반 회사처럼 부서, 책임, 보고 흐름, 마감, 완료 확인 절차를 두면 단순한 대화형 도구보다 반복 업무 자동화에 더 맞는 형태가 된다. 예시로는 여러 에이전트를 하나의 운영 체계처럼 묶어 수익화, 시간 절약, 업무 지원에 활용하는 구성이 제시됐다. 다만 제공된 내용은 실제 성능 수치나 실패 사례보다 교육 프로그램과 영상 안내에 더 가까워, 그대로 믿기보다는 구조 설계 아이디어로 보는 편이 적절하다.
Owl Alpha를 더 이상 쓸 수 없게 되면서 Hermes를 계속 쓰려면 새 모델 제공처가 필요하다. 필요한 것은 최고 성능 모델이 아니라, 적당히 작동하고 사용량 제한이 너무 빨리 걸리지 않는 선택지다. 당장 생각한 대안은 Google AI Studio로 옮겨 보는 것이다. 완전 무제한 서비스는 없다는 점은 전제로 두고, 한 달 정도 낮거나 보통 수준으로 쓸 수 있으면 충분하다. 로컬 대형 언어 모델도 돌릴 수는 있지만, Hermes에서 필요한 긴 문맥을 감당하기에는 문맥 한도가 부족해 현실적인 대안이 되기 어렵다.
Hermes 에이전트가 기본 제공자의 하루 사용 한도에 걸리면 자동으로 대체 제공자로 넘어갈 것처럼 보일 수 있다. 하지만 이 사례에서는 텔레그램에 먼저 “작업 중, 오류 재시도 대기, 3번 중 2번째, 89초 남음”이라는 상태가 나온 뒤, “모델 제공자가 요청을 제한하고 있으니 잠시 기다렸다가 다시 시도하라”는 알림만 표시됐다. 이후에도 대체 제공자는 사용되지 않았다. 대체 제공자 자체는 정상으로 보였고, 명령줄에서 `hermes fallback`을 실행했을 때 등록된 대체 제공자도 확인됐다. 핵심 문제는 기본 제공자의 사용 제한이 생겼을 때 Hermes가 어떤 조건에서 대체 제공자로 전환하는지, 또는 사용자가 추가 설정을 빠뜨렸는지다.
로컬 인공지능 시스템에서 Hermes Agent 또는 OpenClaw를 함께 쓸 모델로 Qwen 3.6 27B와 Qwen 3.5 35B 중 하나를 고르는 상황이다. 장비는 RX 9070 XT 그래픽카드의 16GB 비디오 메모리, Ryzen 7 7700, 32GB DDR5 메모리, Ollama 구성이다. 용도는 추론, 검색 결합 생성, 여러 인공지능 에이전트 조율이다. 음성 분석은 Whisper가 맡고, 이미지 분석은 별도 비전 모델이 맡는다. 핵심 고민은 긴 에이전트 작업과 추론에서 35B 모델이 더 많은 자원을 쓸 만큼 가치가 있는지, 아니면 27B 모델이나 다른 모델이 더 현실적인 선택인지다.
Hermes Agent를 호스트에 직접 설치하면 시스템 전체에 접근할 수 있어 편하지만, 접근 범위가 너무 넓어 부담이 될 수 있다. 그래서 Hermes Agent를 도커 컨테이너 안에서 실행해 필요한 폴더와 기능만 골라 접근시키려는 구성이 시도됐다. 호스트에 설치한 Hermes와 도커 안의 웹 화면, 대시보드를 서로 연결하는 방법은 잘 풀리지 않았다. 현재 문제는 웹 화면이나 대시보드가 도커 로그를 읽지 못한다는 점이다. 컨테이너에는 `/var/run/docker.sock`을 `/var/run/docker.sock`으로 연결했지만, Hermes Agent에 도커 로그를 읽어 달라고 하면 읽을 수 없다고 나온다. 설정에는 Hermes Agent 컨테이너, Hermes 대시보드 컨테이너, 공유 Hermes 홈 디렉터리, `/opt/dockge` 폴더, 도커 소켓 연결, `HERMES_HOME`, `HERMES_UID`, `HERMES_GID` 환경 변수가 포함되어 있다.
