Hermes Agent vs EvoMap: Dos formas de corregir la memoria del agente
Hola, soy Lena. Hay algo que seguía notando y no sabía cómo llamarlo durante un tiempo.
Observaba a un agente trabajar en un problema, algo que requería un verdadero intercambio de ideas, algunos pasos en falso, y finalmente una solución que realmente funcionaba. Y luego la sesión terminaba. Al día siguiente, el mismo agente, el mismo tipo de problema. Comenzaba desde el principio. Los mismos pasos en falso. La misma duración. La misma solución, redescubierta desde cero.
Me pregunté si eso era simplemente… así como funcionaba. Si eso era lo esperado.
Creo que asumí que sí.
El caso es que la mayoría de las herramientas que había visto anteriormente no afirmaban lo contrario. Memoria significaba "guardamos tu historial de chat." Eso no es nada, pero no es lo mismo que el agente aprender algo. Aprender implica que el próximo intento sea diferente del anterior. Que la solución encontrada a las 11 p. m. de un martes se utilice nuevamente el miércoles. Que el patrón se conserve, no solo se registre.
Ahí fue cuando comencé a prestar atención a dos proyectos que parecen estar trabajando en este problema, desde diferentes enfoques, en diferentes capas. Uno es Hermes Agent, un agente de código abierto de Nous Research que construye un bucle de aprendizaje alrededor de la vida útil de un solo agente. El otro es EvoMap, una capa de infraestructura que plantea una pregunta más amplia: ¿y si la solución que encuentra un agente pudiera ser heredada por todos los demás agentes en la red?
Todavía no estoy completamente segura de entender todo lo que hace cada uno. Pero he estado observando ambos el tiempo suficiente como para que algunas cosas comiencen a tomar forma.
Esto es lo que mi comprensión tiene hasta ahora.
El problema que ambos intentan resolver
Seguía encontrándome con lo mismo al observar a los agentes trabajar.
Una sesión termina. La siguiente comienza. El agente vuelve a explicar el contexto que ya tenía. Comete el mismo error que cometió la semana pasada. La solución que tomó cuarenta y cinco minutos la primera vez — necesita suceder de nuevo, desde cero. No hay rastro de que alguna vez haya ocurrido antes.
Tanto Hermes Agent como EvoMap parecen estar respondiendo a esto. Ninguno lo acepta como inevitable. Pero están actuando en capas muy diferentes — y no estaba segura de entender cuál capa era cuál hasta que pasé más tiempo con ambos.
El punto de partida compartido: la experiencia del agente no debería evaporarse cuando termina una sesión. Esa es la premisa en la que coinciden. Lo interesante es hacia dónde van desde ahí.
Lo que realmente hace Hermes Agent
Memoria persistente y el bucle de aprendizaje
Tras completar una tarea compleja —normalmente cinco o más llamadas a herramientas— Hermes puede sintetizar esa experiencia en un documento de habilidades permanente y reutilizable. Estas habilidades se almacenan como archivos estructurados de Markdown siguiendo el estándar de agentskills.io abierto, e incluyen procedimientos, riesgos y pasos de verificación.
Me quedé pensando en eso un momento. No es solo guardar un registro. Es el agente decidiendo: esto merecía la pena conservarlo. Y la siguiente vez que surge una tarea similar, carga la habilidad en lugar de empezar de nuevo.
Elsistema de memoria utiliza búsqueda en texto completo FTS5 sobre todas las sesiones anteriores almacenadas en SQLite, combinado con un resumen impulsado por LLM. El agente puede buscar conversaciones de semanas atrás, extraer detalles específicos y aplicarlos al trabajo actual.
También hay una capa de modelado de usuario — Honcho — que construye una comprensión progresivamente más profunda de cómo trabajas, qué prefieres y cómo te comunicas. Una cosa que la documentación no deja clara: Honcho está desactivado por defecto. Vale la pena saberlo antes de esperarlo.
! [imagen] (https://cdn.z-image.ai/1775630450532-22.png)
El estándar agentskills.io
Las habilidades que genera Hermes siguen la especificación abierta agentskills.io. Las habilidades de los agentes son un formato sencillo y abierto para dotar a los agentes de nuevas capacidades: carpetas de instrucciones, scripts y recursos que los agentes pueden descubrir y utilizar para mejorar en tareas específicas. El formato es mantenido por Anthropic bajo Apache 2.0, abierto a contribuciones de la comunidad.
Más de once herramientas han adoptado agentskills.io — incluyendo Claude Code, Cursor, GitHub Copilot, Gemini CLI, VS Code, Amp, Goose, Roo Code, Kiro, Codex y OpenCode. Una habilidad escrita para Hermes Agent funciona en Claude Code.
Esa es una parte que realmente me llamó la atención. El formato de habilidades no está limitado a Hermes. Está pensado para ser portátil. Si esa portabilidad se usa en la práctica depende de la persona que construye el flujo de trabajo, pero la opción está ahí.
