Zum Zeitpunkt der Verfassung dieses Artikels besteht Artie aus einem Team von 17 Personen. Jeder von uns arbeitet an der Seite von Hermes, einem Open-Source-KI-Agenten-Harness von @NousResearch. Er läuft auf einer einzigen physischen Maschine in Deutschland, hat für jedes Team eine eigene Persönlichkeit und träumt nachts.
So kam es dazu.
Es begann als WhatsApp-Kontakt eines einzelnen Ingenieurs
Vor einigen Monaten nutzte einer unserer Ingenieure (Ani, @anirudhsriramzz) Hermes privat. Es war nur ein persönliches Setup, und er kommunizierte darüber per WhatsApp.
Zur gleichen Zeit kehrte Robin, unser CTO, von einem Hackathon zurück, bei dem ihm ein Freund eine ganze Reihe von Agenten gezeigt hatte, die deren Arbeit erledigten. Die Frage, die er mitbrachte, war einfach: Wie machen wir das für alle bei Artie verfügbar, nicht nur für die Ingenieure?
Wir schauten uns zunächst OpenClaw an. Es ist gut. Aber es war leicht zu beobachten, wie ein Agent abschweifte und etwas tat, worum niemand gebeten hatte, und wir wollten Guardrails, bevor wir Skalierung wollten. Also wählten wir Hermes und begannen darüber nachzudenken, wie diese Guardrails aussehen sollten.
Ein Gehirn mit Scheuklappen
Unsere Denkweise ist folgende: Jedes Labor hat ein Gehirn ausgeliefert. Du kannst es alles fragen, und es wird antworten. Fragst du dasselbe fünfmal, erhältst du fünf Antworten, alle plausibel, aber unterschiedlich formuliert.
Das ist für ein Chat-Fenster in Ordnung. Es ist ein Problem, wenn du möchtest, dass das Gehirn einen Job erledigt. Wenn ein Sales Engineer eine Risikobewertung für 25 offene Kundenprozesse anfordert, braucht er jedes Mal dasselbe Format, damit er darauf reagieren, Wochen vergleichen und dem System vertrauen kann.
Rennpferde tragen Scheuklappen, damit sie die Bahn laufen und nicht ins Publikum schauen. Skills und Tools sind die Scheuklappen. Der Harness ist die Art, wie man sie befestigt. Hermes, Codex, Claude Code und andere sind alle Varianten derselben Idee: eine Methode, um festzulegen, was das Modell tun darf und wie seine Ausgabe aussehen soll.
Sobald wir so darüber nachdachten, hörte das Projekt auf, „einen Chatbot einzurichten“, und wurde zu „baue die Scheuklappen für jeden Job bei Artie“.
Ein 60-Dollar-Server in Deutschland betreibt alles
Robin und Ani richteten den ersten Hermes an einem Wochenende in etwa drei Stunden ein. Wir mieteten den günstigsten Plan bei Railway, starteten Hermes mit einem Standardprofil und ließen das Engineering-Team loslegen.
Innerhalb von fünf Tagen stießen wir immer wieder an Railways Nutzungsgrenzen. Jede Warnung war ein Signal zum Upgrade. Das war die erste echte Lektion: Sobald ein Team einen Agenten tatsächlich annimmt, sieht die Rechnung nicht mehr nach einem Nebenprojekt aus.
Unsere Produktionsinfrastruktur läuft auf AWS und bleibt dort. Aber dies war eine interne Sandbox für Agenten, keine Kundeninfrastruktur, und wir wollten sehen, wie günstig wir es gestalten können. Wir fanden Hetzner (@Hetzner_Online), ein deutsches Hosting-Unternehmen, und kauften eine physische Maschine für 60 Dollar pro Jahr. Jeder Hermes bei Artie läuft heute auf dieser Box.
Wir sind ein agiles Unternehmen. Die gesamte Frage der KI bei Artie lautete: Wie machen wir das Team so KI-nativ wie möglich, ohne Geld zu verbrennen? Die Hetzner-Box war die erste Antwort.
Was wir eigentlich wollten
Mit einer Maschine, die die Last tragen konnte, setzten wir uns zusammen und entschieden, wofür Hermes da sein sollte. Zwei Ziele.
Jeder bekommt einen Sidekick. Ingenieure, Vertrieb, Operations, Marketing, Design. Eine Junior-Version von dir selbst, die dir hilft, mehr zu leisten, statt dich zu ersetzen. Die Angst in der Branche ist, dass Agenten den Job übernehmen. Unsere Erfahrung ist das Gegenteil: Wenn jeder einen hat, liefern alle schneller ab und übernehmen Aufgaben, die sie vorher nicht bewältigen konnten.
Ein Mensch ist immer im Loop. Hermes kann alles tun, was ihm angewiesen wird. Bevor etwas in Produktion geht, in die Dokumentation oder vor einen Kunden tritt, prüft eine Person es.
