Last chance! 50% off DataCamp Premium
Sale ends in
OpenClaw è stato lanciato tra molto clamore e preoccupazioni per la sicurezza. Dopo di ciò, sono spuntati moltissimi imitatori che sostenevano di risolvere problemi diversi legati a OpenClaw. Tra i principali c’è la sicurezza, a causa delle dimensioni del repository. Un altro grande problema era il costo di esecuzione dell’agente. Per esperienza personale, il costo può crescere molto in fretta, soprattutto perché persino il creatore di OpenClaw consiglia di usare modelli di fascia alta come Claude Opus 4.6 per prevenire la prompt injection. Opus 4.6 non è un modello economico, in particolare quando il tuo agente deve inviare molto contesto sotto forma di memorie e skill. Ed ecco entrare in scena Hermes Agent.
Ho seguito i creatori di Hermes Agent su X/Twitter, e una delle loro affermazioni è che il loro agente è migliore di OpenClaw nell’uso di modelli open source. Sostengono che i modelli open source possono essere usati in modo efficace se hanno il giusto “harness”. In questo articolo, esaminerò queste affermazioni provando l’agente. Ti guiderò nei passaggi di installazione, nell’uso con modelli locali e online, e nel suo impiego in un progetto di ricerca.
Che cos’è Hermes Agent?
Hermes Agent è un’alternativa open-source a OpenClaw sviluppata da Nous Research, il laboratorio dietro i modelli Hermes. Dopo il lancio è diventato molto popolare, ottenendo oltre 30.000 stelle al momento in cui scriviamo. Hermes Agent è un po’ diverso da OpenClaw perché può creare skill dall’esperienza, migliorare se stesso e mantenere le conoscenze tra le sessioni.
Puoi imparare a usare OpenClaw dal nostro tutorial su OpenClaw (Clawdbot).
Funzionalità chiave di Hermes Agent
Vediamo alcune delle funzionalità principali di Hermes Agent.
Ciclo di apprendimento chiuso e memoria auto-migliorante
Hermes Agent ha un ciclo di apprendimento chiuso, il che significa che:
- Dispone di memoria curata dall’agente con promemoria periodici
- Crea automaticamente skill dopo aver eseguito attività complesse
- Migliora le skill man mano che le utilizza
Hermes Agent salva anche le sessioni di messaggistica in un database SQLite con ricerca full-text FTS5. Questo gli consente di recuperare ricordi di settimane fa, anche se non sono attualmente in memoria.
Impara le basi dei database SQLite, dai comandi dot di SQLite a un esempio di applicazioni pratiche tramite interfaccia a riga di comando, con la nostra guida Guida per principianti a SQLite.
Hermes utilizza anche una memoria Honcho che conferisce all’agente una comprensione persistente degli utenti tra le sessioni. Questo si aggiunge ai file memory.md e user.md per migliorare la comprensione da parte dell’agente delle preferenze, degli obiettivi e dello stile comunicativo dell’utente, e per mantenere il contesto nelle conversazioni.
Compressione del contesto e caching
Uno dei principali problemi nell’uso di questi assistenti AI è l’elevato consumo di token. Quando paghi per ogni chiamata API, la spesa può aumentare molto rapidamente. Hermes Agent utilizza una doppia compressione e la cache dei prompt di Anthropic per gestire l’uso del contesto in conversazioni lunghe.
Questo meccanismo evita anche i fallimenti delle API quando il contesto è troppo grande. Funziona eliminando risultati obsoleti e riassumendo le conversazioni tramite un LLM.
Sistema di skill
Come OpenClaw, anche Hermes Agent supporta le skill. Le skill sono compatibili con agentskills.io e seguono un pattern di divulgazione progressiva per minimizzare l’uso di token. Include skill integrate e salva anche le proprie skill man mano che lo usi. Tutte le skill sono salvate in ~/.hermes/skills/, ma puoi anche puntare l’agente a skill esterne.
Impara a creare skill per OpenClaw da zero, collegare API esterne, configurare il sandboxing Docker e pubblicare su ClawHub con il nostro tutorial Creare skill personalizzate per OpenClaw.
