Les récents papiers sur Hermes Agent ont suscité une discussion productive autour de la mémoire persistante, de l'abstraction de l'utilisation d'outils et des boucles de réflexion dans les agents autonomes.

Au lieu d'ajouter au battage médiatique, je souhaite comparer l'architecture proposée par Hermes avec une implémentation qui fonctionne en production depuis plus d'un an : OpenClaw.

L'objectif n'est pas de revendiquer une priorité, mais de montrer où les modèles convergent — et où OpenClaw a déjà résolu plusieurs des mêmes défis d'ingénierie.

Architecture de la mémoire

Hermes propose une mémoire persistante inter-sessions avec récupération vectorielle et mécanismes de décroissance.

OpenClaw implémente cela en utilisant Honcho comme couche mémoire programmable local-first. Choix techniques clés :

• Déclin temporel: les mémoires plus anciennes obtiennent un score de récupération exponentiellement plus faible. Cela empêche le contexte obsolète de dominer la mémoire de travail.
• MMR (Pertinence marginale maximale): le récupérateur équilibre la similarité avec la requête courante et la diversité parmi les mémoires retournées. Aucun passage dupliqué quasi identique.
• Aucun appel d'API : tout le système de mémoire s'exécute localement—aucun aller-retour vers des bases de données vectorielles payantes ou des services d'embedding externes.

Raisonnement vs. utilisation des outils

Hermes décrit une séparation nette entre le noyau de raisonnement de l'agent et sa surface d'appel d'outils.

OpenClaw possède cette séparation depuis sa première version :

• La boucle de raisonnement opère sur une vue compacte de la « mémoire de travail ».
• Les outils sont définis comme des fonctions modulaires, typées, avec des schémas explicites.
• L'agent n'appelle jamais les outils directement ; il émet une requête d'outil structurée que l'orchestrateur achemine et valide.

Cela permet d'échanger les modèles (par exemple, d'un modèle local petit à GPT-4) sans changer l'interface des outils—un modèle qui maintient l'inférence peu coûteuse pour 95% des étapes.

Boucles de réflexion

Hermes introduit une « boucle de réflexion » pour l'autocorrection.

OpenClaw implémente ceci comme une contrainte réservée au débogueur :

• L'agent s'exécute principalement sur des modèles petits et rapides (Ollama, llama.cpp).
• Un modèle payant (OpenAI, Anthropic) n'est invoqué que lorsque l'agent atteint un seuil de confiance ou rencontre une erreur d'exécution — et uniquement pour réfléchir à l'échec et produire un plan corrigé.
• Cela empêche les boucles de réflexion de devenir un multiplicateur de coûts.

Orchestration multi-agents

Hermes propose la délégation de sous-agents avec des contextes isolés.

OpenClaw utilise les pipelines Lobster—des graphes de tâches basés sur des DAG :

• Chaque sous-agent s'exécute dans son propre contexte mémoire et d'outils.
• L'agent parent délègue par un transfert structuré (en ne transmettant que la partie pertinente de l'état).
• Les pipelines peuvent être composés, mis en cache et rejoués pour une récupération après échec sans coût.

Lors des tests en production, cela réduit la consommation de tokens de 70-80% sur les tâches multi-étapes par rapport à un agent unique gérant tout.

Où Hermes est véritablement nouveau

Pour être juste, Hermes formalise le déploiement et la gestion du cycle de vie de tels agents (gestion des versions, rollback, tests A/B des paramètres de mémoire). OpenClaw manque actuellement de cette finition—c’est une boîte à outils destinée aux développeurs, pas une plateforme gérée.

C’est une direction utile pour l’ensemble du domaine.

En résumé

Si vous construisez un agent aujourd’hui, vous n’avez pas besoin d’attendre une implémentation à code source fermé de Hermes.

Les modèles de base—mémoire persistante avec décroissance temporelle, recherche MMR, couches de raisonnement/outils séparées, boucles de réflexion contrôlées en coût, et orchestration de sous-agents basée sur DAG—sont déjà implémentés dans OpenClaw, avec des fichiers de configuration complets et des exemples disponibles.

Vous pouvez le cloner, l’exécuter sur un ordinateur portable et commencer à modifier l’architecture en une après‑midi.

L’article qui documente tout cela se trouve ici : Construire OpenClaw avec un budget zéro dollar : mémoire hybride multi‑agents avec décroissance temporelle & MMR

Restons sur un échange technique. Quelle partie de cette architecture aimeriez‑vous approfondir ?