Menschen haben Stärken, also sollten Agenten auch welche haben
Niemand in einem Team von 17 Personen ist nur in einer Sache gut. Aber jeder hat irgendwo eine Stärke. Wir stellen aufgrund dieser Stärke ein.
Also fragten wir uns, warum unsere Agenten anders sein sollten. Ein Junior-Ingenieur, der Marketingtexte schreibt, ist Verschwendung. Ein Junior-Marketer im Codebase ist schlimmer. Wir modellierten die Agenten so, wie wir über Menschen denken: Gib jedem eine Domäne, eine Persönlichkeit und Zugang zu den Dingen, die diese Domäne benötigt.
Das ergab eine Familie von Hermes-Profilen, eines pro Team.
Hermes Plan und Hermes Code gehören zum Engineering. Plan ist für den Tech Lead: Entscheiden, ob wir A dann B machen oder A und B parallel und C später, und es aufschreiben. Plan verteilt die Arbeit auf ein Kanban-Board. Code holt sich die Tickets und führt sie im Hintergrund gegen unsere bestehende Codebase aus, öffnet PRs und wartet. Ein Mensch prüft den PR, und erst dann wird er in Master gemergt. Wenn eine Aufgabe abgeschlossen ist, startet die nächste im Plan.
Der unbeabsichtigte Nebeneffekt: Die meiste Zeit des Engineers wird nun für den Plan aufgewendet. Historisch lebten die Leute im Code und in der Ausführung. Jetzt leben sie im Systemdesign und im Review, und Hermes Code übernimmt die Mitte.
Hermes Sales bereitet sich vor einem Discovery-Call vor. Er recherchiert den Prospect, ermittelt dessen bestehenden Stack und zieht aktuellen Kontext zum Deal. Da er auch Zugriff auf unsere Docs und unser Engineering-Wissen hat, kann er einen Schritt weiter gehen: Wenn ein Prospect uns sagt, dass er Daten mit einem bestimmten Tool bewegt, kann Hermes dem Rep sagen, wo dieses Tool tendenziell bricht, z. B. bei Schema Drift, noch bevor der Call beginnt.
Hermes Design und Hermes Code ermöglichen es dem Marketing gemeinsam, Landing Pages zu designen, zu bauen und zu veröffentlichen, ohne einen Ingenieur hinzuzuziehen. Unsere Marketing-Site basiert auf Next.js, und wir verwenden kein CMS mehr. Design arbeitet innerhalb des bestehenden Komponentensystems, prüft, ob eine Komponente bereits existiert, bevor sie eine neue erfindet, und übergibt an Code zur Implementierung.
Hermes BizOps erledigt die wiederkehrenden operativen Aufgaben: Pipeline Reviews, Reconciliation, Tracker Updates, Finden der Ausnahmen, die einen Menschen benötigen.
Und es gibt ein Standardprofil für alles, was nicht passt.
Die meisten von uns sprechen mit diesen über Slack. Einige nutzen Hermes Desktop. So oder so hat sich das Ganze von reaktiv zu proaktiv verschoben: Die Agenten haben bereits die Codebase, die Docs, das CRM und das Internet, sodass sie von überall antworten können, statt darauf zu warten, mit Kontext gefüttert zu werden.
Skills, versioniert wie Code, vom ersten Tag an
Die Profile sind Persönlichkeiten. Skills machen sie kompetent.
Ein Skill ist eine wiederverwendbare Prozedur für eine reale Klasse von Arbeit: Was zuerst prüfen, welche Quellen autoritativ sind, wie die Ausgabe aussieht, wie man sie verifiziert. Wir schrieben unsere eigenen ab der ersten Woche und legten sie in ein Git-Repo. Jeder Hermes liest von dort. Wenn sich ein Skill ändert, ist es ein Commit mit Historie, den jedes Profil übernimmt.
Wir waren bewusst vorsichtig, nicht zu viele zu schreiben. Es gibt millionenfache Möglichkeiten, KI für sich arbeiten zu lassen, und das meiste im Internet wird dir raten, eine 24/7-Fabrik autonomer Agenten zu bauen. Wenn du unendlich Tokens hättest, klar. Haben wir nicht. Ein Agent, der Hunderte von Skills durchblättert, um zu entscheiden, welchen er nutzt, verbrennt Tokens beim Entscheiden. Also schnitten wir alles weg, was offensichtlich seinen Preis nicht wert war, und wir schneiden weiter.
Die Regel, die wir am Ende hatten: Wenn der Wert offensichtlich ist, sind die Kosten gerechtfertigt. Wenn der Wert vage ist, wird es nicht gebaut.
Hermes träumt
Hermes hat ein Cron-System. Du kannst ihm eine Aufgabe und einen Rhythmus geben, und er führt sie eigenständig aus.