회사 보안팀이 Hermes Agent 사용을 중단하라고 요구한 상황이다. 이유는 Hermes Agent가 파일시스템에 접근하고, 터미널 명령을 실행하고, 깃에 쓰기 작업을 할 수 있으며, 회사 승인 도구 목록에 없기 때문이다. 보안 검토는 몇 달이 걸리거나 아예 진행되지 않을 수 있다. 그래서 이미 승인된 Claude Code, Opencode, Warp, Codex CLI로 Hermes Agent와 비슷한 작업 흐름을 만들 필요가 있다. 핵심으로 복제하려는 기능은 세 가지다. 작업 중 부족한 절차 지식을 스스로 고치는 자기 수정형 스킬, 대화가 끝나도 남는 지속 메모리, 정해진 시간에 자동으로 실행되는 예약 작업이다. 업무 환경에서는 메시징 연동은 빼고 로컬 사용만 고려하고 있다.
Metronix Core는 AI 에이전트가 대화와 작업 정보를 더 오래 기억하게 해 주는 자체 운영형 메모리 도구다. Jira, Confluence, Notion, GitHub, Google Drive, Slack, 로컬 파일에서 정보를 가져와 에이전트가 참고할 수 있게 만든다. 검색은 여러 방식을 함께 써서 관련 자료를 찾고, 답변에 출처를 붙일 수 있게 한다. 메모리는 사실, 선호, 고정 정보로 나눠 저장되며, 작업 공간과 에이전트별로 범위를 나눌 수 있다. 오래되었거나 서로 충돌하는 정보도 표시해 에이전트가 틀린 내용을 자신 있게 말하는 일을 줄이려 한다. Cursor, Claude Desktop, Claude Code, Hermes, Open WebUI에 연결할 수 있고, Ollama로 로컬 실행도 가능해 외부 거대 언어 모델 사용이 필수는 아니다. Docker Compose 하나로 실행하며, Python, PostgreSQL, Qdrant, Neo4j, Redis를 쓴다. Apache-2.0 라이선스로 공개되어 있고, 기여자를 찾고 있다.
Cotal은 여러 인공지능 에이전트가 같은 작업 공간을 공유하게 해 주는 조율 도구다. tmux 여러 세션에 흩어진 에이전트들을 한 화면에서 보고, 서로 직접 메시지를 보내게 하고, 작업을 넘겨받게 할 수 있다. Claude Code, opencode, Hermes 같은 여러 도구를 함께 연결할 수 있다. 예시 구성에서는 GLM-5.2 두 개가 프런트엔드와 백엔드 개발을 맡고, GPT-5.5가 검토를 맡으며, Claude Opus가 전체 진행을 이끄는 역할을 한다. 사용자는 Claude Opus에게 짧은 지시를 주고, Opus가 다른 에이전트들에게 일을 나눠 주며 진행한다. 위쪽 콘솔에는 에이전트들이 서로 주고받는 내용이 실시간으로 보인다. 이 방식으로 콘솔 안에 모든 에이전트를 나무 구조로 보여 주는 새 기능도 만들었다.
Hermes 같은 에이전트나 자동 메시지 시스템에서 알림을 안정적으로 보내려면 현재는 Signal보다 Telegram이 쓰기 쉽다. Signal은 가입과 사용에 전화번호를 요구해서, 사람 계정이 아닌 자동화용 계정을 만들기 어렵다. Telegram은 전화번호와 분리된 봇을 만들 수 있고, 자동 메시지를 보내는 코드도 널리 공개되어 있다. 새 소프트웨어에서도 Telegram 연동이 먼저 제공되는 경우가 많으며, Hermes도 그런 예로 언급된다. Signal 연동은 공식 기능보다 signal-cli 같은 비공식 도구에 기대는 경우가 많고, 설정과 운영이 번거롭고 안정성이 떨어질 수 있다. 조직 전체가 Signal을 쓰더라도, 에이전트 알림이나 자동 보고 같은 용도로는 막히는 지점이 생길 수 있다.
