El agente AI que crece con vos. Open source, gratis, corre en tu servidor.
¿Qué es Hermes Agent?
Hermes Agent es un agente de inteligencia artificial de código abierto creado por Nous Research. Se lanzó en febrero de 2026 y en menos de tres meses superó los 140.000 estrellas en GitHub, convirtiéndose en uno de los agentes AI más usados del mundo.
A diferencia de un chatbot normal, Hermes no olvida nada cuando cerrás la sesión. Vive en tu servidor, recuerda lo que aprende y se vuelve más capaz cuanto más lo usás. El eslogan del proyecto lo resume bien: «el agente que crece con vos».
La diferencia clave con otros agentes AI
Característica
Chatbot normal
Hermes Agent
Memoria entre sesiones
No
Sí, permanente
Aprende de cada tarea
No
Sí, crea Skills reutilizables
Corre en tu máquina
No (nube)
Sí, 100% local
Automatizaciones programadas
No
Sí, con lenguaje natural
Multi-agente (delega tareas)
No
Sí, sub-agentes paralelos
Controla el navegador
No
Sí
Costo del software
Suscripción mensual
Gratis (MIT License)
Conceptos clave antes de empezar
Skills (Habilidades) Cuando Hermes resuelve una tarea compleja, automáticamente escribe un documento llamado Skill que captura cómo lo hizo, qué funcionó y qué errores evitar. La próxima vez que aparezca una tarea similar, usa ese Skill en lugar de razonar desde cero. Cuanto más lo usás, más rápido y preciso se vuelve.
Memoria persistente Todo lo que Hermes aprende se guarda en tu máquina, en la carpeta ~/.hermes/. Incluye tus preferencias, historial de proyectos, Skills generados y tu modelo de usuario.
El loop de aprendizaje
Recibe un objetivo y lo descompone en pasos
Evalúa si el resultado fue exitoso
Si la tarea fue compleja y exitosa, crea un Skill reutilizable
Actualiza los Skills cuando descubre mejores enfoques
En tareas futuras similares, aplica el Skill relevante
Gateway de mensajería Un proceso que conecta a Hermes con tus plataformas de mensajería. Podés chatear con él desde Telegram, Discord, Slack, WhatsApp, Signal o la terminal, y el contexto se mantiene entre todas las plataformas.
Instalación
Hermes soporta Linux, macOS y Windows (via WSL2). No requiere ningún prerequisito: el script los instala todos solos.
Eso es todo. El script instala Python 3.11, clona el repositorio y agrega el comando hermes a tu PATH. Tarda menos de 60 segundos.
Windows
Opción recomendada: instalá WSL2 primero.
Abrí PowerShell como Administrador
Ejecutá: wsl --install
Reiniciá la PC
Abrí Ubuntu desde el menú inicio
Seguí las instrucciones de Linux de arriba
Nota: Windows nativo tiene soporte experimental. Para uso serio, usá WSL2.
Verificar la instalación
hermes --version
Si el comando no se reconoce, cerrá y volvé a abrir la terminal.
Configuración inicial
Una vez instalado, configurá el modelo de lenguaje que va a usar Hermes:
hermes setup
Esto abre un asistente interactivo donde elegís tu proveedor de modelo.
Opciones de modelo disponibles
Proveedor
Cómo acceder
Ideal para
Nous Portal
Login con Google (OAuth)
Empezar rápido, sin configurar nada
OpenRouter
API Key
Acceso a 200+ modelos
OpenAI
API Key de openai.com
Usuarios ya con cuenta OpenAI
Anthropic
API Key de anthropic.com
Razonamiento de alta calidad
Ollama (local)
Instalación local
100% privado, sin internet
vLLM / custom
Endpoint propio
Equipos técnicos avanzados
Primera vez: usá Nous Portal. Solo hacés login con Google y ya está.
Cambiar el modelo en cualquier momento
hermes model
Modo 100% local con Ollama (sin enviar nada a servidores externos)
# 1. Instalar Ollama
curl -fsSL https://ollama.ai/install.sh | sh
# 2. Descargar un modelo
ollama pull llama3.1:8b
# 3. Iniciar Ollama
ollama serve
# 4. Configurar Hermes (hermes model → Custom API → http://localhost:11434/v1)
Nota: los modelos locales requieren al menos 8GB de RAM. Se recomiendan 16GB o más.
Uso básico
Para abrir el chat interactivo:
hermes
Escribís tu pedido en lenguaje natural y Hermes lo ejecuta. Ejemplos:
«Buscá las últimas noticias sobre inteligencia artificial y haceme un resumen.»
