Nous Research Hermes Agent: installatie- en handleiding

Leer hoe je Hermes Agent installeert en instelt, de open-source AI-agent van Nous Research die onthoudt, leert en slimmer wordt bij elke taak.

Bijgewerkt 2 okt 2026 · 11 min lezen

Verken met AI

ChatGPT Claude Perplexity

OpenClaw werd gelanceerd met veel hype en zorgen over veiligheid. Daarna doken talloze copycats op die beweerden verschillende problemen rond OpenClaw op te lossen. Belangrijkste daarvan is beveiliging vanwege de grootte van de repo. Een ander groot probleem waren de kosten om de agent te draaien. Uit eigen ervaring kunnen de kosten snel oplopen, vooral omdat zelfs de maker van OpenClaw aanraadt om topmodellen zoals Claude Opus 4.6 te gebruiken om promptinjectie te voorkomen. Opus 4.6 is niet goedkoop, zeker niet wanneer je agent veel context moet meesturen in de vorm van herinneringen en skills. En daar komt de Hermes Agent om de hoek kijken.

Ik volg de makers van Hermes Agent al een tijd op X/Twitter, en een van hun claims is dat hun agent beter is dan OpenClaw in het gebruik van open-sourcemodellen. Ze stellen dat open-sourcemodellen effectief ingezet kunnen worden als ze de juiste harness hebben. In dit artikel onderzoek ik die claims door de agent uit te proberen. Ik neem je mee door de installatiestappen, hoe je hem gebruikt met lokale en online modellen, en hoe je hem inzet in een onderzoeksproject.

Wat is Hermes Agent?

Hermes Agent is een open-source alternatief voor OpenClaw van Nous Research, het lab achter de Hermes-modellen. Na de lancering werd het erg populair, met meer dan 30K sterren op het moment van schrijven. Hermes Agent verschilt enigszins van OpenClaw doordat het vaardigheden kan creëren op basis van ervaring, zichzelf kan verbeteren en kennis kan bewaren over sessies heen.

Je kunt leren hoe je OpenClaw gebruikt in onze OpenClaw (Clawdbot) Tutorial.

Belangrijkste mogelijkheden van Hermes Agent

Laten we enkele kernmogelijkheden van Hermes Agent bespreken.

Gesloten leercyclus en zelfverbeterend geheugen

De Hermes Agent heeft een gesloten leercyclus, wat betekent dat:

Hij beschikt over door de agent beheerd geheugen met periodieke hints
Maakt automatisch skills aan na het uitvoeren van complexe taken
Verbetert skills terwijl hij ze gebruikt

Hermes Agent slaat chatsessies ook op in een SQLite-database met FTS5 full-text search. Hierdoor kan hij herinneringen van weken geleden terughalen, zelfs als ze niet in het actieve geheugen zitten.

Leer de basis van SQLite-databases, van SQLite dot-commando's tot een voorbeeld van praktische toepassingen via de command-line interface, in onze Beginnersgids voor SQLite.

Hermes gebruikt ook een Honcho-geheugen dat de agent een blijvend begrip van gebruikers geeft over sessies heen. Dit komt bovenop de memory.md- en user.md-bestanden om het begrip van de agent van gebruikersvoorkeuren, doelen en communicatiestijl te vergroten en context te behouden over gesprekken heen.

Contextcompressie en caching

Een van de grootste problemen bij het gebruik van deze AI-assistenten is hoe token-intensief ze zijn. Als je per API-call betaalt, kan dat snel erg duur worden. Hermes Agent gebruikt dubbele compressie en Anthropic's prompt caching om het contextgebruik in lange gesprekken te beheren.

Dit mechanisme voorkomt ook API-fouten wanneer de context te groot wordt. Het werkt door oude resultaten te snoeien en gesprekken samen te vatten met een LLM.

Skill-systeem

Net als OpenClaw ondersteunt Hermes Agent skills. De skills zijn compatibel met agentskills.io en volgen een patroon van progressive disclosure om het aantal tokens te minimaliseren. Het wordt geleverd met ingebouwde skills en slaat ook eigen skills op terwijl je het gebruikt. Alle skills worden opgeslagen in ~/.hermes/skills/, maar je kunt de agent ook naar externe skills laten wijzen.

