Contexte Technique
J'ai creusé les plaintes concernant Hermes, et le constat est familier : l'agent est puissant, mais en production, ce n'est pas le modèle qui frustre, mais le comportement qui l'entoure. Lorsqu'on parle d'automatisation et de bonne implémentation de l'IA, ce sont ces petits détails qui font perdre des heures à l'équipe.
Le premier point douloureux que je soulignerais est le mode compact ou compress. D'après les discussions, lors de longs dialogues, Hermes commence à perdre la qualité du contexte, et la compression est censée sauver la session. En pratique, cela ne fonctionne pas toujours : si le contexte a déjà « pourri », la compression ne fait souvent que raviver légèrement l'agent au lieu de le normaliser.
Le deuxième problème est moins visible dans les démos mais très flagrant au travail : les compétences semblent instables. Les utilisateurs se plaignent que les compétences sautent trop souvent, et l'auto-amélioration ne ressemble plus à un apprentissage, mais à un remaniement infini du comportement. Sur ce point, je comprends tout à fait la frustration de la communauté.
Le troisième point est le plus désagréable pour un ingénieur : je ne vois aucun contrôle de version intégré clair dans Hermes pour les changements de compétences. Si l'agent s'« améliore » dans la mauvaise direction, on ne peut pas annuler l'état de manière transparente. Pour un système qui modifie son propre comportement, c'est une énorme faiblesse.
Les solutions de contournement sont connues : définir manuellement la longueur du contexte, exécuter /compress avant la dégradation, démarrer une nouvelle session ou stocker les configurations séparément. Mais ce n'est plus la magie d'un agent autonome ; c'est une intégration manuelle de l'IA avec des filets de sécurité obligatoires à chaque étape.
Ce que cela signifie pour les affaires et l'automatisation
Si je construis un agent pour un processus réel et non pour une belle vidéo, ces éléments impactent immédiatement l'architecture. Un mode compact instable brise les longues chaînes de tâches. L'absence de gestion des versions tue la confiance dans les mises à jour automatiques des compétences.
Qui gagne ? Les équipes prêtes à garder Hermes en laisse courte : utilisation d'un git externe pour les compétences, points de contrôle explicites, outils limités et règles de session strictes. Qui perd ? Ceux qui veulent activer l'« auto-apprentissage » et oublier la maintenance.
Chez Nahornyi AI Lab, nous résolvons généralement ces problèmes au niveau de l'architecture : nous déplaçons la mémoire et les compétences vers une couche contrôlée, empêchant l'agent de tout muter au hasard. Si vous rencontrez un problème similaire, au lieu de réparer héroïquement le chaos dans Hermes, vous pouvez structurer le développement de votre solution IA pour que les restaurations, le contrôle des modifications et la prévisibilité soient la norme, et non un rêve.