«Escribí un script Python que lea un CSV y genere un gráfico de barras.»
«Corregí la gramática y el estilo de este texto.»
«Programá un backup diario de la carpeta /datos a las 3 AM.»
«Mandame un email a juan@empresa.com con el resumen de la reunión de hoy.»
Entornos de ejecución de código
Cuando Hermes necesita correr código, lo hace en un entorno aislado (sandbox). Tenés cinco opciones:
Backend
Cuándo usarlo
Local
Acceso directo a tus archivos
Docker
Aislamiento de seguridad (recomendado para uso diario)
SSH
Delegar carga a otra máquina remota
Modal
Escalar en la nube sin servidor propio
Singularity
Clusters HPC / entornos científicos
Conectar Telegram, Discord, WhatsApp y más
Configurar el gateway
hermes gateway setup
El asistente interactivo te guía para conectar cada plataforma.
Cómo conectar Telegram (la opción más simple)
Abrí Telegram y buscá @BotFather
Escribí /newbot y seguí las instrucciones
BotFather te da un token (algo como 123456:ABC-DEF...)
En el setup de Hermes, pegá ese token cuando te lo pida
Iniciá una conversación con tu nuevo bot en Telegram
Iniciar el gateway
hermes gateway
Instalarlo como servicio (se inicia solo al bootear el servidor)
hermes gateway install
Una vez configurado, podés iniciar una conversación en Telegram, continuarla en Discord y terminarla en la terminal. Hermes mantiene el contexto de todo.
Los mensajes de voz se transcriben automáticamente, sin configuración extra.
Automatizaciones y tareas programadas
Hermes tiene un scheduler incorporado que acepta lenguaje natural. No hace falta escribir expresiones cron.
Simplemente escribís en el chat:
«Mandame un resumen de noticias tecnológicas todos los días a las 8 AM por Telegram.»
«Hacé un backup de la carpeta /proyectos todos los viernes a las 10 PM.»
«Revisá el servidor y mandame un informe de estado todos los lunes a las 9 AM.»
«Generá un reporte de ventas mensual el último día de cada mes.»
Gestionar automatizaciones
Para ver las activas:
¿Qué automatizaciones tengo activas? (escribís esto en el chat de Hermes)
Para cancelar una:
Cancelá el backup del viernes.
Las automatizaciones corren a través del proceso del gateway. Si lo instalaste como servicio del sistema, se ejecutan aunque no tengas ninguna terminal abierta.
El sistema de Skills
Ver tus Skills
Preguntale en el chat: «¿Qué skills tenés guardados?»
O explorá manualmente en: ~/.hermes/skills/
Skills de la comunidad
Existe una comunidad que comparte Skills en agentskills.io. Para instalar uno:
Instalá el skill de análisis de CSV de agentskills.io (en el chat de Hermes)
Los Skills son archivos de texto en formato SKILL.md. Podés leerlos, editarlos y crear los tuyos propios.
Skills incorporados (40+)
Hermes viene con más de 40 Skills preinstalados: GitHub (PRs, issues, commits), MLOps (entrenar modelos, generar datasets), diagramas, notas y muchos más disponibles en la comunidad.
Actualizar Skills
hermes update
Multi-agente: coordinar equipos de agentes
Hermes puede actuar como coordinador y delegar tareas a sub-agentes que corren en paralelo. Cada sub-agente tiene su propio contexto, terminal y Skills.
Ejemplo práctico: si tenés que procesar 100 documentos, Hermes puede crear 10 sub-agentes en paralelo, asignar 10 documentos a cada uno, y combinar los resultados al final. Esto reduce el tiempo de proceso dramáticamente y no consume el contexto del agente principal.
Hermes también puede enrutar distintas sub-tareas al modelo más adecuado. Por ejemplo, usar Claude Opus para análisis complejos y un modelo local para tareas sensibles que no deben salir de tu red.
Capacidades web y de visión
Incluido de fábrica, sin configuración extra:
Capacidad
Qué puede hacer
Búsqueda web
Buscar información actualizada en internet
Extracción de páginas
Leer y analizar el contenido de cualquier URL
Automatización de navegador
Navegar, hacer clic, completar formularios
Screenshots
Capturar pantallas de páginas web
Análisis de imágenes
Describir, analizar y extraer info de imágenes
Generación de imágenes
Crear imágenes con prompts de texto
Text-to-Speech
Convertir texto en audio
Ejemplo de lo que podés pedir: «Entrá a mi panel de admin, buscá todos los pedidos de hoy y exportalos a un CSV.»