Leer hoe je OpenClaw-skills vanaf nul bouwt, externe API's koppelt, Docker sandboxing configureert en publiceert naar ClawHub in onze tutorial Eigen OpenClaw-skills bouwen.

Multi-platform gateway

Hermes Agent ondersteunt meerdere platforms, waaronder Telegram, Discord, Slack, Signal en WhatsApp. Het ondersteunt ook transcriptie van spraakmemo's. Omdat sessies naar dezelfde database gaan, kun je een gesprek starten in je terminal en het vervolgen op Telegram.

Subagents en parallelle werkstromen

Hermes Agent heeft een delegate_task-tool die wordt gebruikt om meerdere subagents te starten. Agents hebben beperkte toolsets en terminalsessies. Ze starten een nieuw gesprek en hebben geen informatie over de gespreksgeschiedenis; je moet dus alle informatie geven die de agent nodig heeft om zijn doel te bereiken. Je kunt dit gebruiken om bijvoorbeeld meerdere onderwerpen tegelijk te onderzoeken en samenvattingen te verzamelen, code te reviewen en meerdere bestanden tegelijk te fixen en te refactoren.

MCP-ondersteuning en uitgebreide tooltoegang

Voor elke tool die in Hermes ontbreekt, kun je verbinding maken met MCP's. Je kunt dit gebruiken om verbinding te maken met API's, een database of een bedrijfssysteem zonder de code van Hermes Agent te hoeven wijzigen. Je kunt ze gebruiken door:

MCP-ondersteuning op Hermes te installeren
Een MCP-server toe te voegen
Te whitelisten wat de tools blootleggen die de MCP kan doen
Gevaarlijke activiteiten op de blacklist te zetten, zoals het verwijderen van klanten

Leer hoe je een MCP-server bouwt met Anthropics Model Context Protocol om Claude te verbinden met GitHub en Notion in onze Model Context Protocol-tutorial.

RL-training en trajectgeneratie

Hermes Agent bevat een geïntegreerde RL- (Reinforcement Learning) trainingspipeline, gebouwd op Tinker-Atropos. Dit maakt het mogelijk om LLM's te trainen in een specifieke omgeving met GRPO (Group Relative Policy Optimization) met LoRA-adapters.

Je kunt RL verder verkennen in onze Reinforcement Learning in Python-track.

Hoe Hermes Agent zich verhoudt tot standaard AI-assistenten

Laten we nu bespreken hoe Hermes Agent zich verhoudt tot andere AI-assistenten zoals OpenClaw en Nanobot.

Net als andere agents gebruikt Hermes Agent memory.md en user.md voor persistent geheugen. Daarnaast slaat het elke sessie op in een SQLite-database, zodat in de toekomst naar elk gesprek verwezen kan worden.

Net als OpenClaw ondersteunt Hermes Agent ook een fallbackmodel dat taken overneemt wanneer het primaire model niet beschikbaar is.

Zoals de meeste AI-assistenten kan Hermes Agent ook goedkoop op een VPS worden uitgerold en benaderd via populaire messagingplatforms. Een van de belangrijkste verkooppunten, volgens het team van Nous Research, is echter dat Hermes Agent een betere harness is voor open-sourcemodellen.

Je kunt ook andere AI-assistenten verkennen, zoals NanoBot, in onze Nanobot-tutorial.

Ondersteunde modellen en endpoints

Hermes Agent is model-agnostisch. Ondersteunde modellen zijn onder meer:

Modellen van Nous Portal
OpenRouter via een API-sleutel
Anthropic Auth en API-sleutel
OpenAI-abonnement of API-sleutel
Gemini

Je kunt ook lokale modellen gebruiken via Ollama.

Ontdek hoe je lokale AI-assistenten gebruikt met Ollama in onze OpenClaw met Ollama-tutorial.