Donde se detiene Hermes
Aquí está la parte que aún no estoy del todo seguro de haber entendido bien.
El bucle de aprendizaje se cierra dentro de la vida de un agente. Las habilidades se acumulan localmente. Una segunda instancia de agente comienza desde cero. No existe ningún mecanismo para que una solución descubierta por un agente se propague automáticamente a otro. La especificación agentskills.io en sí no dice nada sobre la gestión del ciclo de vida de habilidades — no hay estados de validación, ni señales de aptitud, ni herencia entre agentes. Las habilidades pueden compartirse manualmente. No viajan por sí solas.
Eso no es un defecto, exactamente. Es una elección de diseño. Hermes se optimiza para la profundidad dentro de las sesiones de un agente. Solo quiero ser claro sobre lo que significa en la práctica "crecer contigo": significa este agente, con tu historial. No la red.
Lo que EvoMap / GEP realmente hace
Gen y Cápsula como activos a nivel de red
El punto de partida de EvoMap es diferente. La pregunta no es "¿cómo recuerda este agente?" sino "¿cómo lo que un agente aprende se hereda por otros?"
Los genes son unidades de capacidad atómica: fragmentos de código o de prompt reutilizables y validados. Las cápsulas son caminos de ejecución de tareas exitosas: cuando un agente resuelve un problema complejo, el proceso se encapsula en una Cápsula.
Lo que me hizo volver a mirar: cada activo de GEP tiene un ID dirigido por contenido SHA-256. La misma solución siempre obtiene el mismo ID sin importar quién la publica, lo que permite la deduplicación, la detección de manipulaciones y la referencia global.
Eso no es una base de conocimientos. Es una red direccionable por contenido de soluciones comprobadas. La misma solución, publicada por diferentes agentes en diferentes entornos, resuelve al mismo identificador.
La máquina de estados del ciclo de vida de GEP
Esta es la parte que no tiene equivalente en Hermes, y es el núcleo técnico de la diferencia.
Los activos en el protocolo GEP pasan por cuatro estados: candidato (recién publicado, pendiente de revisión) → promovido (verificado y disponible para distribución) → rechazado (falló la verificación o la comprobación de políticas) → revocado (retirado por el publicador).
Los activos deben alcanzar una puntuación mínima de GDI para ser promovidos. Los activos con puntuaciones bajas son rechazados o puestos en cuarentena para mejorar — no hay anulación manual, ni aprobación automática. Tampoco los activos promovidos son permanentes: si la calidad disminuye, los patrones de uso sugieren problemas, o los informes de la comunidad señalizan inconvenientes, los activos pueden ser revocados.
Según la documentación del protocolo GEP, los ponderadores de la puntuación GDI se desglosan como: calidad intrínseca 35%, métricas de uso 30%, señales sociales 20%, actualidad 15%.
Todavía estoy intentando entender qué significa que una habilidad tenga una "puntuación de aptitud" que se degrada con el tiempo. Podría haber más aquí de lo que actualmente entiendo. Pero sí significa que, a diferencia de un archivo de habilidad estático, una Cápsula tiene un estado dinámico: puede ser promovida, degradada y eventualmente archivada si nadie la usa.
Lo que realmente significa "lo que un agente aprende, un millón lo heredan"
Escenario concreto: un agente pasa cuarenta minutos depurando un patrón específico de tiempo de espera de una API. Esa solución se encapsula como un paquete Gene + Capsule y se publica en la red EvoMap. Después de pasar la validación, un agente diferente —en un equipo diferente, ejecutando un modelo diferente— envía POST /a2a/fetch y recibe esa Capsule. Hereda la solución sin tener que redescubrirla.
GEP es independiente del modelo por diseño. Una solución publicada por un agente GPT-4 puede ser heredada y usada por un agente Claude, porque los activos GEP son descripciones de comportamiento, no pesos específicos de un modelo.
Ese camino no existe en la arquitectura de Hermes. Quiero ser preciso al respecto —no es que Hermes sea peor, es que no intenta esto. Alcance completamente diferente.
La Diferencia Arquitectónica Principal
Aquí está la tabla que siempre quise cuando estaba leyendo sobre ambos:
```markdown id="n8r4vk"
| Dimension | Hermes Agent | EvoMap / GEP |
|----------------|----------------------------------|--------------------------------------------------|
| Memory scope | Local, single agent | Network-level, cross-agent |
| Skill sharing | Manual, via agentskills.io format | Automatic, via A2A protocol |
| Validation | None built in | candidate → promoted → rejected → revoked |
| Governance | None | GDI scoring + community reports + auto-revoke |
| Network effect | None (closed loop) | Reuse records influence GDI ranking |
| Open standard | agentskills.io (broad adoption) | GEP protocol (open spec, EvoMap reference impl.) |
Hermes optimiza para la profundidad dentro de la vida útil de un solo agente. EvoMap optimiza para la propagación a través de agentes y equipos. No es mejor ni peor en términos absolutos —problemas diferentes en capas arquitectónicas diferentes.
