Ai Systems

Les compétences d’agent et les serveurs MCP sont souvent présentés comme des moyens concurrents d’étendre un agent IA. Cette présentation est fausse : une compétence enseigne à l’agent comment travailler, tandis qu’un serveur MCP lui donne un accès réglementé à des capacités en direct.

Exécuter l’agent Hermes sur un serveur sans interface graphique (headless) tout en se connectant depuis un client de bureau sur une autre machine nécessite deux processus serveur et une seule connexion client.

La plupart des démonstrations d’agents IA se comportent encore comme des complétions de chat avec des étapes supplémentaires : vous envoyez une invite, attendez quelques secondes et recevez une réponse en une seule fois.

Les systèmes d’IA à agent unique ont atteint leur apogée en 2025 : on confiait un prompt, quelques outils et un objectif à un seul LLM, et celui-ci fonctionnait plutôt bien sur des tâches délimitées.

Le protocole Agent2Agent de Google, généralement abrégé en A2A, a connu une première année étrange.

Les agents de sondage (polling agents) font partie des aspects les moins glamour de l’architecture des assistants IA, mais ils sont aussi parmi les plus utiles.

L’architecture des agents IA commence à se diviser en deux couches.

Le protocole A2A, sigle d’Agent2Agent Protocol, est une norme ouverte pour la communication entre des systèmes d’agents IA indépendants.

La mémoire transforme les assistants d’entités réactives en entités persistantes, mais c’est aussi là que de nombreux systèmes pourrissent silencieusement. Les enquêtes soutiennent que la distinction entre mémoire à court terme et à long terme n’est plus suffisante pour la mémoire des agents modernes ; les SDKs OpenAI et LangGraph pointent vers une pile plus simple — mémoire de travail, état durable et récupération.

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

Les frameworks d’agents IA open-source connaissent une popularité explosive sur GitHub. Deux projets au cœur de l’écosystème des systèmes IA auto-hébergés — OpenClaw et Hermes Agent — ont pris une telle avance que le reste du domaine 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.

Hermes Agent est livré avec un tableau Kanban et la passerelle Hermes qui peuvent saturer votre LLM auto-hébergé si trop de tâches sont expédiées simultanément.

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 agnostique du modèle et utilisant des outils que vous exécutez localement ou sur un VPS.

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.