Vereisten voor het draaien van Hermes Agent

Hermes draait op Linux, macOS en WSL2. Het vereist ook Python 3.11 en Node.js, maar de meeste afhankelijkheden worden automatisch geïnstalleerd tijdens de setup.

Hermes Agent stap-voor-staphandleiding: een "research agent" bouwen

Laten we nu ontdekken hoe je Hermes Agent gebruikt om een research agent te maken die het web kan doorzoeken en je dagelijks een briefing op Telegram stuurt.

Stap 1: Installeer Hermes Agent

Open je terminal en voer de one-line installer uit:

curl -fsSL https://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.sh | bash

Stap 2: Haal je interface-token op

Voor de Telegram-gateway: open Telegram en zoek naar @BotFather. Stuur /newbot, volg de prompts om je bot een naam te geven, en je krijgt een bottoken dat eruitziet als 123456789:AAH. Kopieer het voor de volgende stappen.

Gebruik vervolgens de @userinfobot om je Telegram-gebruikers-ID te krijgen. Die heb je nodig zodat je bot alleen met jou praat.

Stap 3: Initialiseren

Voer de setupwizard uit:

hermes setup

Als je Full Setup kiest, kun je alles configureren, inclusief API-sleutels en de Telegram-bot.

Er wordt een menu getoond zodat je alle items kunt configureren, zoals hieronder:

Als je al een OpenClaw-installatie hebt, kun je die ook migreren.

Zodra de setup is voltooid, kun je alles verifiëren met:

hermes doctor

Stap 4: Configuratie en modelselectie

Als je de bovenstaande stappen hebt gevolgd, heb je het model al ingesteld, maar je kunt dit op elk moment wijzigen door het onderstaande commando in de terminal uit te voeren:

hermes model

Stap 5: Stel de gateway in

De gateway zorgt ervoor dat Hermes je op Telegram kan bereiken, zonder dat je in je terminal hoeft te blijven. Stel hem in met:

hermes gateway setup

Op dit punt zou je berichten moeten kunnen sturen vanaf Telegram en antwoorden krijgen:

Hermes Agent naar een hoger niveau tillen: de "multitool"-agent

Zoals je in het bovenstaande antwoord ziet, gebruikte Hermes de terminaltool om de openbare chart-API van Yahoo Finance te bevragen en de response te parsen. We kunnen de webzoekcapaciteiten verbeteren door een van de beschikbare webzoektools te configureren; in dit geval gebruiken we FireCrawl. Ga naar hun website en vraag gratis een AI-sleutel aan.

Stel vervolgens de sleutel in:

hermes config set FIRECRAWL_API_KEY your_fire-crawl_key

Met dat op z'n plek gaf ik Hermes een taak waarbij meerdere pagina's moesten worden doorzocht en de resultaten samengevat. Zoals je op de afbeelding ziet, plande het 3 taken en delegeerde die.

Een andere manier om meerdere agents met Hermes te draaien is door profielen in te stellen. Daarmee kun je meerdere onafhankelijke Hermes-agents op dezelfde machine draaien, elk met een eigen config, API-sleutels, geheugen, sessies, gateway en skills. Je kunt bijvoorbeeld hebben:

Een codeeragent
Een persoonlijke assistent
Een research agent

Je kunt er een vanaf nul aanmaken of door de bestaande instellingen te klonen:

hermes profile create work --clone

Voer work chat uit om met de bot te praten:

Elke agent krijgt een eigen .env zodat je verschillende Telegram-bots kunt instellen. Je kunt dit instellen met work setup

Deploy-opties: Hermes Agent draaien buiten je laptop

Laten we nu bekijken welke deploymentopties er zijn om Hermes Agent te draaien, naast gebruik op je laptop.

Andere opties zijn onder meer:

Hem draaien op een dedicated computer die niet je daily driver is.
Uitrollen op een VPS, zoals op Modal en Daytona.