Gateway multipiattaforma
Hermes Agent supporta diverse piattaforme, tra cui Telegram, Discord, Slack, Signal e WhatsApp. Supporta anche la trascrizione di memo vocali. Poiché le sessioni confluiscono nello stesso database, puoi iniziare una conversazione sul terminale e continuarla su Telegram.
Sottoagenti e flussi di lavoro in parallelo
Hermes Agent dispone di uno strumento delegate_task usato per avviare più sottoagenti. Gli agenti hanno set di strumenti e sessioni di terminale limitati. Avviano una nuova conversazione e non hanno informazioni sulla cronologia precedente; quindi devi fornire tutte le informazioni necessarie per raggiungere l’obiettivo. Puoi usarlo, per esempio, per ricercare più argomenti allo stesso tempo e raccogliere riepiloghi, fare code review, correggere e refactorizzare più file in parallelo.
Supporto MCP e accesso esteso agli strumenti
Per qualsiasi strumento mancante in Hermes, puoi collegarti agli MCP. Puoi usarli per connetterti ad API, a un database o a un sistema aziendale senza dover modificare il codice di Hermes Agent. Puoi usarli:
- Installando il supporto MCP in Hermes
- Aggiungendo un server MCP
- Mettendo in allowlist ciò che gli strumenti espongono e che l’MCP può fare
- Mettendo in blacklist attività pericolose, come l’eliminazione di clienti
Impara a creare un server MCP usando il Model Context Protocol di Anthropic per collegare Claude con GitHub e Notion dal nostro tutorial Model Context Protocol.
Training RL e generazione di traiettorie
Hermes Agent include una pipeline integrata di training RL (Reinforcement Learning) costruita su Tinker-Atropos. Ciò consente l’addestramento di LLM in un ambiente specifico usando GRPO (Group Relative Policy Optimization) con adattatori LoRA.
Puoi esplorare ulteriormente il RL con il nostro percorso Reinforcement Learning in Python.
Come si confronta Hermes Agent con gli assistenti AI standard
Vediamo ora come Hermes Agent si confronta con altri assistenti AI come OpenClaw e Nanobot.
Come altri agenti, Hermes Agent utilizza memory.md e user.md per la memoria persistente. Va oltre salvando ogni sessione in un database SQLite, rendendo possibile fare riferimento a qualsiasi conversazione in futuro.
Come OpenClaw, anche Hermes Agent supporta un modello di fallback che gestisce i compiti quando il modello principale non è disponibile.
Come la maggior parte degli assistenti AI, Hermes Agent può anche essere distribuito a basso costo su un VPS e accessibile dalle piattaforme di messaggistica più diffuse. Tuttavia, uno dei suoi principali punti di forza, secondo il team di Nous Research, è che Hermes Agent è un harness migliore per i modelli open source.
Puoi anche esplorare altri assistenti AI, come NanoBot, con il nostro tutorial su Nanobot.
Modelli ed endpoint supportati
Hermes Agent è agnostico rispetto ai modelli. I modelli supportati includono:
- Modelli dal Nous Portal
- OpenRouter tramite chiave API
- Anthropic Auth e chiave API
- Abbonamento OpenAI o chiave API
- Gemini
Puoi anche usare modelli locali tramite Ollama.
Scopri come usare assistenti AI locali con Ollama nel nostro tutorial OpenClaw con Ollama.
Prerequisiti per l’esecuzione di Hermes Agent
Hermes funziona su Linux, macOS e WSL2. Richiede inoltre Python 3.11 e Node.js, ma la maggior parte delle dipendenze viene installata automaticamente durante la configurazione.
Tutorial passo-passo su Hermes Agent: creare un “research agent”
Vediamo ora come usare Hermes Agent per creare un agente di ricerca che sappia cercare sul web e inviarti un briefing quotidiano su Telegram.
Passo 1: Installa Hermes Agent
Apri il terminale ed esegui l’installer in un’unica riga:
curl -fsSL https://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.sh | bash
Passo 2: Ottieni il tuo token per l’interfaccia
Per il gateway Telegram, apri Telegram e cerca @BotFather. Inviagli /newbot, segui le istruzioni per dare un nome al tuo bot e ti fornirà un token bot simile a 123456789:AAH. Copialo per i prossimi passaggi.
