Hermes Agent מול OpenClaw: למה אני מבלה יותר זמן עם הכלי החדש שצבר 129,000 כוכבים ב-GitHub

The Pulse:

• ריפו ה-GitHub של New Research צבר למעלה מ-129,000 כוכבים תוך חודשים ספורים בלבד, קצב צמיחה שעקף את OpenClaw ומאותת שהשוק רעב לקטגוריה שלמה של כלים.
• Hermes Agent משתמש בשיטת honcho knowledge לניהול ידע בין-סשנים: המערכת מחפשת שיחות עבר באופן אוטומטי, בונה מודל משתמש מצטבר, ויוצרת מיומנויות מניסיון ישיר ללא התערבות ידנית.
• לאחר שישה ימים של מסע cold email אוטומטי, Hermes שיפר את עצמו עם כל שליחה, תוצאה שמדגימה את ההבדל בין סוכן שעוזר פעם אחת לבין סוכן שמצבר ידע תפעולי לאורך זמן.

TL;DR: Hermes Agent מבית New Research הוא לא עוד ריפו ויראלי. הוא מייצג גישה ארכיטקטונית שונה לבעיה שמרבית הספקים מעדיפים להתעלם ממנה: סוכני AI חכמים אך חסרי זיכרון מתמשך בין סשנים. השאלה הנכונה אינה האם OpenClaw או Hermes עדיף, אלא איזו מערכת הופכת מודלי AI לתפוקה עסקית יומיומית שמשתפרת ככל שהיא עובדת.

הפער שאף אחד לא ממהר להודות בו הוא זה: המודלים השתפרו דרמטית, אבל המערכות סביבם נשארו שבירות. סוכן AI שמאבד הקשר אחרי כל סשן, חוזר לנקודת ההתחלה עם כל שיחה חדשה, ואינו מצליח לבנות ידע תפעולי מצטבר, הוא בסופו של דבר צ'אטבוט מתוחכם ולא עוד.

כשהריפו של New Research הופיע לראשונה ברדאר שלי לפני כמה שבועות, המספרים היו קשים להתעלמות. אבל מה שגרם לי להשקיע זמן אמיתי בהגדרה ובבדיקה לא היה ספירת הכוכבים, אלא הגישה הארכיטקטונית: Hermes לא מתיימר שהמודל הוא התשובה. הוא בונה את השכבה שמסביב למודל, וזה בדיוק מה שחסר לרוב הכלים בשוק כיום.

הבעיה שאף אחד לא מודה בה: סוכני AI הם מתמחים חכמים עם אמנזיה

הבעיה המרכזית של סוכני AI כיום היא שהם חזקים בביצוע משימה בודדת אך שוכחים הכל כשהסשן מסתיים. Hermes Agent מנסה לפתור זאת דרך לולאת למידה מובנית ושיטת honcho knowledge, שמאפשרת לסוכן ללמוד מניסיון ולבנות מודל משתמש עמוק על פני סשנים מרובים. זה לא רק שיפור טכני: זה שינוי בסיסי בדרך שסוכני AI יכולים לעבוד בעסקים אמיתיים.

כשבדקתי את הריפו הרשמי של Hermes מ-New Research לפני שבוע, המספרים היו קשים להתעלם מהם: 129,000 כוכבים ב-GitHub בחודשים ספורים בלבד. הריפו הושק לפני כמה חודשים בלבד, והוא צבר תאוצה בדיוק כשהתרגשות סביב OpenClaw התחילה להתרופף. אך המספרים בעצמם אינם הסיפור. הסיפור הוא שמישהו בחרה בגישה שונה לבעיה שהיתה תמיד מציקה: סוכני AI הם, בעצם, מתמחים חכמים עם אמנזיה. אם דברת עם סוכן AI, בטוח התרחש זה: בשלב כלשהו בשיחה הוא שכח מה אמרת לו חמש שניות קודם לכן, או מה אמרת לו חודש לפני. הוא מבצע משימה, אולי לא בדיוק כמו שרצית, וכשהסשן מסתיים או ההקשר מתכווץ, בפעם הבאה שתשאל משהו דומה הוא מתחיל מחצי הדרך שוב.