Inspiriert von Anthropics Arbeit an Agenten-Gedächtnis nutzten wir es, um etwas nachzuahmen, das Menschen tun. Während des REM-Schlafs sortiert dein Gehirn den Tag. Einige Dinge werden ins Langzeitgedächtnis befördert. Andere werden verworfen. Ein Jahr, in dem du Städte gewechselt und ständig gereist bist, ist erinnerungswürdig, weil nichts sich wiederholte.
Also träumt jede Nacht, wenn niemand ihn nutzt, jeder Hermes. Er überprüft, was er an diesem Tag getan hat, entscheidet, was nützlich war und was nicht, befördert die nützlichen Teile ins Gedächtnis und degradiert den Rest. Dann sendet er unserem Ingenieur einen Bericht. Der Bericht sagt Dinge wie: Ich habe dies falsch gemacht, ich habe jenes falsch gemacht, ich habe es korrigiert, ich habe die Korrektur gespeichert, und ich habe die Gewohnheit vergessen, die es verursacht hat.
Im Laufe der Wochen wird jedes Profil meinungsstärker darüber, was es für sein Team tun und lassen sollte. Wir haben diese Meinungen nicht programmiert. Sie kamen vom Träumen.
Warum wir unseren eigenen Harness betreiben
Leute fragen, warum wir nicht einfach Cursor, Codex oder Claude Code nutzen.
Könnten wir, und technisch könnten wir die Workloads morgen verschieben. Aber weil wir Hermes selbst betreiben und steuern, kann das darunterliegende Modell von jedem Anbieter stammen. Wenn ein Labor nächste Woche die Preise erhöht, wechseln wir. Unsere Profile sind inzwischen stabil genug, dass ein Modellwechsel sie nicht bricht. Am Montag nutzen wir vielleicht ein Anthropic-Modell; wenn sich die Preise ändern, sind wir bis Freitag vielleicht bei OpenAI.
Der zweite Grund sind Features. Wenn Cursor die benötigte Authentifizierung nicht unterstützt oder denselben Fehler in deiner Codebase immer wieder macht, reichst du ein Ticket ein und wartest. Wenn Hermes etwas braucht, bauen wir es. Hermes ist Teil von Artie, eingebunden in unsere Systeme wie jedes interne Tool, statt etwas, das wir angeklebt haben und hoffen, dass es funktioniert.
KI-Engineering ist gerade teuer, weil die Token-Ökonomie sich noch nicht eingependelt hat. Irgendwann wird das Betreiben solcher Sachen fast kostenlos sein. Bis dahin ist das Besitzen des Harness’ unsere Art, die Kontrolle über die Rechnung zu behalten.
Wo wir heute stehen und was als Nächstes kommt
Hermes ist vielleicht zu 85 bis 90 Prozent fertig. Er erledigt jeden Tag echte Arbeit. Der erste Durchlauf ist nicht immer der beste.
Deshalb investieren wir in Evals. Jedes Mal, wenn Hermes eine Frage bekommt und eine Antwort produziert, wollen wir wissen, was Zeit gekostet hat, welche Skills er aufgerufen hat, welche Tools fehlgeschlagen sind und warum. Wir hosten Arize Phoenix selbst, das Open Source ist, sodass wir das bekommen, ohne ein weiteres Tool zu kaufen. Traces von Hermes gehen in Phoenix, und Phoenix sagt uns: Diese Aufgabe rief fünf Skills und zwei Tools auf, dieses Tool dauerte am längsten, dieses schlug fehl, hier ist der Grund.
Darunter betreiben wir Telemetrie über Datadog: ausgegebene Tokens, Erfolgsrate pro Task, Alerts an On-Call, wenn ein Hermes ausfällt oder der Memory Store voll läuft. Jeder Task läuft in einer Sandbox, und wir bauten unser eigenes Pruning-System, das die Sandboxes täglich leert.
Der Sinn von allem ist, dass wir nicht mehr raten müssen, ob eine Änderung Hermes verbessert hat. Wir ändern einen Skill, erhalten einen Report. Wenn es besser ist, bleibt es. Wenn es schlechter ist, rollen wir zurück.
Wir schrieben auch Dokumentation direkt in den Hermes-Server selbst: Was steht in deiner Config, was darfst du tun, was bedeuten die Daten. Jeder Hermes kann sie lesen. Das bedeutet, wir könnten einen Hermes hochfahren, dessen einzige Aufgabe es ist, Eval-Daten zu lesen und die anderen Profile zu verbessern.
Das ist im Grunde Hermes Coach. Er coacht Hermes.
Siebzehn Personen, ein deutscher Server, eine Familie von Agenten, die jeden Abend schlafen gehen und morgens etwas schärfer aufwachen. Wir haben es gebaut, weil wir klein sind und liefern wollten, als wären wir es nicht.
