Derfor spesialistagenter gir mer struktur enn én altmuligagent
Hermes Agent fra Nous Research er et åpen kildekode-rammeverk for AI-agenter, lansert i februar 2026 og allerede MIT-lisensiert med over 22 000 GitHub-stjerner. Rammeverket bygger på en selvforbedrende læringssløyfe: når agenten løser en oppgave, skriver den ned en gjenbrukbar ferdighetsfil, lagrer utfallet i persistent minne, og justerer tilnærmingen sin til neste gang – uten manuell YAML-konfigurering.
Underagenter: en reell funksjon, men navnene er ikke offisielle
Her må vi presisere noe råteksten fremstiller unøyaktig: "Nova" og "Sage" er ikke innebygde, navngitte funksjoner i selve Hermes-produktet. De er navn én konkret bruker (kjent som Sharbel på X) har gitt sine egne, selvbygde underagenter i en video om hvordan han satte opp arbeidsflyten sin over 100 dager med Hermes. Der brukte han én underagent for YouTube-innhold og én for X-innlegg og innholdsstrategi – og kalte dem Nova og Sage selv.
Det ekte poenget bak historien er likevel solid: Hermes støtter faktisk underagenter som en generell funksjon, nettopp for å unngå at man propper alt inn i én rotete samtale. Ifølge brukerens egen gjennomgang er dette et av de vanligste feilstegene nye Hermes-brukere gjør – å la én agent gjøre alt selv, i stedet for å dele opp ansvar mellom flere spesialiserte underagenter som hver holder seg til sitt område.
Hvorfor spesialisering faktisk hjelper
Tanken er den samme som i menneskelige team: en generalist som gjør alt blir fort et flaskehals og mister oversikt. Ved å dele opp arbeidet – én underagent for innholdsproduksjon, én for planlegging, én for research – kan hver del holde konteksten sin ren og fokusert, mens hovedagenten (Hermes) heller fungerer som koordinator som ruter oppgaver dit de hører hjemme.
Ressurser
- Hva er Hermes Agent? Nous Research forklart – bakgrunn om rammeverket
- 100 dager med Hermes Agent – brukerens egen video om oppsettet, inkludert Nova og Sage