Seguridad y privacidad
Característica
Detalle
Sin telemetría
Cero datos enviados a Nous Research ni terceros
Sin tracking
No registra tus conversaciones en servidores externos
Datos locales
Todo se guarda en ~/.hermes/ en tu máquina
Container hardening
Root de solo lectura, capacidades reducidas
MIT License
Podés auditar cada línea de código
Sin lock-in
Cambiás de modelo o proveedor cuando querés
Para entornos regulados (HIPAA, CMMC, etc.): combiná Hermes con Ollama para que absolutamente ningún dato salga de tu red.
Opciones de hospedaje gestionado
Si no querés encargarte del servidor, existen opciones donde todo viene listo:
OpenHosst — desde USD $2.99/mes, prueba gratuita de 7 días sin tarjeta. Hermes preinstalado y configurado. portal.openhosst.com
NVIDIA RTX / DGX Spark — para usuarios con hardware NVIDIA que quieren máximo rendimiento on-premise con aceleración GPU.
Petronella Technology Group — para organizaciones con requisitos de compliance (HIPAA, CMMC, SOC 2). Deployments desde USD $5.000.
Para uso personal y equipos pequeños, la opción self-hosted es completamente gratis. Solo pagás el servidor y las APIs de modelos que uses.
Casos de uso prácticos
Desarrolladores
Code reviews automáticos de PRs en GitHub
Generar tests unitarios para código existente
Documentar APIs y funciones automáticamente
Monitorear logs y notificar errores en Slack
Creadores de contenido
Briefing diario de noticias relevantes a tu nicho
Generar borradores de posts basados en tendencias
Investigar temas y crear resúmenes automáticamente
Operaciones y negocios
Reportes de ventas mensuales automáticos
Monitorear disponibilidad de servidores con alertas
Procesar y clasificar emails entrantes
Actualizar bases de datos con información de la web
Investigadores
Procesar miles de papers en paralelo con sub-agentes
Generar datasets de entrenamiento para fine-tuning
Exportar trayectorias en formato ShareGPT
Integración con Atropos para experimentos de RL
Solución de problemas comunes
El comando ‘hermes’ no se reconoce El PATH no se actualizó. Cerrá y volvé a abrir la terminal, o ejecutá: source ~/.bashrc
Error de API Key inválida Ejecutá hermes model y reingresá la API key.
Hermes no recuerda conversaciones anteriores Verificá que ~/.hermes/ existe y tiene permisos de escritura.
El gateway de mensajería no responde Ejecutá hermes gateway o verificá el servicio: systemctl status hermes-gateway
Modelo muy lento o sin respuesta Si usás un modelo local, probá uno más chico: ollama pull llama3.1:8b. O usá un proveedor cloud.
Error de Docker: permiso denegado Ejecutá sudo usermod -aG docker $USER y reiniciá sesión.
Gartner proyecta que para fin de 2026 el 40% de las apps empresariales van a incorporar agentes IA con tareas específicas, contra menos del 5% en 2025. En Argentina, el salto ya se siente: de la teoría de «arquitecturas multiagente» a un estándar de conexión real que corre en producción. Repasamos qué cambió y qué significa para quien está armando su propio sistema hoy.
El salto que no fue gradual
Hace apenas dos años, hablar de «arquitecturas multiagente» era terreno de papers y ebooks técnicos: diagramas de agentes con memoria, herramientas y patrones de coordinación (router, jerárquico, secuencial, paralelo) que sonaban más a diseño de software que a algo que una empresa mediana pudiera correr en producción. Ese material sigue siendo válido — la gramática no cambió —, pero en 2026 dejó de ser el tema central. Lo que pasó a ocupar ese lugar es la pregunta de cómo se conectan esos agentes entre sí y con las herramientas reales de una empresa, sin que cada integración sea un desarrollo a medida.
Gartner lo puso en números: los agentes de IA para tareas específicas van a pasar de estar en menos del 5% de las aplicaciones empresariales en 2025 a un 40% para fines de 2026. No es adopción incremental — es el tipo de salto que reordena qué vale la pena construir hoy.