זה תהליך מביך, אבל זה בדיוק מה שאף אחד לא רוצה להודות בו: המודל עצמו חכם, אבל תהליך העבודה מסביבו הוא טומטום. Hermes מנסה להתקוף בדיוק את הבעיה הזו. לפי התיאור בריפו, יש לו לולאת למידה מובנית: הוא יכול ליצור מיומנויות מניסיון, לשפר אותן בזמן השימוש, ולהמשיך ולשפר אותן כשהוא ממשיך לעבוד. בשבוע שעבר הגדרתי את Hermes וראיתי את זה בפעולה: ביום שישי של קמפיין cold email outreach, הסוכן השתפר עם כל עותק שהוא שלח. היה יותר יעיל. הוא למד תוך כדי שליחת עוד מיילים. זה לא קסום: זה מכני וחוזר על עצמו.

הרישיון של Hermes הוא MIT, מה שאומר שהוא פתוח לשימוש מסחרי ללא מגבלות. אבל הדבר המעניין באמת הוא שיטת honcho knowledge שלו. במקום להסתמך על context window סטטי (החלון המוגבל של הודעות שהמודל יכול לראות בבת אחת), Hermes משתמש בחיפוש אוטומטי בשיחות קודמות ובניית מודל משתמש בין-סשני. זה אומר שהסוכן לא צריך שתגיד לו "זכור שאני אוהב תבנית מסוימת": הוא משנה את זה בעצמו, מעמיק את ההבנה שלו בך על פני זמן, ומשפר את עצמו מבלי שתצטרך להגיד לו לעשות זאת.

מה זה אומר בפועל: סוכן שמתחיל כמי שצריך הנחיה קבועה הופך בהדרגה למישהו שמבין את התהליך שלך, שואל שאלות פחות, ומספק תוצאות טובות יותר עם כל סיבוב. זה בדיוק ההבדל בין עובד גרוע ששואל אותך את אותה שאלה כל שבוע לעובד טוב שלמד את התהליך בפעם הראשונה.

גל שלישי של סוכני AI: מה מבדיל 'מפעיל אישי' מצ'אטבוט רגיל

סוכן AI אמיתי אינו צ'אטבוט משופר: הוא מערכת תפעולית שלמה הכוללת זיכרון מתמשך, יצירת מיומנויות, ניתוב מודלים לפי משימה, וערוצי תקשורת מרובים. ההבדל האדריכלי הוא בין כלי שמענה שאלות לבין מערכת שמפעילה תהליכים עסקיים ללא הפסקה. Hermes Agent ו-OpenClaw שניהם מכוונים לקטגוריה זו: וזה לא מקרה.

כדי להבין את המיקום של Hermes בשוק, חשוב להבחין בין שלושת גלי האבולוציה של סוכני AI. הגל הראשון היה צ'אטבוטים פשוטים: אתה כותב שאלה, המודל משיב, וסיום. זה היה מדהים בשנת 2022-2023. הגל השני הופיע בתחילת 2024: סוכני קידוד (Coding Agents). אתה נותן להם גישה לריפו, הם עורכים קבצים, מריצים בדיקות, פותחים pull requests. הגל השלישי, שבו אנחנו נמצאים עכשיו, הוא מפעילים אישיים (Personal Operators). אלה סוכנים שיודעים את ההעדפות שלך, משתלבים בתהליכי העבודה שלך, מדברים איתך דרך Telegram או Slack או Discord, יש להם cron jobs לעבודה שמתוזמנת, זיכרון שמתמשך בין סשנים, מיומנויות שמשתפרות עם הזמן, והם רצים על שרת, לא רק על המחשב הנייד שלך.

רכיבים אלה אינם אופציונליים: הם הגדרה. אם סוכן AI חסר אחד מהם, הוא למעשה עדיין צ'אטבוט משופר, לא מפעיל אישי. Hermes מובנה סביב הנחה זו. הקובץ readme שלו מתאר תמיכה ב-OpenRouter, NVIDIA, Hugging Face, OpenAI ועוד: מה שמשמעותו ניתוב מודלים לפי משימה. אתה משתמש בגרסה זולה כמו Claude Haiku לעבודה פשוטה, בـ GPT-5.5 או Opus 4.7 לקידוד מורכב, ובמודל מקומי כשפרטיות חשובה. זה לא בחירה של "איזה מודל הוא הטוב ביותר": זה בחירה של "איזה מודל הוא הנכון לעבודה הזו".