Hermes와 Openclaw를 하루 동안 같은 일상 작업에 써 보며 비교한 내용이다. 비교 기준은 크게 세 가지다. 첫째는 일정, 이메일, 알림, 과거 기록 찾기 같은 개인 비서 작업이다. 예시로, 가족의 왓츠앱 대화 기록 전체를 로컬 모델에 연결해 아이가 언제 아팠고 어떤 약을 먹었는지 찾아 표로 정리했다. 둘째는 개발 아이디어를 다듬는 창의 작업이다. 여러 에이전트와 아이디어를 주고받고, 결정을 돕고, 목표와 완료 기준을 세우고, 여러 에이전트가 만든 사용자 화면 초안을 비교하는 식으로 썼다. 셋째는 개발 실행 흐름을 맡기는 작업이다. 아이디어를 조사자, 계획자, 계획 검토자, 코더, 감사자 단계로 넘겨 반복 처리하는 방식이다. 역할별로는 조사자에 Mimo v2.5, 계획자에 Opus, 계획 검토자에 GLM-5.2, 코더에 Composer 2.5, 감사자에 GPT-5.5-High를 가장 좋게 봤다. 개발 실행과 개발 작업은 Composer와 Mimo v2.5 Pro를 중심으로 돌리고, 디자인 작업은 GLM 5.2나 Gemini 3.5 Flash를 썼다.
Hermes Agent는 Nous Research의 인공지능 에이전트로, 실수를 바탕으로 더 나은 행동을 하도록 설계된 도구로 소개된다. 핵심은 이 도구가 어디에 쓸모 있는지, 어떻게 설치하는지, 어떤 모델을 골라야 하는지를 먼저 판단하는 것이다. 공개된 정보만으로는 구체적인 설치 명령이나 추천 모델 이름은 확인할 수 없다. 그래도 hermes-agent.nousresearch.com을 더 잘 쓰려는 사람에게는 사용 목적, 설치 가능 여부, 모델 선택 기준을 먼저 점검해야 한다는 신호로 볼 수 있다.
월 인공지능 도구 예산을 약 200달러로 제한하려면 사용량 배분이 핵심이다. 현재 구성은 Nous Portal, OpenCode GO, Codex 5x, Claude Pro로 나뉘어 있다. 개발 작업 대부분은 Codex의 Goals 기능에서 처리되고 있지만, 사용량이 빠르게 소진된다. 5시간 한도는 보통 3시간 만에 닳고, 주간 한도도 2~3일을 남기고 먼저 끝난다. 그래서 작은 작업은 Sonnet 4.6과 DeepSeek v4 Flash로 넘기고 있지만, 이 방식이 최적인지는 불확실하다. 선택지는 Codex 5x와 Claude 5x를 함께 써서 모델 선택지를 유지하고 Hermes agent를 위한 OAuth/API 사용 여지를 남기는 방식, 또는 Codex 20x로 몰아서 더 높은 사용 한도와 초기화 주기를 활용하는 방식이다.
가족 여러 명이 인공지능을 가볍게 쓰는 경우, Google AI Pro처럼 한 구독을 가족 5명이 함께 쓰는 방식은 비용 면에서 편하다. 하지만 24시간 메신저에서 먼저 움직이는 에이전트를 쓰고 싶고, 특정 회사 서비스에만 묶이고 싶지 않다면 구성이 더 복잡해진다. Google Gemini 구독은 Hermes Agent와 그대로 함께 쓰기 어렵고, Anthropic도 같은 방식으로 붙이기 어렵다는 판단이 있다. 가능한 대안은 월 10달러짜리 VPC에 Hermes Agent를 올리고, 월 20달러짜리 ChatGPT Plus를 좋은 모델용으로 쓰며, Ollama Cloud나 Nous를 저렴한 보조 작업용으로 붙이는 구조다. 이렇게 하면 가족 전체 비용은 대략 월 50달러로 잡힌다. 각 가족 구성원에게 별도 Hermes 프로필을 만들고, 사람마다 미리 정한 에이전트 묶음을 붙이는 방식이 제안된다. 예를 들어 한 명에게는 성능 좋은 에이전트 하나와 평균적인 보조 에이전트 하나를 주는 식이다. 같은 VPC에 Mattermost를 함께 운영하고, 각 사람의 에이전트 채널을 따로 만들며 다른 가족에게는 보이지 않게 숨기는 방식도 함께 고려된다.
