Sistema local-first para coordinar agentes IA con memoria, supervisión y decisiones visibles.
El sistema usa Hermes como runtime y orquestador: perfiles de agentes, kanban, swarms, MCP y descomposición de metas. Encima de eso se añaden capas operativas sin reemplazar el runtime: workspace visual, Langfuse para trazas, Cognee para memoria, Obsidian como cerebro editable y n8n para automatización de entrada y salida.
La arquitectura separa conocimiento fundacional, experiencia acumulada y entrenamiento futuro. Así los agentes no solo ejecutan una tarea aislada: pueden recuperar contexto, consultar trayectorias previas y mejorar con evidencia.
La autonomía funciona cuando tiene límites, trazabilidad y revisión humana antes de ejecutar.
Operando como stack interno del estudio. Runtime con perfiles y kanban en producción; memoria de conocimiento y experiencia con patrón validado; goal planner seguro; observabilidad y automatización activas. Algunas piezas, como entrenamiento automático y selección diferenciada de modelo por rol, siguen documentadas como evolución posterior.
Muchos equipos quieren “usar agentes”, pero terminan con automatizaciones opacas, prompts dispersos y decisiones difíciles de supervisar.
Hermes Agent Ops responde a un problema más operativo: cómo convertir agentes de IA en colaboradores útiles para un estudio, sin perder control sobre qué hacen, cuándo trabajan, qué memoria consultan y qué decisiones siguen siendo humanas.
El proyecto parte de una postura clara: envolver Hermes, no reemplazarlo. Hermes ya resuelve runtime, perfiles, kanban, swarms y MCP. El trabajo del estudio fue añadir lo que faltaba para operar con criterio: memoria, observabilidad, workspace visual, automatización de bordes y barandas para planear metas sin desatar trabajo autónomo sin control.
Esto reduce complejidad innecesaria y mantiene cada capa con una responsabilidad clara.
El modelo entiende a los agentes como colaboradores que pueden crecer. Para eso separa tres capas: conocimiento fundacional, experiencia acumulada y entrenamiento futuro.
El conocimiento vive en memoria recuperable por rol. La experiencia se documenta como trayectorias reutilizables. El entrenamiento automático queda como una siguiente fase, no como una promesa prematura.
La arquitectura nace también de un fallo real: una combinación de dispatcher autónomo, autodescomposición y falta de límites produjo miles de tareas y consumo de tokens durante una noche.
La decisión de producto fue convertir esa lección en regla operativa: la autonomía empieza manual, los planes se revisan antes de ejecutarse y cualquier sistema que pueda originar trabajo necesita límites superiores desde el diseño.
El stack combina Hermes Agent para runtime y kanban, hermes-workspace para control visual, Langfuse para trazas y evaluaciones, Cognee para memoria de conocimiento y experiencia, Obsidian como base editable del estudio, n8n para automatización de bordes y OpenRouter para modelos free con fallback opcional.
La intención no es mostrar herramientas por sí mismas, sino diseñar una operación donde cada decisión técnica sostiene claridad, costo, trazabilidad y aprendizaje.
El repo distingue lo que está en producción, lo que tiene patrón validado y lo que sigue pendiente. Esa claridad importa: en sistemas de IA, declarar límites es parte del producto.
Hermes Agent Ops muestra una forma de avanzar sin vender humo: operar, medir, documentar fallos y subir autonomía solo cuando hay evidencia suficiente.