Hermes תומך גם ב-Docker, SSH, terminal backends, ומשפחה שלמה של messaging gateways. זה אומר שהוא יכול להרוץ במקומות שונים, לקרוא ולכתוב קבצים, להתחבר למערכות חיצוניות, ולהתקשר איתך דרך ערוצים שונים. OpenClaw עושה דברים דומים, אבל Hermes עשה זאת "out of the box": בלי הרבה עבודה הקדמית. זו הסיבה שהוא צבר 129,000 כוכבים ב-GitHub תוך חודשים ספורים בלבד. לא בגלל שהוא הפך מודל AI לטוב יותר, אלא בגלל שהוא הפך את הארכיטקטורה של סוכן AI לנגישה יותר.

מה זה אומר בפועל: בחירתך בין Hermes ל-OpenClaw אינה תלויה בתכונות: שתי המערכות מטרגטות את אותה קטגוריה של מפעילים אישיים. הבחירה תלויה בקצב ההשקה שלך, בקהילה שמסביבך, וביכולתך לשלוט בתצורה. אם אתה מתחיל מאפס, OpenClaw עדיין המומלץ בגלל הקהילה וה-setup path הברור. אם אתה בנאי מנוסה המחפש מערכת שפחות דורשת עבודה הקדמית, Hermes שווה לנסות מיד.

יצירת מיומנויות מניסיון: למה זה שונה מכל פיצ'ור זיכרון אחר

מנגנון יצירת המיומנויות של Hermes עובד על לולאה של למידה מצטברת: הסוכן מבצע משימה, מתעד את התהליך, משפר את הגישה שלו בביצוע הבא, ובכך הוא הופך מ"מתמחה חכם עם אמנזיה" לעובד שמצטבר ידע תפעולי בכל ביצוע. זה לא סתם זיכרון: זה יכולת של המערכת ליצור מיומנויות (skills) מניסיון ולשפר אותן תוך כדי שימוש, דבר שמבדיל בצורה קיצונית בין סוכן שעוזר פעם אחת לסוכן שמתחזק ערך לאורך זמן.

כדי להבין את ההשפעה של זה, בואו נחזור לדוגמה קונקרטית מהשוק האמיתי. במשך שישה ימים של cold email outreach שרץ דרך Hermes, הסוכן שיפר את עצמו עם כל שליחה. הוא לא רק שלח מיילים: הוא תיעד איזה כותרות עבדו, איזה קצב תגובה הוא קיבל, ואיך הוא צריך להתאים את הטון או המבנה בשביל הקהל הספציפי. זה לא קורה בצ'אטבוט רגיל. ב-ChatGPT או Claude, אתה מתחיל מאפס בכל שיחה חדשה. ב-Hermes, המערכת יכולה ליצור מיומנויות מניסיון ולשפר אותן תוך כדי שימוש, כלומר הסוכן הופך למומחה בתחום הספציפי שלך: לא בתחום כללי, אלא בדרך שאתה עובד.

המנגנון הזה משתמש בשיטת honcho knowledge, שהיא שיטה של חיפוש בשיחות עבר וגבישת מודל משתמש בין סשנים (cross-session user modeling). בעצם, הסוכן לא מחכה שתגיד לו "זכור שאני אוהב מיילים קצרים": הוא מחפש בעצמו בהיסטוריה שלך, מוצא דפוסים, ובונה מודל של איך אתה עובד. זה דומה להיווך עובד טוב לעומת עובד גרוע. עובד גרוע שואל אותך את אותן שאלות כל שבוע. עובד טוב לומד מהתהליך שלך בפעם הראשונה, ובפעם השנייה הוא שואל פחות שאלות ומבצע את העבודה בצורה טובה יותר. זה בדיוק מה שמיומנויות בסוכן AI אמורות להיות.