Ryzen 9 3900 중앙처리장치, 64GB 메모리, 8GB 비디오 메모리를 가진 RTX 4060 그래픽카드에서도 Qwen3.6 35B A3B 모델을 로컬로 돌릴 수 있다. llama.cpp의 서버 기능을 쓰고, 일부 작업은 그래픽카드에 맡기며, 긴 문맥 길이와 압축된 캐시 설정을 함께 사용한 구성이다. 이 환경에서는 초당 약 22개 토큰 속도가 나온다. 복잡한 코딩에는 만족도가 낮고, 그런 작업은 Cursor의 Composer2.5나 VS Code의 Deepseek V4 Flash/Pro가 더 잘 맞는다. Qwen은 가벼운 코딩, 글쓰기, 조사 작업에 쓰이고, Hermes 안에서는 Brave 검색을 붙여 자료 찾기에 활용된다. Tailscale을 설정하면 휴대폰과 노트북에서 Hermes와 Open WebUI에 접속할 수 있다. 앞으로 Home Assistant와도 연결하려는 계획이 있다. 비싼 장비가 없어도 연구, 글쓰기, 간단한 질문용 구독 서비스를 줄이는 용도로는 충분히 시도해볼 만한 구성이다.
Hermes에서 직접 만든 가볍고 정리된 설정 파일을 쓰는 중에도, 명령어로 설정 하나를 바꾸면 전체 프로필 설정이 기본값 중심으로 다시 채워질 수 있다. 예를 들어 `hermes -p [argument]`처럼 실행 옵션을 한 번 넣는 것만으로도 기존 설정 구성이 크게 바뀔 수 있다. 문제의 핵심은 작은 조정 하나가 전체 설정 파일 덮어쓰기로 이어진다는 점이다. 원하는 설정만 유지하며 Hermes를 쓰려는 사람에게는 작업 흐름을 깨뜨리는 불편한 동작이다.
oMLX에서 Hermes가 다른 모델을 요청할 때, 이전 모델을 내리고 새 모델을 올리는 흐름이 제대로 작동하지 않는다. Pi에서는 같은 상황이 조금 낫다. 처음 다른 모델을 요청하면 오류가 나지만, 두 번째 시도에서는 이전 모델을 내리고 새 모델을 불러온다. Hermes에서는 이 전환이 멈춘 상태로 보인다. LM Studio는 같은 종류의 모델 교체를 더 매끄럽게 처리한다.
Fleet은 Hermes 에이전트를 내 컴퓨터나 믿을 수 있는 내부망 컴퓨터에서 만들고, 설정하고, 상태를 보는 웹 콘솔이다. 여러 Hermes 에이전트를 도커로 돌릴 때 흩어지기 쉬운 상태 확인, 기본 인공지능 제공자 설정, 공용 로그인 정보, 채팅, 브라우저 보조 도구, 원격 화면, 터미널, 파일 공개, 백업, 복원, 복제 기능을 한 화면에 모은다. 기본은 일반 Hermes 에이전트이고, nemohermes 실행 도구가 있거나 자동 설치가 켜져 있으면 Nemo Hermes 에이전트도 만들 수 있다. 시작하려면 Node.js 20 이상, npm 10 이상, 도커와 도커 컴포즈 v2가 필요하며, 기본 Hermes 소스를 자동으로 받아오려면 git도 필요하다. 설치는 `npm run setup` 뒤 `npm start`를 실행하고, 같은 컴퓨터에서는 `http://127.0.0.1:5180`으로 연다. 내부망 다른 컴퓨터에서 접속하려면 콘솔 토큰이 필요하고, 로컬에서만 쓰려면 `HERMES_CONSOLE_HOST=127.0.0.1`로 묶어 둘 수 있다. Fleet은 비밀값과 실행 중 생기는 데이터는 저장소 밖의 무시된 폴더에 두고, 백업할 때도 비밀값은 사용자가 명시적으로 넣지 않는 한 제외한다.
