Technischer Kontext
Ich habe mich in die Beschwerden über Hermes eingearbeitet, und das Bild ist vertraut: Der Agent ist leistungsstark, aber in der Produktion frustriert nicht das Modell, sondern das Verhalten darum herum. Wenn es um KI-Automatisierung und ordnungsgemäße Implementierung geht, sind es genau diese Kleinigkeiten, die das Team Stunden kosten.
Der erste Schmerzpunkt, den ich hervorheben möchte, ist der Compact- oder Compress-Modus. Laut Diskussionen beginnt Hermes bei langen Dialogen, die Kontextqualität zu verlieren, und die Komprimierung soll die Sitzung retten. In der Praxis funktioniert das nicht immer: Wenn der Kontext bereits „verrottet“ ist, belebt die Komprimierung den Agenten oft nur leicht wieder, anstatt ihn zu normalisieren.
Das zweite Problem ist in Demos weniger auffällig, bei der Arbeit jedoch sehr deutlich: Fähigkeiten fühlen sich instabil an. Nutzer klagen, dass Skills viel zu oft abfallen, und das Self-Improving sieht nicht wie Lernen aus, sondern wie ein endloses Umstrukturieren des Verhaltens. An diesem Punkt kann ich die Frustration der Community voll und ganz nachvollziehen.
Der dritte Punkt ist für einen Ingenieur am unangenehmsten: Ich sehe bei Hermes keine klare, integrierte Versionskontrolle für Skill-Änderungen. Wenn der Agent sich selbst in die falsche Richtung „verbessert“, kann man den Zustand nicht transparent zurücksetzen. Für ein System, das sein eigenes Verhalten ändert, ist das eine enorme Schwachstelle.
Die typischen Workarounds sind bekannt: manuelles Festlegen der Kontextlänge, Ausführen von /compress vor der Verschlechterung, Starten einer neuen Sitzung oder separates Speichern von Konfigurationen. Aber das ist nicht länger die Magie eines autonomen Agenten; es ist manuelle KI-Integration mit obligatorischen Sicherheitsnetzen bei jedem Schritt.
Was das für Unternehmen und Automatisierung bedeutet
Wenn ich einen Agenten für einen echten Prozess und nicht für ein hübsches Video baue, wirken sich diese Dinge sofort auf die Architektur aus. Ein instabiler Compact-Modus unterbricht lange Aufgabenketten. Das Fehlen von Versionierungen beim Self-Improving zerstört das Vertrauen in automatische Skill-Updates.
Wer gewinnt? Teams, die bereit sind, Hermes an der kurzen Leine zu halten: externes Git für Skills, explizite Checkpoints, ein begrenztes Toolset und strenge Sitzungsregeln. Wer verliert? Diejenigen, die „Selbstlernen“ einschalten und die Wartung einfach vergessen wollen.
Bei Nahornyi AI Lab lösen wir solche Probleme normalerweise auf Architekturebene: Wir verlagern Speicher und Fähigkeiten in eine streng kontrollierte Schicht und verhindern, dass der Agent alles zufällig mutiert. Wenn Sie vor einem ähnlichen Problem stehen, können Sie, anstatt das Chaos innerhalb von Hermes heldenhaft zu reparieren, in Ruhe einen Entwicklungsprozess für Ihre KI-Lösung aufbauen, sodass Rollbacks, Änderungskontrolle und Vorhersehbarkeit zur Norm und nicht zum Traum werden.