Poi usa @userinfobot per ottenere il tuo ID utente Telegram. Ti servirà affinché il tuo bot parli solo con te.
Passo 3: Inizializza
Esegui la procedura guidata di setup:
hermes setupScegliendo Full Setup potrai configurare tutto, incluse le chiavi API e il bot Telegram.
Ti verrà proposto un menu per configurare tutti gli elementi come mostrato di seguito:
Se hai un’installazione OpenClaw esistente, ti consente anche di migrarla.
Una volta completato il setup, puoi verificare tutto con:
hermes doctor
Passo 4: Configurazione e selezione del modello
Se hai seguito i passaggi sopra, avrai già configurato il modello, ma puoi cambiarlo in qualsiasi momento eseguendo il seguente comando nel terminale:
hermes model
Passo 5: Configura il gateway
Il gateway è ciò che permette a Hermes di raggiungerti su Telegram invece di costringerti a restare nel terminale. Configuralo eseguendo:
hermes gateway setup
A questo punto dovresti essere in grado di inviare messaggi da Telegram e ricevere risposte:
Portare Hermes Agent al livello successivo: l’agente “multi-tool”
Come puoi vedere dalla risposta sopra, Hermes ha usato lo strumento terminale per interrogare la public chart API di Yahoo Finance e analizzare la risposta. Possiamo migliorare le sue capacità di ricerca sul web configurando uno degli strumenti di ricerca disponibili; in questo caso, usiamo FireCrawl. Vai sul loro sito e ottieni gratuitamente una chiave AI.
Poi imposta la chiave:
hermes config set FIRECRAWL_API_KEY your_fire-crawl_keyFatto questo, ho dato a Hermes un compito che prevedeva la ricerca su più pagine e il riepilogo dei risultati. Come si vede dall’immagine, ha pianificato 3 task e li ha delegati.
Un altro modo per eseguire più agenti con Hermes è configurare i profili. Questo ti permette di eseguire più agenti Hermes indipendenti sulla stessa macchina, ognuno con la propria configurazione, chiavi API, memoria, sessioni, gateway e skill. Ad esempio, puoi avere:
- Un agente per il coding
- Un assistente personale
- Un agente di ricerca
Puoi crearne uno da zero o clonando le impostazioni esistenti:
hermes profile create work --clone
Esegui work chat per iniziare a parlare con il bot:
Ogni agente ha il proprio .env, così puoi configurare bot Telegram diversi. Puoi configurare usando work setup
Opzioni di deployment: eseguire Hermes Agent oltre il tuo laptop
Scopriamo ora quali opzioni di deployment esistono per eseguire Hermes Agent oltre all’uso sul tuo laptop.
Altre opzioni includono:
- Eseguirlo su un computer dedicato, che non sia la tua macchina principale.
- Distribuirlo su un VPS, ad esempio su Modal e Daytona.
Anche quando lo distribuisci su un VPS, è bene seguire queste best practice:
- Usa il backend a container
- Imposta allowlist esplicite
- Usa codici di abbinamento invece dell’ID utente
- Conserva i secret in modo sicuro con permessi file corretti
- Aggiorna regolarmente il tuo agente con
hermes update - Non eseguire mai l’agente come utente
root - Imposta limiti di risorse appropriati per CPU, disco e memoria
- Monitora i log per tentativi di accesso non autorizzati
Locale e privato: eseguire Hermes Agent offline
Puoi eseguire Hermes Agent offline impostando un modello tramite Ollama. Il frammento di codice seguente mostra come eseguire e servire qwen2.5-coder:32b tramite Ollama:
# Install and run a model
ollama pull qwen2.5-coder:32b
ollama serve # Starts on port 11434Poi configura Hermes per usare il modello:
hermes model
# Select "Custom endpoint (self-hosted / VLLM / etc.)"
# Enter URL: http://localhost:11434/v1
# Skip API key (Ollama doesn't need one)
# Enter model name (e.g. qwen2.5-coder:32b)Inoltre, assicurati di aumentare la finestra di contesto perché il modello deve caricare il system prompt, gli strumenti e restituire una risposta.