Hermes Agent는 검색엔진 최적화에서 시간이 많이 드는 링크 구축 작업을 한 흐름으로 묶는다. 관련 웹사이트 찾기, 연락처 정보 보강, 이메일 초안 작성, 답장 추적을 이어서 처리할 수 있다. 핵심은 이메일을 먼저 자동화하는 것이 아니라 좋은 후보 목록을 먼저 만드는 것이다. 홍보하려는 페이지와 주제가 맞는 블로그, 자료 모음 페이지, 대행사 사이트처럼 실제로 관련 콘텐츠를 다루는 곳을 찾아야 한다. 예시에서는 몇 분 안에 조건에 맞는 후보 8곳을 찾는 흐름이 강조된다. 이 방식은 무작정 많은 곳에 보내는 홍보보다, 관련성이 있는 곳을 좁혀 반복 가능한 영업·홍보 시스템으로 만드는 데 초점이 있다.
Hermes와 Claude 같은 코딩 에이전트를 새 작업공간에서 돌린 뒤 그 작업공간을 지우면, 나중에 필요한 흔적까지 함께 사라질 수 있다. 저장소 자체는 다시 받을 수 있어도, 커밋하지 않은 변경, 임시 메모, 테스트 결과, 반쯤 진행된 실험 상태는 남지 않는다. 이런 정보는 정식으로 Git에 올릴 만큼 크거나 깔끔하지 않아도, 다음 에이전트가 상황을 이해하는 데 중요할 수 있다. 매번 새 에이전트를 시작할 때 저장소만 있고 이전 작업의 주변 맥락이 없으면, 에이전트는 같은 프로젝트를 보면서도 사실상 처음부터 다시 시작하게 된다. 핵심 문제는 파일과 작업공간이 여러 에이전트 사이에서 자연스럽게 이어지지 않는다는 점이다.
Hermes Agent는 도구를 실행하는 겉부분은 무료로 쓸 수 있지만, 실제 답을 만들고 판단하는 모델은 따로 연결해야 한다. 비용을 줄이려면 OpenRouter에서 무료로 열려 있는 클라우드 모델을 연결하고, 작업에 따라 로컬 모델이나 이미 쓰는 유료 구독 계정도 함께 쓰는 방식이 제안된다. 시작 방법은 OpenRouter 계정을 만들고 설정의 API 키 메뉴에서 Hermes Agent 전용 새 API 키를 만든 뒤, 그 키를 Hermes의 모델 연결 설정에 넣는 흐름이다. 다른 중요한 프로젝트의 키를 재사용하지 않으면 실수로 비용이나 권한 문제가 섞일 위험을 줄일 수 있다. 관련 사례에서는 Nemotron Ultra, Nemotron Super, Step 3.7 Flash 같은 무료 모델을 써 본 경험이 언급됐고, Deepseek V4 Flash나 Minimax M3에서는 환각이 생겨 오케스트레이터 모델 선택이 중요하다는 문제가 나왔다. 3070 그래픽카드처럼 개인 컴퓨터에서 돌리는 환경에서는 4~16B급 작은 로컬 모델 중에서도 도구 사용과 코드 작성이 안정적인 모델을 찾는 것이 핵심 과제로 제시됐다. Claude Pro 같은 기존 구독을 OAuth로 연결하려는 시도는 토큰 오류가 날 수 있어, 무료·구독·로컬 방식을 한 가지로 고정하지 말고 작업별 프로필로 나눠 테스트하는 편이 현실적이다.
