Hermes Agent가 보여주는 장기 운영형 AI 에이전트의 방향

핵심 요약: AI 에이전트의 다음 단계는 더 긴 프롬프트나 더 똑똑한 모델만으로 오지 않는다. 실제 업무에서 오래 쓰이는 에이전트는 사용자를 기억하고, 반복 업무를 절차로 남기고, 여러 채널에서 접근 가능하며, 필요할 때 자동으로 실행되고, 실패와 수정 경험을 다음 작업에 반영해야 한다. Hermes Agent는 이 방향을 비교적 선명하게 보여주는 오픈소스 에이전트 프레임워크다.

일회성 챗봇과 장기 운영형 에이전트는 다르다

대부분의 AI 도입은 처음에 챗봇에서 시작한다. 질문을 입력하면 답변이 돌아오고, 문서를 넣으면 요약을 해준다. 이 단계만으로도 충분히 유용하지만, 실제 조직 업무에 들어가면 곧 한계가 드러난다.

업무는 한 번의 대화로 끝나지 않는다. 지난번에 정한 기준을 기억해야 하고, 특정 프로젝트의 파일 구조를 알아야 하며, 매주 반복되는 리포트를 처리해야 하고, 사용자의 선호와 의사결정 방식을 반영해야 한다. 또 업무는 노트북 앞에서만 일어나지 않는다. Telegram, Slack, 이메일, 터미널, 서버, 브라우저, GitHub, 내부 문서 등 여러 표면을 오간다.

그래서 장기 운영형 AI 에이전트에는 단순한 대화 능력보다 더 많은 구조가 필요하다.

• 사용자와 환경을 기억하는 메모리
• 반복 절차를 재사용 가능한 스킬로 남기는 학습 구조
• 터미널, 파일, 웹, 브라우저, 외부 도구를 다루는 실행 권한
• 메시징 플랫폼과 연결되는 원격 접근성
• 정기 작업과 백그라운드 실행
• 작업을 나누고 병렬로 수행하는 위임 구조
• 실패와 수정 경험을 다음 작업에 반영하는 운영 루프

Hermes Agent는 무엇인가

Hermes Agent는 Nous Research가 만든 오픈소스 AI 에이전트 프레임워크다. 공식 문서는 Hermes를 “the agent that grows with you”라고 설명한다. 핵심은 에이전트가 단순히 응답하는 도구가 아니라, 시간이 지날수록 사용자와 업무 환경에 맞춰 더 잘 작동하도록 설계되었다는 점이다.

Hermes는 터미널에서 실행할 수 있고, Telegram, Discord, Slack, WhatsApp, Signal, Email 등 여러 메시징 플랫폼을 통해 접근할 수 있다. 로컬 환경뿐 아니라 Docker, SSH, Modal, Daytona 같은 다양한 실행 환경도 지원한다. 모델도 특정 공급자에 묶이지 않는다. Nous Portal, OpenRouter, OpenAI, Anthropic, 로컬 또는 호환 엔드포인트를 상황에 따라 선택할 수 있다.

이 조합은 Hermes를 단순한 “코딩 에이전트”보다 넓은 범주에 놓는다. Hermes는 개발, 리서치, 시스템 운영, 문서 작업, 자동화, 개인 업무 운영을 하나의 장기 세션 구조 안에서 다루려는 시도에 가깝다.

핵심은 닫힌 학습 루프다

Hermes에서 가장 중요한 개념은 closed learning loop다. 에이전트가 작업을 수행하고, 그 과정에서 얻은 교훈을 메모리나 스킬로 남기며, 다음 세션에서 다시 활용하는 구조다.

일반적인 AI 도구는 세션이 끝나면 많은 맥락을 잃는다. 사용자는 매번 “우리 프로젝트는 이런 구조고, 나는 이런 답변을 선호하고, 이 명령은 이렇게 실행해야 한다”라고 다시 설명해야 한다. Hermes는 이 반복을 줄이려 한다.

