Hermes Agent, OpenClaw'u Geride Bırakmak İçin 2 Otomasyonu Nasıl Kullandı?

(P1) Yeni bir yapay zeka ajanı çerçevesi olan Hermes Agent, GitHub'ın trend listesinde haftalarca bir numarada kalarak 22.000'den fazla yıldız topladı ve selefi OpenClaw'un hakimiyetine meydan okudu. Her iki ajan da işlevsel olarak benzer görünse de Hermes, değer önerisini bir geliştirici aracından otonom bir ortağa taşıyarak endüstri için yeni bir yön belirleyen radikal bir tam otomasyon felsefesi sunuyor.

(P2) Hermes'in kendi kendine gelişen beceri sisteminin teknik temeli, Lakshya Agrawal ve diğerleri tarafından yazılan bir ICLR 2026 makalesinde ayrıntılarıyla anlatılan Genetic-Pareto Prompt Evolution (GEPA) algoritmasına dayanmaktadır. Makale, "Yansıtıcı istem evrimi, pekiştirmeli öğrenmeden daha iyi performans gösterebilir" diyerek Hermes'in geleneksel RL tabanlı beceri geliştirmeden uzaklaşması için akademik bir temel sağlıyor.

(P3) Hermes'in farklılaşması iki temel otomatik sistemden kaynaklanmaktadır. İlk olarak, kendi kendine gelişen bir beceri sistemi, bir araç beş kereden fazla kullanıldığında veya bir hata düzeltildiğinde sessizce yeni iş akışları oluşturur. Bu beceriler daha sonra GEPA algoritması kullanılarak çevrimdışı olarak optimize edilir. İkinci olarak, proaktif bir bellek sistemi, her 15 konuşma turunda bir kullanıcı tercihlerini aktif olarak yansıtmak ve kaydetmek için bir "dürtme" (nudge) mekanizması kullanır; bu, OpenClaw'un pasif, yalnızca bağlam taşmasını önlemeye yönelik bellek kayıtlarıyla tam bir tezat oluşturur.

(P4) Hermes'in hızlı yükselişi, 25 milyar dolarlık yapay zeka geliştirme pazarı için potansiyel bir paradigma değişimine işaret ediyor. Başarısı, geliştiricilerin manuel yapılandırmayı azaltan ve aktif olarak öğrenen ajanlara olan güçlü iştahını gösteriyor. Bu durum, gelecek vaat eden açık kaynaklı projeler etrafındaki birleşme ve satın alma (M&A) faaliyetlerini hızlandırabilir ve Hermes'in özelliklerini kopyaladığı için kamuoyu önünde eleştirilen Anthropic gibi köklü oyuncuları daha otomatik, kullanıcı merkezli bir tasarım felsefesini benimsemeye zorlayabilir.

Kendi Kendine Gelişen Beceriler Ajan İş Akışını Yeniden Tanımlıyor

Hermes ve rakipleri arasındaki en önemli yapısal fark, otomatik beceri evrimi için kapalı döngü sistemidir. OpenClaw kullanıcıların yeni becerileri manuel olarak oluşturmasını, kurmasını ve yetkilendirmesini gerektirirken, Hermes bu süreci tamamen otomatikleştirir. Sistem, beş veya daha fazla araç çağrısını içeren başarılı herhangi bir iş akışını sessizce yeni bir beceri dosyası olarak paketler.

Daha sonra, hermes-agent-self-evolution deposunda ayrıntılarıyla anlatılan ayrı bir çevrimdışı süreç, bu becerileri geliştirmek için DSPy çerçevesini ve GEPA algoritmasını kullanır. Bu algoritma üç kavrama dayanır: modelin hedeflenen değişiklikleri yapmak için yürütme izlerini analiz ettiği yansıtıcı mutasyon; yüksek performanslı beceri varyasyonlarından oluşan çeşitli bir kümeyi koruyan Pareto sınırı seçimi; ve mutasyon için ana sinyal olarak doğal dil geri bildiriminin kullanılması. Bu süreç, insan incelemesi için bir pull request (çekme isteği) oluşturarak, bir insanın (human-in-the-loop) ajanın temel yetenekleri üzerinde nihai kontrolü elinde tutmasını sağlar ve sistemin kullanıcı gözetimi olmadan çalıştığı efsanesini çürütür.

Proaktif Bellek Daha Kişiselleştirilmiş Bir Ajan Oluşturuyor

Hermes'in ikinci temel yeniliği, agresif ve proaktif bellek sistemidir. Claude Code gibi rakiplerin bellek sistemleri tek bir projeyle kesin olarak sınırlandırılmışken ve OpenClaw yalnızca bir bağlam penceresi taşmadan önce pasif olarak bellekleri kaydederken, Hermes farklı bir yaklaşım benimser. Yaklaşık her 15 konuşma turunda bir, "dürtme" mekanizması ajanı etkileşim üzerinde düşünmeye ve herhangi bir kullanıcı tercihinin veya gerçeğin kalıcı olarak hatırlanmaya değer olup olmadığına karar vermeye zorlar.

Bu yüksek frekanslı, aktif yaklaşım, zaman içinde çok daha zengin bir kullanıcı modelinin oluşturulmasını sağlar. Sistem, ajanın harici vektör veritabanlarına güvenmeden geçmiş etkileşimleri anında hatırlamasını sağlayan yerleşik bir SQLite FTS5 tam metin arama özelliği ile daha da geliştirilmiştir. Önceki sürümlerde varsayılan olan gelişmiş, yapay zeka yerlisi bellek arka ucu Honcho olsa da, v0.7 güncellemesi bunu isteğe bağlı bir eklenti haline getirerek daha basit yerleşik sistemin kararlılığına öncelik verdi ve kullanıcılara daha fazla kontrol sağladı.

Ödünleşim: Karmaşıklığı Sabit Kodlanmış Kurallarla Gizlemek

Hermes'in otomasyonu, esnek model tabanlı yargıların deterministik, sabit kodlanmış kurallarla değiştirilmesiyle sağlanır. Sistemin karmaşıklığı ortadan kaldırılmamış, kullanıcının sorumluluğundan ajanın temel koduna aktarılmıştır. Bir becerinin ne zaman oluşturulacağı (5 araç çağrısı) veya belleğin ne zaman yansıtılacağı (15 tur) gibi kararlar, LLM'nin muhakemesiyle değil, katı if-then mantığıyla yönetilir.

Bu tasarım seçimi, çalışmaların performansın %39'dan fazla düşebileceğini gösterdiği uzun bağlamları yönetmede LLM'lerin mevcut sınırlamalarına yönelik pragmatik bir mühendislik çözümüdür. Bir konuşma bağlam sınırının %85'ine ulaştığında, Hermes hatalı bir yapay zeka tarafından oluşturulan özet riskini almak yerine sıkıştırma için basit dize değiştirme kullanır. Bu muhafazakar, kural tabanlı yaklaşım, kararlılık ve öngörülebilirlik sağlar; Hermes'in yaratıcıları, bunun kullanıcılar için tamamen otonom ancak güvenilmez bir LLM'nin kırılgan performansından daha değerli olduğuna güveniyor. Strateji, şimdi bir ekosistem kurmak ve model iyileştirmelerinin güvenli bir şekilde nelerin otomatikleştirilebileceğinin çıtasını kademeli olarak yükseltmesini beklemektir.

Bu makale yalnızca bilgilendirme amaçlıdır ve yatırım tavsiyesi teşkil etmez.