Hermes Agent Self-Evolution

Ein offizielles Nous-Research-Projekt, das DSPy + GEPA (Genetic-Pareto Prompt Evolution) nutzt, um die Skills, Tool-Beschreibungen, System-Prompts und den Code von Hermes Agent automatisch weiterzuentwickeln und zu optimieren — mit messbar besseren Agenten durch reflektierende evolutionäre Suche.

Tools4,951Hinzugefügt
Auf GitHub ansehen
hermes-agent-self-evolution
Hermes Agent Self-Evolution

Was ist das?

Hermes Agent Self-Evolution ist ein offizielles Nous-Research-Projekt, das Hermes Agent dazu bringt, sich selbst zu verbessern. Es nutzt DSPy + GEPA (Genetic-Pareto Prompt Evolution, ein ICLR-2026-Oral-Paper), um die Skills, Tool-Beschreibungen, System-Prompts und den Code des Agenten automatisch weiterzuentwickeln und zu optimieren — mit messbar besseren Versionen durch reflektierende evolutionäre Suche.

Die zentrale Erkenntnis: Statt Prompts manuell zu tunen, liest das System Execution-Traces, um zu verstehen, warum Dinge fehlschlagen (nicht nur, dass sie fehlschlagen), und schlägt dann gezielte Verbesserungen vor, die automatisch evaluiert werden.

Kein GPU-Training nötig. Alles läuft über API-Calls — Text mutieren, Ergebnisse evaluieren und die besten Varianten auswählen. Ein typischer Optimierungslauf kostet rund $2–10.

So funktioniert es

Read current skill/prompt/tool ──► Generate eval dataset
                                        │
                                        ▼
                                   GEPA Optimizer ◄── Execution traces
                                        │                    ▲
                                        ▼                    │
                                   Candidate variants ──► Evaluate
                                        │
                                   Constraint gates (tests, size limits, benchmarks)
                                        │
                                        ▼
                                   Best variant ──► PR against hermes-agent

Was optimiert wird

Phase Ziel Engine Status
Phase 1 Skill-Dateien (SKILL.md) DSPy + GEPA ✅ Implementiert
Phase 2 Tool-Beschreibungen DSPy + GEPA 🔲 Geplant
Phase 3 System-Prompt-Abschnitte DSPy + GEPA 🔲 Geplant
Phase 4 Tool-Implementierungscode Darwinian Evolver 🔲 Geplant
Phase 5 Kontinuierlicher Verbesserungszyklus Automatisierte Pipeline 🔲 Geplant

Engines: DSPy + GEPA für reflektierende Prompt-Evolution; Darwinian Evolver für Code-Evolution mit Git-basiertem Organism-Tracking.

Guardrails: Eine vollständige Testsuite (pytest tests/ -q) muss zu 100 % bestehen, und Größenlimits werden durchgesetzt (Skills ≤15 KB, Tool-Beschreibungen ≤500 Zeichen), damit evolvierte Varianten die Qualität nie verschlechtern.

Schnellstart

git clone https://github.com/NousResearch/hermes-agent-self-evolution.git
cd hermes-agent-self-evolution
pip install -r requirements.txt
# Konfiguriere deine LLM-API und führe dann einen Evolutionsdurchlauf über einen Skill aus
python evolve.py --target skill --name my-skill

Warum das für Hermes-Nutzer wichtig ist

Hermes Agent schreibt und speichert seine eigenen Skills bereits aus Erfahrung. Self-Evolution geht noch einen Schritt weiter: Es wendet einen rigorosen, automatisierten Optimierungszyklus an — mit Constraint-Gates und Testsuites —, sodass Skills, Prompts und irgendwann auch Code mit der Zeit messbar besser werden. Es ist das direkteste Beispiel für die Philosophie des Projekts, „der Agent, der mit dir wächst“, und läuft komplett über API-Calls, sodass jeder Hermes-Nutzer es ohne eigene GPU ausprobieren kann.

← Zurück zum Ökosystem