공식 문서 기준으로 Hermes의 학습 루프는 다음 요소로 구성된다.

• 지속 메모리
• 스킬 생성과 개선
• 과거 세션 검색
• 사용자 모델링
• 도구 사용 경험의 절차화

이 구조가 중요한 이유는 명확하다. 조직에서 AI가 실제로 도움이 되려면, 매번 새로 시작하는 인턴이 아니라 축적되는 운영자에 가까워져야 하기 때문이다.

메모리: 사용자를 아는 에이전트

Hermes의 메모리는 사용자의 선호, 프로젝트 환경, 반복되는 제약, 도구 사용상의 교훈을 다음 세션에서도 활용하기 위한 장치다. 공식 문서에 따르면 Hermes는 사용자 프로필과 에이전트 메모리를 분리해 관리하고, 세션 시작 시 이를 시스템 프롬프트에 주입한다.

이 방식은 단순히 “기억력이 좋다”는 편의 기능이 아니다. 장기 운영형 에이전트에서는 메모리가 품질과 비용 모두에 영향을 준다.

• 사용자가 같은 설명을 반복하지 않아도 된다.
• 프로젝트별 관례와 금지사항을 지킬 가능성이 높아진다.
• 실패했던 접근을 다시 반복할 가능성이 낮아진다.
• 대화가 짧아지고 의사결정 속도가 빨라진다.

다만 메모리는 무제한으로 쌓는 것이 아니다. Hermes는 메모리 용량을 제한하고, 필요한 정보를 선별해 남기는 방식을 취한다. 이 점이 중요하다. 장기 메모리는 많을수록 좋은 것이 아니라, 정확하고 재사용 가능한 것만 남아야 한다.

스킬: 반복 업무를 절차로 바꾸는 방식

Hermes의 또 다른 핵심은 Skills다. 스킬은 특정 업무를 잘 수행하기 위한 절차, 명령, 주의사항, 검증 기준을 담은 문서다. 필요할 때만 로드되는 progressive disclosure 구조를 사용해 토큰 낭비를 줄인다.

이 개념은 기업 업무에 매우 중요하다. 많은 AI 실패는 모델이 몰라서가 아니라, 조직 고유의 절차와 예외를 모르기 때문에 발생한다. 배포 방식, 문서 작성 규칙, 리뷰 기준, 데이터 처리 순서, 보안 예외, 고객별 표현 방식은 일반 모델 지식에 들어 있지 않다.

스킬은 이 지식을 에이전트가 반복적으로 사용할 수 있는 형태로 바꾼다.

좋은 스킬은 에이전트에게 “이 업무를 우리 조직에서는 이렇게 한다”를 알려주는 운영 문서다.

Hermes가 흥미로운 이유는 스킬이 단순 참고문서에 머물지 않는다는 점이다. 작업 중 발견한 절차를 저장하고, 기존 스킬이 틀렸거나 부족하면 수정하며, 시간이 지나면서 에이전트의 업무 처리 방식이 조직에 맞게 누적된다.

메시징 게이트웨이: 에이전트가 있는 곳을 바꾼다

AI 에이전트가 실제 업무 파트너가 되려면 사용자가 늘 같은 터미널 앞에 있을 필요가 없어야 한다. Hermes의 Messaging Gateway는 이 지점을 건드린다. 하나의 에이전트를 Telegram, Discord, Slack, WhatsApp, Signal, Email 등 여러 채널에서 사용할 수 있게 한다.

이 기능은 단순 채팅 연결 이상의 의미가 있다. 에이전트가 로컬 머신이나 서버에서 도구를 사용할 수 있으면서도, 사용자는 모바일 메시지로 지시하고 결과를 받을 수 있다. 예를 들어 다음과 같은 흐름이 가능해진다.

• 이동 중 Telegram으로 작업 지시
• 에이전트가 서버에서 파일, Git, 브라우저, 웹 도구 사용
• 진행 결과를 같은 채널로 회신
• 필요 시 승인 또는 추가 지시

이 구조는 AI를 “앱 안 기능”이 아니라 운영 표면 전체에 걸친 작업자로 바라보게 만든다.