Azure의 우분투 가상 머신에서 Hermes Agent와 LiteLLM을 실행하고, 윈도우 노트북의 Hermes Desktop이 SSH 터널로 붙는 구성에서 연결 문제가 반복됐다. Hermes Desktop은 열리지 않거나 곧바로 다시 연결을 시도했고, 로그에는 ECONNREFUSED, ECONNRESET, socket hang up, 15초 안에 백엔드 연결 실패, 오래된 연결 삭제, GPU 충돌 루프 같은 오류가 남았다. 핵심 원인은 SSH 터널 지연이 200밀리초에서 10초까지 크게 흔들리는데, Hermes Desktop의 활성 확인 시간이 약 2.5초로 너무 짧다는 점으로 정리된다. 활성 확인이 실패하면 전체 Hermes 연결을 다시 만들고, 이 과정에서 GPU와 렌더러가 다시 초기화된다. 그 결과 CPU 코어 약 2개가 계속 바쁘게 돌고, 노트북이 과열되며, 앱이 재연결 루프에 빠진다. 와이파이가 끊기거나 노트북이 절전 상태로 들어가면 SSH 터널도 쉽게 끊어져 같은 문제가 더 자주 생긴다.
Memory OS는 Hermes Agent에 오래 남는 기억 기능을 붙이기 위한 오픈소스 도구다. Qdrant를 써서 대화나 작업 정보를 지속 메모리로 저장하고, 중요한 사실을 구조화해 다시 꺼내 쓸 수 있게 한다. 자동으로 정리되는 위키가 있어 반복해서 필요한 지식을 한곳에 모을 수 있다. 필요한 순간에만 관련 정보를 문맥에 넣는 컨텍스트 주입 방식도 포함된다. 로컬에서 돌아가며, 특정 회사의 모델에 묶이지 않고 어떤 LLM과도 함께 쓸 수 있다.
Hermes Agent는 작은 핵심 부분을 중심으로 움직이는 구조다. 이 핵심은 메시지를 받고, 에이전트 루프를 실행하며, 대화 내용을 기억한다. 대화가 길어지면 내용을 압축해 계속 다룰 수 있게 한다. 이미지 생성, 구글 미트, 메시징 같은 기능은 핵심 코드와 떨어진 별도 플러그인 패키지로 나뉘어 있다. 모델을 다루는 부분도 플러그인처럼 분리되어 있어, 쓰는 언어 모델을 바꿔도 핵심 구조를 크게 건드리지 않아도 된다. 같은 백엔드에서 데스크톱 앱, 웹 앱, 터미널 화면으로 연결될 수 있고, 어댑터와 게이트웨이 계층이 에이전트와 각 화면 사이를 이어준다. 이 분리 덕분에 기능과 접점이 늘어나도 핵심이 지나치게 커지지 않는 방식으로 보인다.
Hermes Agent 0.17.0을 Docker Compose로 설치할 때, 공식 문서와 공식 GitHub 저장소가 서로 다른 구성을 보여 혼란이 생긴다. 문서의 도커 안내는 `docker run`에 `HERMES_DASHBOARD=1` 환경 변수를 넣어 같은 컨테이너 안에서 대시보드를 켜는 방식을 보여준다. 이 방식은 대시보드와 게이트웨이가 함께 실행되는 단일 서비스 구성처럼 보인다. 반면 GitHub 저장소의 `docker-compose.yml`은 `gateway`와 `dashboard`를 서로 다른 서비스로 나누는 구성을 보여준다. 이 방식은 두 컨테이너로 역할을 분리하는 구조이며, 일부 외부 안내서도 격리가 더 낫다는 이유로 이를 권장한다. 핵심 문제는 Hermes Agent 0.17.0 기준으로 실제 권장 방식이 단일 컨테이너인지, 대시보드와 게이트웨이를 나눈 두 컨테이너 구성인지다.
Godot 지식이 부족하면 인공지능에게 일을 맡겨도 시간이 크게 낭비될 수 있다. 머리 없는 실행 환경에서 결과를 확인하는 과정은 복잡했고, 3차원 화면에서 생기는 멀미 문제는 인공지능이 원인을 찾고 제대로 고치기 어려웠다. 결과 보고와 실행 결과를 충분히 보지 못한 채 거의 모든 제안을 받아들이자, 인공지능은 원래 의도와 전혀 다른 방향으로 작업을 진행했다. 결국 만들어진 내용을 두 번 지워야 했다. 다시 재미를 느끼려면 직접 배우고, 작은 결과가 실제로 작동하는지 확인하는 시간이 필요했다. 게임 제작에서는 개별 코드 구조만큼 시스템 설계가 중요했고, Godot에서는 클래스나 상속 같은 방식보다 데이터 중심 설계가 더 다루기 쉬웠다. 성능에 어떤 영향이 있는지는 아직 더 배워야 하지만, 데이터 중심 설계는 앞으로의 핵심 기준이 되었다. Hermes를 포함해 여러 모델과 도구를 함께 써 보려는 태도도 도움이 되었다.