MCP: el estándar que resolvió el problema de fondo
El obstáculo real de un sistema multiagente nunca fue diseñar los patrones de coordinación — eso ya estaba resuelto conceptualmente. El obstáculo era conectar cada modelo con cada herramienta externa (una base de datos, un CRM, el sistema de archivos) sin que cada combinación exigiera su propio desarrollo a medida. Anthropic publicó el Model Context Protocol (MCP) a fines de 2024 como respuesta a ese problema — un estándar abierto para que cualquier agente hable con cualquier herramienta sin integración a medida — pero en 2026 pasó de propuesta a infraestructura real: gobernanza abierta bajo la Fundación Linux, adopción de OpenAI, Google DeepMind, Databricks y Salesforce, y más de 10.000 servidores MCP públicos ya disponibles a comienzos de año. La comparación que más se repite es la correcta: es el USB-C de la IA — un conector único en lugar de un cable distinto para cada combinación de modelo y herramienta.
La agenda que Anthropic viene marcando para lo que resta de 2026 — autenticación empresarial vía OAuth y SSO, permisos por rol, auditoría de qué hizo cada agente y por qué — es la parte que ningún material de 2024 podía anticipar, porque son problemas que solo aparecen cuando el sistema ya está en producción con datos reales, no en un demo.
Argentina, en la mitad de la curva
Los números de adopción en la región conviene leerlos con la salvedad de que cada estudio mide distinto (algunos hablan de «usa IA» en sentido amplio, otros de agentes autónomos específicamente), pero la dirección es consistente: Argentina aparece entre los países de mayor adopción de IA de la región, con estimaciones que van del 29% al 68% según la métrica y la fuente. Al mismo tiempo, un dato de la Universidad Siglo 21 marca la brecha real: el 76% de las tareas en empresas argentinas tiene potencial de automatización, pero menos del 15% de las PyMEs implementó algo concreto todavía. Ahí está la oportunidad — no en la tecnología en sí, sino en cerrar esa distancia.
El stack que domina esa implementación en Argentina hoy es, según relevamientos de consultoras locales, la combinación de n8n como orquestador con la API de un modelo como Claude o GPT-4 para la generación — el mismo patrón «monitor de fuentes → agente redactor → aprobación humana → publicación» que sirve tanto para automatizar un ecosistema editorial como para un bot de atención al cliente o un sistema de gestión interno. La arquitectura es la misma; lo que cambia es a qué herramientas se conecta cada agente.
Lo que esto significa para armar un sistema propio hoy
Si el objetivo es una arquitectura multiagente real y no un diagrama, el orden de prioridades cambió respecto a hace un año: primero definir qué conecta con qué (¿hay servidores MCP ya armados para las herramientas que vas a usar, o hay que construir la integración?), después elegir el patrón de coordinación (secuencial alcanza para la mayoría de los pipelines de contenido; jerárquico tiene sentido recién cuando hay múltiples fuentes y decisiones de enrutamiento no triviales), y recién al final optimizar el prompt de cada agente individual. Es el orden inverso al que proponía la generación de guías de 2024, que empezaban por los patrones y dejaban la conectividad como detalle de implementación — hoy la conectividad es la decisión que más condiciona todo lo demás.
Fuentes:
Gartner, proyección de adopción de agentes IA en apps empresariales 2025→2026
Anthropic — anuncio y roadmap del Model Context Protocol (MCP), 2024-2026
Linux Foundation — gobernanza abierta de MCP, 2026
ebankingnews.com — «Adopción de IA en 2026: Liderazgo Global y Avance de LatAm» (jul-2026)
ecosistemastartup.com — «IA empresarial 2026: 95% de empresas la adoptan» (abr-2026)
Universidad Siglo 21 / Duotach — «Top 5 Consultoras de IA en Argentina 2026» (jun-2026)
diegoceredi.com — «Agentes autónomos 2026: el mapa para empresas argentinas» (jun-2026)
Weaviate — ebook «Agentic Architectures for retrieval-intensive applications» (fundamentos y patrones)
Andrew Ng presentó OpenWorker, un agente de inteligencia artificial de código abierto que no se limita a chatear con el usuario, sino que entrega trabajo terminado: documentos redactados, mensajes de Slack enviados o eventos de calendario actualizados. El anuncio lo hizo el propio Ng junto a su socio Rohit Prasad, y la herramienta ya está disponible para descargar en Mac, con versión para Windows en camino.