스케줄링과 위임: 혼자 대답하는 AI에서 일하는 시스템으로

Hermes는 cron-style scheduled automation을 지원한다. 자연어로 정의한 작업을 정해진 시간에 실행하고, 결과를 원하는 플랫폼으로 전달할 수 있다. 매일 아침 리포트, 정기 모니터링, 백업 점검, 가격 추적, 로그 요약처럼 반복되는 작업에 적합하다.

또한 delegation 구조를 통해 독립된 하위 에이전트에게 작업을 나눌 수 있다. 하나의 에이전트가 모든 것을 순차적으로 처리하는 대신, 리서치, 코드 리뷰, 문서 정리, 테스트 분석처럼 분리 가능한 일을 병렬로 맡기는 방식이다.

이 두 기능은 AI 에이전트를 대화형 도구에서 운영 시스템으로 이동시킨다. 중요한 것은 “답변을 얼마나 잘하느냐”가 아니라, 작업을 언제, 어디서, 어떤 권한으로, 어떤 기록을 남기며 실행하느냐가 된다.

Hermes가 기업 AI 운영에 주는 시사점

Hermes는 그대로 기업 내부 표준이 되어야 한다는 뜻의 사례는 아니다. 오픈소스 에이전트 프레임워크를 실제 조직에 넣으려면 보안, 권한, 감사 로그, 데이터 경계, 모델 사용 정책을 별도로 설계해야 한다.

그러나 Hermes가 보여주는 방향은 중요하다.

이 관점은 BrandsMore가 보는 AI 운영 구조와도 맞닿아 있다. AI를 하나의 기능으로 붙이는 것이 아니라, 조직의 지식, 도구, 승인, 실행, 기록, 반복 개선을 함께 설계해야 한다는 뜻이다.

도입 시 주의할 점

장기 운영형 에이전트는 강력하지만, 그만큼 설계 없이 열어두면 위험하다. 특히 기업 환경에서는 다음 기준이 필요하다.

• 권한 경계: 에이전트가 읽을 수 있는 파일, 실행할 수 있는 명령, 접근할 수 있는 외부 시스템을 제한해야 한다.
• 승인 단계: 고객 발송, 결제, 삭제, 배포, 계약 변경처럼 영향이 큰 작업은 사람 승인을 기본으로 둬야 한다.
• 로그와 감사: 어떤 지시를 받고, 어떤 도구를 호출했으며, 어떤 결과를 남겼는지 추적 가능해야 한다.
• 메모리 품질: 오래된 정보, 일시적 작업 상태, 잘못된 선호가 메모리에 남지 않도록 관리해야 한다.
• 스킬 관리: 스킬은 자산이지만 방치되면 부채가 된다. 사용성과 최신성을 점검해야 한다.
• 모델·비용 관리: 작업 성격에 따라 빠른 모델, 강한 모델, 로컬 모델을 나누는 라우팅 기준이 필요하다.

결론: 에이전트의 경쟁력은 축적 구조에서 나온다

Hermes Agent가 보여주는 핵심은 “AI가 더 똑똑해졌다”가 아니다. 더 중요한 메시지는 AI가 오래 일하기 위한 구조다.

메모리, 스킬, 세션 검색, 메시징 게이트웨이, 스케줄링, 위임, 다양한 실행 환경이 결합되면 에이전트는 일회성 답변 도구에서 장기 운영 파트너에 가까워진다. 앞으로의 AI 도입 경쟁력은 어떤 모델을 쓰는가만이 아니라, 그 모델이 조직 안에서 얼마나 잘 기억하고, 실행하고, 기록하고, 개선되는가에 달려 있다.

Hermes는 그 방향을 실험할 수 있는 좋은 사례다. 그리고 기업 AI 시스템을 설계할 때도 이 질문은 그대로 남는다.

우리 조직의 AI는 매번 새로 시작하는가, 아니면 일하면서 배워가고 있는가?