Hermes Agent — wenn KI sich selbst verbessert.

Ein Agent, der ein Gedächtnis hat

Klassische LLM-Agenten leiden alle am gleichen Problem: Wenn das Chat-Fenster zu ist, ist alles vergessen. Mehrere Frameworks (LangChain, AutoGen, CrewAI) versuchen das mit Vektor-Datenbanken zu umgehen — meist als optionalen Aufsatz. Hermes hat es von Anfang an als Kern-Mechanik eingebaut:

• Jede Konversation wird strukturiert abgelegt (volle Suche möglich).
• Der Agent fordert sich selbst auf, wichtige Erkenntnisse als „Persistent Knowledge" zu speichern.
• Bei Folge-Sessions zieht er passende Erinnerungen ohne explizite Aufforderung in den Kontext.

Praktisches Beispiel: Du erklärst dem Agenten in Sitzung 1, dass dein Code-Standard 2 Leerzeichen statt Tabs benutzt. In Sitzung 27 — sechs Wochen später — schreibt er weiter im richtigen Stil.

Der „Skill Loop"

So funktioniert es konkret:

• Beobachtung: Der Agent löst eine Aufgabe, sagen wir „PDF-Rechnungen in CSV exportieren". Er notiert die einzelnen Schritte.
• Generalisierung: Wenn die gleiche Aufgabe mit Variationen mehrfach kommt, fasst er sie in einen wiederverwendbaren Skill zusammen.
• Wiederverwendung: Bei der nächsten ähnlichen Anfrage wählt er den Skill direkt und überspringt den Lernpfad.
• Verfeinerung: Klappt etwas nicht, wird der Skill angepasst. Klappen die Schritte schneller, wird der Skill optimiert.

Wichtige Einschränkung: Das ist kein Reinforcement Learning des Basis-Modells. Der Agent baut sich eine Bibliothek von Workflows, das LLM darunter bleibt unverändert. Aus Compliance-Sicht ist das ein riesiger Vorteil — das Modell wird nicht verändert, nur die Steuerschicht darüber.

Installation, Hardware, Modelle

Setup-Profile in der Praxis:

• Laptop-Setup: macOS oder Linux mit Ollama, 7B–13B-Modell. Reicht für Schreib- und Recherche-Workflows.
• Workstation-Setup: Eine ordentliche GPU (24+ GB VRAM) für 30B-Modelle. Hermes glänzt bei längeren Multi-Step-Aufgaben.
• API-Setup: Lokaler Hermes-Agent, aber das LLM kommt aus der Cloud (OpenAI, Anthropic, Mistral La Plateforme). Geringere Hardware-Hürde, höhere Datenschutz-Aufmerksamkeit.

Lizenz: MIT — freie kommerzielle Nutzung erlaubt.

Memory Poisoning — die unangenehme Schattenseite

Das Tückische daran: Anders als bei klassischer Prompt Injection (die endet, wenn das Chat-Fenster zu ist) persistiert die Manipulation. Der Agent „lernt" eine falsche Info und ruft sie Tage oder Wochen später als gegebene Tatsache ab.

Gegenmaßnahmen, die Hermes bereits eingebaut hat:

• Memory Auditing: Jeder Eintrag hat einen Quell-Pointer (welche Session, welche Quelle).
• Review-Mechanismus: Der User kann jederzeit alle Memory-Einträge durchsehen und einzelne löschen.
• Trust-Marker: Inhalte aus externen Quellen (Web, fremde Dateien) werden anders markiert als direkte User-Inputs.

Das ist kein perfekter Schutz — aber ein deutlich erwachsenerer Ansatz als bei vielen anderen Agenten. Mehr zu Angriffs-Mustern in unserem Begleit-Artikel Agentic AI Security 2026.

Wofür — und wofür nicht

Gut geeignet:

• Einzel-User, die täglich mit denselben Tools arbeiten (Entwickler, Forscher, Analysten).
• Lange Recherche-Projekte über Wochen, wo Kontinuität wertvoll ist.
• Eigene Coding-Workflows mit persistenten Style-Präferenzen.

Weniger geeignet:

• Team-Setups mit geteiltem Agenten — die Memory ist pro-User strukturiert, nicht pro-Team.
• Compliance-relevante Workflows ohne dokumentierte Memory-Bereinigungs-Prozesse (DSGVO: Auskunfts- und Löschanspruch müssen technisch greifen).
• Production-Use, in dem ein deterministisches Verhalten erwartet wird — Self-Improving heißt: das Verhalten ändert sich über die Zeit.