Hermes를 개인 서버처럼 써서 특정 캐릭터형 AI 에이전트를 만들 수 있다. 이 방식은 일반 채팅봇처럼 대화만 하는 것이 아니라, 여러 통로로 연락하고 실제 작업도 하게 만드는 방향이다. 설정된 에이전트는 WhatsApp, Discord, Telegram 같은 메신저로 대화할 수 있다. 컴퓨터 안의 파일을 확인하고, 전용 이메일함으로 받은 메일에 답장하는 기능도 붙일 수 있다. 음성 대화가 가능하고, 이미지나 영상을 받아 내용을 이해하는 기능까지 추가할 수 있다. 핵심은 Hermes를 에이전트가 머무는 개인 서버로 두고, 메신저·이메일·파일 접근·음성·시각 자료 해석을 하나씩 연결하는 구조다.
Hermes Agent를 Craft와 함께 쓰면 문서를 읽기, 이름 바꾸기, 삭제, 이동하기가 되지 않을 수 있다. 에이전트가 새 문서를 만든 뒤에도 그 문서를 다시 고쳐 쓰지는 못하고, 새 블록을 뒤에 덧붙이는 방식만 가능한 것으로 보인다. 설정 문제인지, Craft 연동 자체의 정상적인 제한인지 확인이 필요하다. 실무에서는 Hermes Agent가 Craft 안의 문서를 자유롭게 정리하거나 수정한다고 기대하면 작업 흐름이 막힐 수 있다.
Qoren은 Hermes와 OpenClaw 에이전트를 서버 설정 없이 만들고 실행하게 해 주는 서비스다. 각 에이전트는 따로 분리된 실행 공간에서 돌릴 수 있고, 여러 에이전트를 같은 공간에 넣어 서로 대화하게 할 수도 있다. 처음 시작하기 쉽도록 20개가 넘는 미리 만든 에이전트 템플릿을 제공한다. 더 세밀하게 쓰고 싶으면 대시보드에서 설정과 soul.md를 직접 바꾸거나, 인공지능과 대화하면서 원하는 에이전트를 함께 설계할 수 있다. BYOK를 지원하지만, 모든 요금제에는 기본 사용량도 포함된다. BYOK 없이 쓰는 경우에는 가진 크레딧까지만 사용되며, 크레딧은 만료되지 않는다.
Hermes Agent를 몇 달 쓰면서 기본 메모리 기능보다 더 큰 지식 저장소가 필요했다. 기본 메모리는 작은 사실을 저장하는 데는 괜찮지만, 여러 문서를 뜻으로 찾아보고 새 정보가 나오면 자동으로 저장하는 용도에는 부족했다. gbrain이라는 MCP 서버를 붙여 Postgres 16과 pgvector 위에서 Obsidian 저장소 전체를 검색하게 만들었다. 이 구성은 155쪽 문서와 3,000개가 넘는 내용 조각을 검색한다. Hermes Agent가 실제로 검색을 실행하면, 3주 전 프로젝트 같은 오래된 내용도 다시 설명하지 않아도 찾아온다. 하지만 MCP 도구 92개가 Hermes에 등록되었는데도 실제 대화 세션에는 들어가지 않는 문제가 있었다. 임시 해결책으로 gbrain을 직접 부르는 명령줄 래퍼 스크립트를 만들었고, 호출하면 작동했다. 더 큰 문제는 지시문에 “사람, 프로젝트, 반복되는 주제가 나오면 답하기 전에 메모리를 검색하라”고 써도 Hermes Agent가 약 60%만 지키고, 나머지는 메모리 검색 없이 답한다는 점이다.