Ai Systems

Un assistant IA de production n’est pas « un LLM avec un prompt ». C’est un système qui accepte l’intention, maintient un état, décide quand récupérer ou agir, et expose suffisamment de détails d’exécution pour déboguer les échecs.

Les cadres open source pour agents IA explosent en popularité sur GitHub. Deux projets au cœur de l’écosystème des systèmes IA auto-hébergés — OpenClaw et Hermes Agent — ont pris une avance telle que le reste du champ se bat pour une lointaine troisième place.

Vous discutez déjà avec l’agent Hermes depuis votre téléphone par messages texte. Vous souhaitez désormais lui parler directement et recevoir des réponses vocales. C’est généralement la bonne approche, surtout si vous utilisez déjà Hermes comme assistant auto-hébergé persistant. Taper de longs prompts sur un petit écran est lent et sujet aux erreurs.

L’Agent Hermes est livré avec un tableau de type Kanban et la passerelle Hermes (Hermes Gateway), qui peuvent saturer votre LLM auto-hébergé si trop de tâches sont expédiées en même temps.

Hermes Agent traite les compétences comme la méthode par défaut pour enseigner des workflows répétables. La documentation officielle les décrit comme des documents de connaissances à la demande alignés sur le format ouvert agentskills.io, chargés via une divulgation progressive afin que le modèle voie d’abord un petit index et ne charge les instructions complètes que lorsqu’une tâche en a réellement besoin.

L’agent Hermes de Nous Research est un assistant utilisant des outils, agnostique quant au modèle, que vous pouvez exécuter localement ou sur un VPS, depuis le shell, une interface TUI plein écran ou une passerelle de messagerie.

La plupart des stacks d’agents IA considèrent encore la sécurité comme une correction à appliquer après la démonstration. NemoClaw part du principe inverse et fait de l’isolation, des politiques et du routage des valeurs par défaut dès le premier jour.

Mis à jour en septembre 2026 : ajout de Mnemosyne et Memori, extension des configurations Honcho et Hindsight, et ajout d’un tableau comparatif des politiques de capture aux côtés du tableau d’infrastructure d’origine.

Cette section regroupe des guides sur les mécanismes de mémoire et de persistance des connaissances pour les systèmes d’IA — la manière dont les assistants conservent des faits, des préférences et du contexte distillé entre les sessions sans enfiler chaque jeton dans un seul prompt. Ici, la mémoire désigne une rétention intentionnelle (faits liés à l’utilisateur, résumés, magasins soutenus par des plugins), et non la mémoire RAM du GPU ou les poids du modèle.

Vous connaissez le scénario. Vous ouvrez un chat avec un agent IA, vous expliquez votre projet, vous partagez vos préférences, vous accomplissez quelques tâches, puis vous fermez l’onglet. Revenez la semaine suivante et c’est comme parler à un inconnu — tout le contexte a disparu, toutes les préférences ont été oubliées, le projet doit être réexpliqué de zéro.

OpenClaw n’a pas échoué en tant que produit. Il a perdu son carburant.

L’assistant IA Hermes, officiellement documenté sous le nom de Hermes Agent, n’est pas positionné comme un simple wrapper de chat.

OpenClaw possède deux types d’extensions, et il est facile de les confondre.

Les plugins étendent le temps d’exécution (runtime). Les compétences (skills) étendent le comportement de l’agent.

Cet article porte sur les plugins OpenClaw — des paquets de passerelle natifs qui ajoutent des canaux, des fournisseurs de modèles, des outils, de la parole, de la mémoire, des médias, une recherche web et d’autres surfaces d’exécution.

OpenClaw semble simple dans les démos. En production, il devient un système.

La faille discrète qui a alimenté une vague d’expérimentation d’agents est désormais close.