Los recientes papers de Hermes Agent han generado una discusión productiva alrededor de la memoria persistente, la abstracción del uso de herramientas y los bucles de reflexión en agentes autónomos.

En lugar de contribuir al bombo, quiero comparar la arquitectura propuesta de Hermes con una implementación que se ha ejecutado en producción durante más de un año: OpenClaw.

El objetivo no es reclamar prioridad, sino mostrar dónde convergen los patrones y dónde OpenClaw ya resolvió varios de los mismos desafíos de ingeniería.

Arquitectura de memoria

Hermes propone memoria persistente entre sesiones con recuperación vectorial y mecanismos de decaimiento.

OpenClaw lo implementa utilizando Honcho como una capa de memoria programable local-first. Elecciones técnicas clave:

• Decaimiento temporal: los recuerdos más antiguos reciben puntuaciones de recuperación exponencialmente menores. Esto evita que el contexto obsoleto domine la memoria de trabajo.
• MMR (Relevancia Marginal Máxima): el recuperador equilibra la similitud con la consulta actual y la diversidad entre los recuerdos devueltos. No hay pasajes duplicados casi idénticos.
• Cero llamadas a API: todo el sistema de memoria se ejecuta localmente—sin viajes de ida y vuelta a bases de datos vectoriales de pago o servicios de embebido externos.

Razonamiento frente al uso de herramientas

Hermes describe una separación limpia entre el núcleo de razonamiento del agente y su superficie de llamada a herramientas.

OpenClaw ha tenido esta separación desde su primera versión:

• El bucle de razonamiento opera sobre una vista compacta de «memoria de trabajo».
• Las herramientas se definen como funciones modulares, tipadas, con esquemas explícitos.
• El agente nunca llama directamente a las herramientas; emite una solicitud de herramienta estructurada que el orquestador enruta y valida.

Esto permite intercambiar modelos (por ejemplo, de un modelo local pequeño a GPT-4) sin cambiar la interfaz de las herramientas—un patrón que mantiene la inferencia barata para el 95% de los pasos.

Bucles de reflexión

Hermes introduce un “bucle de reflexión” para la autocorrección.

OpenClaw lo implementa como una restricción solo para el depurador:

• El agente se ejecuta principalmente en modelos pequeños y rápidos (Ollama, llama.cpp).
• Un modelo de pago (OpenAI, Anthropic) solo se invoca cuando el agente alcanza un umbral de confianza o ocurre un error de ejecución—and solo para reflexionar sobre el fallo y generar un plan corregido.
• Esto evita que los bucles de reflexión se conviertan en un multiplicador de costos.

Orquestación multiagente

Hermes propone la delegación de subagentes con contextos aislados.

OpenClaw utiliza tuberías Lobster—grafos de tareas basados en DAG:

• Cada subagente se ejecuta en su propio contexto de memoria y herramientas.
• El agente padre delega mediante una transferencia estructurada (pasando solo el segmento relevante del estado).
• Las tuberías pueden componerse, almacenarse en caché y reproducirse para una recuperación de fallos sin costo.

En pruebas de producción, esto reduce el consumo de tokens en un 70-80% en tareas de varios pasos en comparación con un solo agente que maneja todo.

Donde Hermes es genuinamente nuevo

Para ser justos, Hermes formaliza la implementación y la gestión del ciclo de vida de esos agentes (control de versiones, rollback, pruebas A/B de los parámetros de memoria). OpenClaw actualmente carece de ese pulido—es un kit de herramientas orientado a desarrolladores, no una plataforma administrada.

Eso es una dirección útil para todo el campo.

Conclusión

Si estás construyendo un agente hoy, no necesitas esperar una implementación de código cerrado de Hermes.

Los patrones principales—memoria persistente con decaimiento temporal, recuperación MMR, capas de razonamiento/herramientas separadas, bucles de reflexión controlados por costo y orquestación de subagentes basada en DAG—ya están implementados en OpenClaw, con archivos de configuración completos y ejemplos disponibles.

Puedes clonarlo, ejecutarlo en una laptop y comenzar a modificar la arquitectura en una tarde.

El artículo que documenta todo esto está aquí: Construyendo OpenClaw con un presupuesto de cero dólares: Memoria híbrida multiagente con decaimiento temporal y MMR

Mantengamos la conversación técnica. ¿Qué parte de esta arquitectura te gustaría explorar más a fondo?