כדי לראות את ההשפעה הממשית של זה על עסק, קחו את הדוגמה של מערכת 10 סוכני AI שרצה על אוטומציה של תוכן. במשך שבוע אחד, היא גדלה מ-1,000 ל-4,000 מנויים ב-YouTube. זה לא קרה כי הסוכנים היו חכמים יותר מ-Claude או GPT: קרה כי הם למדו כיצד לכתוב בקול של הבעלים, איך לבדוק ביצועים, ואיך להימנע מטעויות שכבר עשו. כל סוכן יצר לעצמו מיומנות ספציפית: אחד למסקנות, אחד לקליפים, אחד לניוזלטרים. וכל אחד מהם השתפר עם כל משימה. הערך הזה מתחיל קטן אבל מתחזק במהירות: כי הלמידה היא מצטברת, לא חד-פעמית.

התובנה המרכזית: יצירת מיומנויות מניסיון היא ההבדל בין סוכן שחוסך לך שעות ביום לבין סוכן שבונה לך יתרון תחרותי שמתגבר עם הזמן: כל ביצוע הוא זול יותר, מהיר יותר, וקרוב יותר לאופן שבו אתה באמת עובד.

Hermes מול OpenClaw: מתי להשתמש בכל אחד ואיך הם עובדים יחד

השאלה הנכונה איננה איזה כלי עדיף, אלא איך שני הכלים משלימים זה את זה בתוך מערכת עסקית אחת. OpenClaw עדיין מומלץ למתחילים בגלל הקהילה והנתיב ההגדרה הברור, אך Hermes Agent מציע גישה משלימה לבעיות שOpenClaw דורש עבודה רבה כדי לפתור. ההמלצה המעשית שלי היא לא לבחור בין השניים, אלא להבין מתי כל אחד מהם משמש תפקיד ספציפי בתהליך העבודה שלך.

הטעות הגדולה שרוב הבנאים עושים היא נעילה לספק יחיד. כשאתה בוחר OpenClaw בלבד או Hermes בלבד, אתה מסכן את כל המערכת שלך אם הספק משנה תמחור, מדיניות או מגבלות שימוש. זו בדיוק הסיבה שHermes תומך בOpenRouter, NVIDIA, Hugging Face, OpenAI ועוד: כי model lockin היא מלכודת מלאה. אם תבנה את התהליך שלך סביב ספק יחיד, אתה בעצם משכן את העתיד שלך לשינויים שאתה לא שולט בהם. במקום זאת, המערכת הנכונה משתמשת ב-model routing לפי משימה: מודל זול לעבודה פשוטה (כמו סיכום או סידור נתונים), מודל חזק לקידוד מורכב (Opus 4.7 או GPT-5.5 עם reasoning), ומודל מקומי לעבודות שדורשות פרטיות מוחלטת. הגישה הזו מאפשרת לך להחליף ספקים ללא שינוי בתהליך הליבה שלך.

בשוק כיום יש עוד כלים תחרותיים שכדאי לשקול: Nanobot, Quenpaw, Claude Code (מצד הקידוד), ו-Codex (מצד הענן). כל אחד מהם בונה בקטגוריה של מפעיל אישי, וכל אחד מהם מנסה לפתור חלקים שונים של אותה בעיה. Codex, למשל, עובד מהצד של ממשק הענן ומדמיין סביבה שלמה של קידוד. Nanobot וQuenpaw מציעים גישות שונות לניהול זיכרון וכישורים. אבל כוכבי GitHub אינם מהווים אמינות, אבטחה או התאמה לתהליך עבודה שלך. 129,000 כוכבים ל-Hermes אומרים שהשוק רעב לקטגוריה זו או שNew Research מצאה דרך לארוז את רעיון הסוכן בצורה שמפתחים מבינים מיד: וכנראה שניהם. אבל כוכבים לא שווים לאמינות. לפני שאתה מפנה סוכן כלשהו למחשב שלך, אתה חייב לקרוא את התיעוד, להבין את נתיב ההתקנה, לדעת אילו כלים הוא יכול להפעיל, ולהיות זהיר מאוד עם הנתונים שלך.

התובנה המרכזית: הכלים עצמם הם פחות חשובים מהמערכת שמסביבם: בחירת ספקי מודלים מרובים וניתוב משימות לפי צורך משמרת את גמישות הרכישה שלך על פני שנים, בזמן שנעילה לכלי יחיד משתלמת בהנחה שלא יהיו שינויים בשוק.

שאלות נפוצות