El producto llega en un momento en que la carrera por los agentes de IA se acelera en todo el mundo, y Argentina no queda al margen de esa tendencia. OpenWorker funciona como una aplicación de escritorio construida con Tauri 2 y una interfaz en React, que se comunica con un servidor local en Python montado sobre FastAPI. A diferencia de otros asistentes que dependen de un servicio de inferencia propio, esta herramienta no tiene modelo propietario: el usuario debe traer su propia clave de API y elegir entre proveedores como OpenAI, Google o Anthropic, o bien optar por modelos de peso abierto como GLM, DeepSeek o Kimi, e incluso correr todo de forma local con Ollama para que los datos nunca salgan de la máquina.
El anuncio generó movimiento inmediato en el ecosistema de desarrolladores y en las redes de discusión tecnológica, donde OpenWorker fue comparado con otros agentes de escritorio que compiten por resolver tareas de oficina de punta a punta. El motor de la herramienta se apoya en aisuite, la biblioteca de enrutamiento de modelos que el propio Ng viene desarrollando, lo que le permite a las empresas alternar entre proveedores sin reescribir el código de sus flujos de trabajo. El repositorio publicado en GitHub suma más de 30 mil líneas de código en Python y una capa de permisos que clasifica cada acción del agente en cuatro niveles de riesgo, desde una simple lectura de archivos hasta una acción externa que requiere aprobación explícita del usuario antes de ejecutarse.
De cara a los próximos meses, el lanzamiento profundiza una discusión que ya venía instalada en la industria: si conviene depender de agentes cerrados y gestionados por una nube, o si el camino es hacia herramientas abiertas que corren en la computadora del usuario y solo se conectan a un proveedor de modelos cuando hace falta. No faltaron las voces críticas, que señalaron que aun con el código abierto, la dependencia de las claves de API de gigantes como OpenAI o Anthropic mantiene atada a la herramienta a esos mismos proveedores. Para los equipos de desarrollo y las empresas que evalúan sumar agentes a sus procesos, OpenWorker aparece como una alternativa concreta, gratuita y auditable, aunque con una barrera de entrada más alta que la de un asistente listo para usar: hay que instalar la aplicación, configurar las claves y, por ahora, contar con una computadora Mac.
Google presentó Gemini 3.6 Flash, la actualización más reciente de su línea de modelos livianos, orientada a aplicaciones que priorizan velocidad de respuesta y menor costo por consulta sobre el máximo poder de razonamiento. El lanzamiento se suma a una seguidilla de anuncios de modelos de frontera durante julio, en un momento en que la industria de la IA se mueve cada vez más hacia familias de modelos especializados por tarea y presupuesto, en lugar de apostar a un único modelo insignia.
Gemini 3.6 Flash se ubica dentro de la estrategia de Google de ofrecer variantes de distinto tamaño y costo computacional dentro de una misma familia, de forma similar a como OpenAI dividió su línea GPT-5.6 en versiones orientadas a razonamiento de alto nivel y versiones más económicas para tareas de uso masivo. Para desarrolladores empresariales, contar con una versión «Flash» actualizada significa poder desplegar asistentes conversacionales, herramientas de clasificación de datos o agentes de bajo costo sin necesidad de recurrir a los modelos más caros de la familia Gemini para cada tarea.
El lanzamiento se produce en un contexto de fuerte presión de precios en toda la industria: en julio se sucedieron los debuts de Grok 4.5 de xAI, la familia GPT-5.6 de OpenAI y modelos abiertos como Kimi K3 y Muse Spark 1.1, todos compitiendo por ofrecer más capacidad a menor costo por token. Analistas del sector describen este movimiento como el inicio de una verdadera guerra de precios en inferencia, en la que el costo de ejecutar inteligencia de frontera cae a un ritmo comparable al de una ley de Moore acelerada.
Para el usuario final, la multiplicación de modelos rápidos y económicos como Gemini 3.6 Flash se traduce en asistentes de IA integrados en más productos cotidianos —desde buscadores hasta aplicaciones móviles— sin los costos de latencia y factura que implicaban los modelos de mayor tamaño. La contracara es una industria cada vez más fragmentada, en la que elegir el modelo correcto para cada tarea específica se vuelve una decisión técnica y económica central para empresas y desarrolladores, y en la que la velocidad de iteración deja cada vez menos margen para el análisis pausado de riesgos de seguridad de cada nuevo lanzamiento.
Fuentes: AI Release Tracker: https://aireleasetracker.com/latest AIapps (July 2026 AI Mega-Update): https://www.aiapps.com/blog/july-ai-mega-update-major-breakthroughs-launches/
AI1 año ago
Nano1 año ago
AI8 meses ago
AI1 año ago