Contexto Técnico
He investigado las quejas sobre Hermes y el panorama es familiar: el agente es potente, pero en producción lo que frustra no es el modelo, sino el comportamiento a su alrededor. Si hablamos de automatización de IA y su correcta implementación, son estos pequeños detalles los que consumen las horas del equipo.
El primer dolor de cabeza que destacaría es el modo de compresión (compact). Según las discusiones, en diálogos largos, Hermes comienza a perder la calidad del contexto, y la compresión debería salvar la sesión. En la práctica, esto no siempre funciona: si el contexto ya se ha "podrido", la compresión a menudo solo revive levemente al agente en lugar de normalizarlo.
El segundo problema es menos notable en las demostraciones, pero muy evidente en el trabajo real: las habilidades se sienten inestables. Los usuarios se quejan de que las habilidades parecen perderse con demasiada frecuencia, y la automejora no parece un aprendizaje, sino una reorganización interminable del comportamiento. Aquí, comprendo perfectamente la frustración de la comunidad.
El tercer punto es el más desagradable para un ingeniero: no veo un control de versiones integrado claro en Hermes para los cambios de habilidades. Si el agente se "mejora" a sí mismo en la dirección equivocada, no se puede revertir el estado de forma transparente. Para un sistema que cambia su propio comportamiento, esto es un punto muy débil.
Las soluciones temporales son conocidas: configurar manualmente la longitud del contexto, ejecutar /compress antes de la degradación, iniciar nuevas sesiones o almacenar configuraciones y habilidades por separado. Pero esto ya no es la magia del agente, es integración manual de IA con redes de seguridad obligatorias.
Lo que esto significa para los negocios y la automatización
Si estoy construyendo un agente para un proceso real y no para un video bonito, estas cosas afectan inmediatamente la arquitectura. Un modo compacto inestable rompe largas cadenas de tareas. La falta de versiones en la automejora destruye la confianza en las actualizaciones automáticas.
¿Quién gana? Los equipos preparados para mantener a Hermes con correa corta: git externo para habilidades, puntos de control explícitos, herramientas limitadas y reglas de sesión estrictas. ¿Quién pierde? Aquellos que quieren activar el "autoaprendizaje" y olvidarse del mantenimiento.
En Nahornyi AI Lab, generalmente resolvemos esto a nivel de arquitectura: trasladamos la memoria y las habilidades a una capa controlada y evitamos que el agente mute todo al azar. Si tienes un problema similar, en lugar de arreglar heroicamente el caos dentro de Hermes, puedes estructurar el desarrollo de tu solución de IA para que las reversiones y la previsibilidad sean la norma, no un sueño.