LLM

Hermes Agent est livré avec un tableau de tâches de type Kanban qui peut facilement saturer votre passerelle LLM auto-hébergée si vous laissez toutes les tâches s’exécuter simultanément.

Hermes Agent considère les compétences (skills) comme la méthode par défaut pour enseigner des flux de travail répétables. La documentation officielle les décrit comme des documents de connaissances sur demande, alignés sur le format ouvert agentskills.io, chargés via une révélation progressive afin que le modèle voie d’abord un index réduit et n’extraye les instructions complètes que lorsqu’une tâche en a réellement besoin.

L’agent Hermes de Nous Research est un assistant agnostique du modèle, utilisant des outils, que vous pouvez exécuter localement ou sur un VPS.

La plupart des stacks d’agents IA considèrent encore la sécurité comme une correction à appliquer après la démonstration. NemoClaw part du principe inverse et fait de l’isolation, des politiques et du routage des valeurs par défaut dès le premier jour.

Les assistants modernes oublient encore tout dès que vous fermez l’onglet, à moins que quelque chose ne persiste au-delà de la fenêtre de contexte. Les fournisseurs de mémoire d’agents sont des services ou des bibliothèques qui conservent des faits et des résumés à travers les sessions — souvent intégrés sous forme de plugins afin que le framework reste léger tout en permettant à la mémoire de passer à l’échelle.

Cette section regroupe des guides sur la mémoire et le savoir persistants pour les systèmes d’IA — comment les assistants conservent les faits, les préférences et le contexte distillé d’une session à l’autre, sans surcharger un seul prompt avec tous les jetons. Ici, la mémoire désigne une rétention intentionnelle (faits utilisateurs, résumés, bases de données soutenues par des plugins), et non la RAM du GPU ou les poids du modèle.

Vous connaissez la procédure. Vous ouvrez une discussion avec un agent IA, vous expliquez votre projet, vous partagez vos préférences, vous effectuez quelques tâches, puis vous fermez l’onglet. Vous revenez la semaine suivante et c’est comme si vous parliez à un inconnu — tout le contexte a disparu, chaque préférence est oubliée, le projet doit être réexpliqué depuis le début.

OpenClaw n’a pas échoué en tant que produit. Il a perdu son carburant.

Pendant longtemps, llama.cpp avait une limitation flagrante :
vous ne pouviez servir qu’un seul modèle par processus, et changer de modèle nécessitait un redémarrage.

La plupart des équipes utilisent mal les Compétences Claude de deux manières. Elles transforment soit SKILL.md en une poubelle, soit elles ne passent jamais à autre chose que des prompts géants copiés-collés.

L’assistant IA Hermes, officiellement documenté sous le nom de Hermes Agent, ne se positionne pas comme un simple wrapper de chat.

OpenClaw dispose de deux récits d’extension, et il est facile de les confondre.

Les plugins étendent le temps d’exécution. Les compétences (skills) étendent le comportement de l’agent.

Cet article porte sur les plugins OpenClaw — des paquets de passerelle natifs qui ajoutent des canaux, des fournisseurs de modèles, des outils, de la parole, de la mémoire, des médias, une recherche web et d’autres surfaces d’exécution.

OpenClaw semble simple dans les démonstrations. En production, il devient un système.

La faille discrète qui a alimenté une vague d’expérimentation d’agents est désormais close.

Vane est l’une des entrées les plus pragmatiques dans le domaine de la « recherche IA avec citations » : un moteur de réponse auto-hébergé qui combine la récupération web en direct avec des LLM locaux ou cloud, tout en gardant toute la pile sous votre contrôle.