ИИ-агент Hermes от Nous Research обновили — мы примерили его к своей платформе ИИ-агентов и оставили себе только идеи

Клиент, у которого мы уже полгода пилим корпоративного помощника, прислал ссылку и одну строчку: «А зачем мы пишем своё, если Hermes выкатил v2026.9.11 с persistent memory?» Обычно после таких сообщений начинается неделя разговоров про то, что не всё то ИИ-агент, что называется ИИ-агентом. Но в этот раз мы решили молча пойти и попробовать. Развернули Hermes Agent от Nous Research у себя на стенде, прогнали через него пару живых сценариев и вернулись к своей платформе ИИ-агентов с очень конкретным списком, что оттуда забрать, а что оставить как есть.

Тем более, что повод действительно был. За месяц вышли и патчи к Hermes, и managed-платформы у крупных облачных игроков, и обновления мультиагентных фреймворков. Ощущение, что рынок обгоняет тебя каждую неделю, — стабильный фон разработчика ИИ-агентов в 2026 году. Поэтому «взять готовое» — это не праздный вопрос, а нормальный корпоративный вопрос про экономику.

Что именно обновили и почему это выглядело красиво

Nous Research позиционирует свой ИИ-агент Hermes как self-improving: у него есть постоянная память в SQLite, слой навыков, встроенный полнотекстовый поиск и умение подключаться к любой модели — от локальной Qwen или Llama до облачной. В свежем патче они пофиксили ровно те грабли, на которые раньше жаловались в issues: блокировки сессий в state.db, странные хвосты в FTS, гонки при параллельных запросах.

С точки зрения инженера, который сам разрабатывает ИИ-агентов для бизнеса, релиз выглядел как аккуратный подарок. Persistent memory из коробки. Скиллы из коробки. Возможность подключить агент модели ИИ по своему выбору — российский GigaChat Pro, YandexGPT или локальный Qwen — тоже из коробки. Половина того, что мы сами два года собирали на PostgreSQL, pgvector и FastAPI, у них теперь лежит одним репозиторием.

Ход мысли клиента был понятен: платформа ИИ-агентов, которую можно скачать, поставить и запустить, — это заманчиво. Особенно на фоне разговоров про импортозамещение, где чем меньше кастомного кода, тем проще жить.

Развернули за вечер, а на второй день поняли, чего не хватает

Развернуть Hermes оказалось действительно быстро. Подключили к нему GigaChat Pro через совместимый интерфейс — работает. Скормили небольшой корпус документов — индексируется, ответы приходят. На демо-задачах ИИ-агент отвечает уверенно и по делу.

Проблемы начались, когда мы попробовали упаковать в него реальный клиентский сценарий: подготовку ответа менеджеру по входящей заявке от B2B-клиента.

Первое, что бросилось в глаза, — Hermes думает про мир как одиночный агент с памятью. У нас же на любом проекте живёт связка ролей: классификатор запроса, извлекатель полей, юрист, продавец, отдельный проверяющий на галлюцинации. Каждая роль — со своим промптом, своей моделью и своими правами на инструменты. Уложить эту сетку в одну сущность с общей памятью значит потерять половину контроля, ради которого мы её собирали.

Второе — persistent memory в state.db хорош для персонального ассистента. Для корпоративного контура, где сотни менеджеров и десятки тысяч клиентов, нужна не «память агента», а нормальная база с ролями, аудитом и жизненным циклом записи. Мы это уже прошли, когда учили ИИ-агента не путать живого клиента с ночным батчем: у памяти должна быть структура, а не куча заметок.

Третье — навыки. Hermes умеет учиться новым навыкам сам, и это красиво выглядит в демо. В продакшене клиенту нужно ровно обратное: чтобы менеджер продукта явно завёл навык, подписал его, отправил на ревью и только потом выкатил. Самообучение без контроля — это милый эксперимент, а не корпоративный процесс.

Где мы честно поймали себя на «а у нас же так же»

Было бы нечестно писать только про то, чем чужое решение хуже нашего. По-хорошему, часть их идей била точно в те места, которые мы у себя уже переделывали, но с другого края.

Их FTS-слой поверх SQLite оказался быстрее, чем мы ожидали. У нас всё лежит на pgvector, но с полнотекстовым поиском мы долго спорили — включать ли на ту же PostgreSQL или выносить. Посмотрев на Hermes, мы окончательно уверились: держать FTS рядом с векторами в одном хранилище — правильное решение, экономит целый слой сервисов.

Их подход к описанию скиллов через YAML тоже понравился. У нас навыки лежат в PostgreSQL и правятся через админку, но описание того, что скилл делает, каких данных требует и как проверяется, у нас было размазано между полями. После Hermes мы собрали единый паспорт скилла — с входами, выходами, проверками и владельцем. Стало проще передавать скилл заказчику, чтобы он сам мог его дописать.

И, наконец, они правильно решили проблему параллельных сессий через блокировку на уровне state.db. У нас похожая история решается через pg_try_advisory_xact_lock — раньше мы про это уже писали. Приятно было увидеть, что коллеги пришли к той же идее с другой стороны.

Почему в итоге ИИ-агенты клиента остались на нашей платформе

Разговор с клиентом получился коротким. Мы показали ему две вещи. Во-первых, ответы ИИ-агента на его собственных документах: у Hermes — общий, «на троечку». У нашего — сразу с нужными формулировками, потому что мы полгода настраивали промпты и разбивку под его контракты. Ту самую тонкую настройку, ради которой люди и заказывают разработку ИИ-агентов, а не берут коробку.

Во-вторых, показали таблицу с ролями. У него сорок с лишним менеджеров, каждый работает со своей группой клиентов, и ИИ-агент должен знать, кому что можно писать, а кому нельзя. Persistent memory одного агента такого не даёт в принципе — нужна платформа с ролевой моделью, аудитом и историей правок. Ровно то, что мы и строим.

Клиент кивнул. Через неделю прислал ещё одну ссылку — на новый релиз Nous Research — и подписал её так: «Просто чтобы вы видели, что делают другие». Именно за этим мы и держим стенд с открытыми ИИ-агентами: не для того, чтобы заменять свой код, а чтобы каждую неделю сверяться с тем, куда движется индустрия.

Что стоит забрать читателю

Готовый ИИ-агент Hermes — отличный инструмент для персональной автоматизации и быстрых прототипов. Он честно решает то, что заявляет. Но между «скачал и запустил» и «работает в корпоративном контуре под 152-ФЗ, с ролями, аудитом и живой поддержкой» лежит примерно та же дистанция, что между Excel и учётной системой предприятия.

Если у вас есть соблазн сэкономить на разработке ИИ-агентов и взять с полки — задайте себе три вопроса. Кто будет отвечать за качество ответов через полгода, когда обновится модель? Как в этой платформе устроены роли и права? И что будет, когда клиент попросит поменять поведение агента в одной конкретной ветке диалога, не трогая остальное?

Если ответы «мы что-нибудь придумаем», — берите готовое, попробуете, поймёте цену вопроса. Если ответы «а вот как именно», — приходите, у нас как раз про это платформа.