Ook bij uitrol op een VPS is het goed om deze best practices te volgen:

Gebruik de container-backend
Stel expliciete allowlists in
Gebruik koppelcodes in plaats van user ID
Sla secrets veilig op met de juiste bestandsrechten
Update je agent regelmatig met hermes update
Draai de agent nooit als root-gebruiker
Stel passende resource-limieten in voor CPU, schijf en geheugen
Monitor logs op ongeautoriseerde toegangspogingen

Lokaal en privé: Hermes Agent offline draaien

Je kunt Hermes Agent offline draaien door een model via Ollama in te stellen. De onderstaande code laat zien hoe je qwen2.5-coder:32b via Ollama draait en serveert:

# Install and run a model
ollama pull qwen2.5-coder:32b
ollama serve   # Starts on port 11434

Configureer Hermes daarna om het model te gebruiken:

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)

Zorg er ook voor dat je het contextvenster vergroot, omdat het model de systeemprompt en tools moet laden en een reactie moet teruggeven.

# 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

Veelvoorkomende valkuilen en troubleshooting voor Hermes Agent

Laten we nu enkele veelvoorkomende problemen bespreken die je kunt tegenkomen bij het gebruik van de Hermes-agent.

Connection refused-fouten

Voer eerst hermes doctor uit. Dit vertelt je of je providerconfiguratie ontbreekt, omgevingsvariabelen kapot zijn of paden verkeerd zijn geconfigureerd. Je kunt ook het setup-commando opnieuw uitvoeren om je API-sleutel opnieuw in te voeren, omdat er een typfout kan inzitten.

Beperkingen van het contextvenster

Typ /compress om handmatige contextcompressie te starten.

Je kunt ook ~/.hermes/config.yaml bewerken om compressiestandaarden te configureren.

# 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 summarization

Skill wordt niet getriggerd of hergebruikt

Controleer of de skill bestaat. Voer dit commando uit om te bevestigen dat de instructies in de skills worden gebruikt.

hermes chat --toolsets skills -q "Use the X skill to do Y"

Gateway ontvangt geen berichten

Voer hermes gateway status uit om te controleren of hij draait.

Als hij is gestopt, start hem dan met hermes gateway start.

Authenticatiefouten bij modelendpoint

Controleer ~/.hermes/.env om te verifiëren dat je API-sleutels kloppen. Voer hermes model uit om zeker te zijn dat het geselecteerde model de juiste API-sleutel heeft.

Toekomstverwachting

Als je de Twitter-agentenoorlog hebt gevolgd, heb je gemerkt dat er twee kampen zijn: één voor het gebruik van agents met API's en een ander voor het draaien van agents met lokale modellen. Het kamp van de lokale modellen is zeer uitgesproken in hun pleidooi voor Hermes Agent, waarvan ze beweren dat het een betere harness is voor lokale modellen dan OpenClaw.

Welk kamp je ook steunt, één ding is duidelijk: agents draaien is niet goedkoop. Als er dus een tool is die lokale modellen kan draaien en prestaties kan leveren die in de buurt komen van een topmodel, dan is die tool het onderzoeken waard. Zeker nu met verbruik op basis van meting bij alle modelproviders.

Met de huidige vraag naar agents zullen gebruikers die onbeperkt gebruik willen, neigen naar een tool die de beste resultaten kan bieden. Op dit moment beweren veel mensen op Twitter dat Hermes Agent die tool is. Of lokale modellen de vraag naar API's daadwerkelijk verminderen, moet nog blijken, zeker omdat niet alle gebruikers persoonlijke GPU's hebben en technisch genoeg zijn om ze lokaal in te richten.

Conclusie

Er zijn recent verschillende persoonlijke AI-assistenten uitgebracht. Het beste wat je kunt doen, is ze bestuderen en bepalen welke het beste bij jou past. Bekijk de onderstaande bronnen om snel bij te blijven:

Wil je meer leren over werken met AI-tools, bekijk dan onze gids met de beste gratis AI-tools. Voor bredere AI-codingskills kun je onze AI-Assisted Coding voor Developers-cursus proberen om de skills te ontwikkelen die AI-assistenten betrouwbaardere partners maken in je ontwikkelworkflow.