Cuál se Ajusta a Tu Situación
Usar Hermes cuando
Estás trabajando con un solo agente, autohospedado, flujo de trabajo personal, y no necesitas que las soluciones se propaguen a otros agentes. Hermes es completamente de código abierto bajo la licencia MIT, se instala con un solo comando y no requiere ninguna clave API más allá del backend de modelo que elijas.
Respuesta honesta para desarrolladores solos: Hermes probablemente sea la opción más simple. La fricción de incorporación es menor, el valor es inmediato y no necesitas entender el protocolo GEP para empezar a obtener memoria persistente. Si eres una persona con un agente, los efectos de red de EvoMap aún no se han activado —y no lo harán hasta que haya otros nodos contribuyendo.
Usar EvoMap cuando
Estás ejecutando múltiples agentes o flujos de trabajo a nivel de equipo, y quieres que una solución descubierta por un agente no tenga que ser redescubierta por otro. O necesitas un ciclo de vida de capacidades auditable. O quieres ganar créditos por las soluciones que has contribuido a la red.
La documentación A2A de EvoMap muestra el flujo de conexión vía POST /a2a/hello —no se requiere clave API para registrar un nodo. No he realizado una integración completa personalmente, así que dejaré el juicio de "esto es sencillo" para quienes sí lo han hecho.
¿Pueden coexistir?
Probablemente sí. Operan en diferentes capas. Hermes es compatible con el estándar abierto de agentskills.io, y un agente Hermes podría, en principio, conectarse a EvoMap como un nodo de red, acumulando habilidades locales mientras también publica Cápsulas validadas para la herencia entre agentes. No he probado esa combinación. La arquitectura no parece impedirlo.
Preguntas frecuentes
P: ¿Qué tan establecido está el proyecto Hermes Agent?
Con alrededor de 24,200 estrellas en GitHub y con la versión v0.7.0 lanzada recientemente, Hermes es actualmente el proyecto más interesante técnicamente en el espacio de agentes de código abierto. Tiene una comunidad activa, un ecosistema de habilidades de terceros y casos de uso en producción más allá de las demostraciones.
P: ¿Agentskills.io es realmente un estándar abierto o solo un formato de Anthropic?
Agent Skills es un formato abierto mantenido por Anthropic, con licencia Apache 2.0 para el código y CC-BY-4.0 para la documentación, abierto a contribuciones de la comunidad. Microsoft lo adoptó dentro de VS Code y GitHub; agentes de codificación populares como Cursor, Goose, Amp, OpenCode y otros lo han seguido. No es un jardín cerrado.
P: ¿Es seguro ejecutar Cápsulas de EvoMap obtenidas externamente?
Los activos externos de Genes/Cápsulas ingeridos a través del protocolo A2A se almacenan en una zona candidata aislada. La promoción a las tiendas locales requiere una señal explícita --validated: el operador debe verificar primero el activo. Todos los comandos de validación se auditan con una verificación de seguridad antes de la promoción. Es un modelo de aislamiento primero, no de ejecución directa.
P: ¿Cuál es la respuesta honesta para un desarrollador en solitario?
Probablemente Hermes. El valor de EvoMap se acumula con más nodos en la red. Para un solo desarrollador, ese efecto aún no se está produciendo. Hermes te ofrece memoria persistente y acumulación de habilidades de inmediato, en tu propia máquina, sin necesidad de entender primero un protocolo de red. Podría estar equivocado sobre esto, pero ahí es donde llega mi comprensión actual.
P: ¿Cuál es la diferencia real entre agentskills.io y GEP?
agentskills.io es un estándar de formato de archivo: una especificación de cómo se ve un documento de habilidades, para que pueda ser leído en diferentes plataformas de agentes. GEP es un protocolo con un ciclo de vida completo del activo: publicar, validar, promover, decaer, revocar. Las habilidades en agentskills.io no tienen estados. Las Cápsulas en GEP sí. Ese es el meollo técnico.
Probablemente seguiré observando cómo se desarrollan ambos. La comparación parece tener más capas de las que he expuesto aquí, especialmente sobre lo que ocurre cuando los agentes Hermes y los nodos GEP empiezan a aparecer en los mismos flujos de trabajo.
Esa parte aún no está completamente clara. Volveré a ella.
Publicaciones anteriores:
- ¿Qué es MCP? Comprendiendo el estándar que permite a los agentes de IA usar herramientas
- Cómo funcionan realmente los servidores MCP detrás del uso de herramientas de agentes de IA modernos
- La pila de agentes de tres capas: por qué MCP por sí solo no crea agentes de aprendizaje
- Habilidades de Claude vs. capacidades del agente: lo que los archivos de habilidades estáticas pueden y no pueden hacer
- Ganchos de agentes y cadenas de ejecución: cómo los agentes modernos estructuran flujos de trabajo de múltiples pasos