# Option 1: Set server-wide via environment variable (recommended)
OLLAMA_CONTEXT_LENGTH=32768 ollama serve
# Option 2: For systemd-managed Ollama
sudo systemctl edit ollama.service
# Add: Environment="OLLAMA_CONTEXT_LENGTH=32768"
# Then: sudo systemctl daemon-reload && sudo systemctl restart ollama
# Option 3: Bake it into a custom model (persistent per-model)
echo -e "FROM qwen2.5-coder:32b\nPARAMETER num_ctx 32768" > Modelfile
ollama create qwen2.5-coder-32k -f Modelfile
Problemi comuni e troubleshooting di Hermes Agent
Vediamo ora alcuni problemi comuni che potresti incontrare usando Hermes Agent.
Errori di “connection refused”
Esegui prima hermes doctor. Ti dirà se ti manca qualche configurazione del provider, se ci sono variabili d’ambiente rotte o percorsi configurati male. Puoi anche rieseguire il comando di setup per reinserire la chiave API perché potresti aver fatto un refuso.
Limiti della finestra di contesto
Digita /compress per avviare manualmente la compressione del contesto.
Puoi anche modificare ~/.hermes/config.yaml per configurare i valori predefiniti della compressione.
# In ~/.hermes/config.yaml
compression:
enabled: true
threshold: 0.50 # Compress at 50% of context limit by default
summary_model: "google/gemini-3-flash-preview" # Model used for summarizationSkill che non si attiva o non viene riutilizzata
Controlla se la skill esiste. Esegui questo comando per confermare che le istruzioni nelle skill vengano usate.
hermes chat --toolsets skills -q "Use the X skill to do Y"Gateway che non riceve i messaggi
Esegui hermes gateway status per verificare se è in esecuzione.
Se si è fermato, avvialo con hermes gateway start.
Errori di autenticazione dell’endpoint del modello
Controlla ~/.hermes/.env per verificare che le tue chiavi API siano corrette. Esegui hermes model per assicurarti che il modello selezionato abbia la chiave API corretta.
Prospettive future
Se hai seguito la “guerra degli agenti” su Twitter, avrai notato due schieramenti: uno a favore dell’uso degli agenti con API e l’altro per l’esecuzione di agenti con modelli locali. Il fronte dei modelli locali è molto attivo nel sostenere Hermes Agent, che a loro dire è un harness migliore per i modelli locali rispetto a OpenClaw.
Qualunque parte tu favorisca, una cosa è chiara: eseguire agenti non è economico. Quindi, se esiste uno strumento che può far girare modelli locali offrendo prestazioni vicine a quelle di un modello di fascia alta, vale la pena prenderlo in considerazione. Soprattutto ora che tutti i provider di modelli hanno introdotto tariffe a consumo.
Con l’attuale domanda di agenti, gli utenti che vogliono uso illimitato si orienteranno verso lo strumento capace di offrire i risultati migliori. Al momento, molte persone su Twitter affermano che Hermes Agent sia quello strumento. Resta da vedere se i modelli locali ridurranno davvero la dipendenza dalle API, anche perché non tutti gli utenti dispongono di GPU personali e competenze tecniche per configurarli in locale.
Conclusione
Sono stati rilasciati diversi assistenti AI personali di recente. La cosa migliore che puoi fare è studiarli e capire quale fa al caso tuo. Dai un’occhiata alle risorse qui sotto per aggiornarti rapidamente:
- OpenClaw vs Nanobot: quale framework per agenti AI usare nel 2026?
- Tutorial su Nanobot: un’alternativa leggera a OpenClaw
- Claude Code vs Cursor: qual è lo strumento di coding AI giusto per te?
- OpenCode vs Claude Code: quale strumento agentico usare nel 2026?
- OpenClaw vs Claude Code: quale strumento agentico usare nel 2026?
Per saperne di più sul lavoro con strumenti AI, consulta la nostra guida ai migliori strumenti AI gratuiti. Per competenze di coding AI più ampie, prova il nostro corso AI-Assisted Coding for Developers per sviluppare le abilità che rendono gli assistenti AI partner più affidabili nel tuo workflow di sviluppo.
Author
Derrick Mwiti
Argomenti
