AI 코딩 도구 설치·레퍼런스 (6/7) — Hermes Agent 설치: 원라인 + SOUL.md 첫 작성

-

Nous Research 공식 install.sh, Python 3.11 자동 의존성, ~/.hermes/ 레이아웃, 페르소나 파일 실전

핵심 요약

  • 대상 독자: Hermes Agent(NousResearch/hermes-agent, 2026-02 릴리즈)를 처음 설치하는 사용자.
  • 얻을 것: 공식 install.sh 원라인, 자동 프로비저닝되는 의존성(uv/Python 3.11/Node 22/ripgrep/ffmpeg), 플랫폼 제약(네이티브 Windows 미지원), 첫 hermes 실행, 주요 subcommand 9개, SOUL.md 스키마·위치·예제 전부 verbatim.
  • 선행 조건: Git만 설치되어 있으면 됨. Linux / macOS / WSL2 / Android(Termux).
  • 라이선스: MIT. Nous Research 제공.

1. Hermes Agent가 무엇인가 — 사실만

공식 문서 기준.

  • 2026년 2월 릴리즈 오픈소스 AI 에이전트. 슬로건: "The agent that grows with you."
  • 자기 개선 스킬 루프, 영속 메모리 (SQLite FTS5), 40+ 내장 스킬.
  • 5개 메신저 채널: Telegram, Discord, Slack, WhatsApp, Signal (+Email +CLI).
  • LLM 독립: Nous Portal, OpenRouter(200+), NVIDIA NIM, Xiaomi MiMo, z.ai/GLM, Kimi, MiniMax, Hugging Face, OpenAI, Anthropic, 커스텀 엔드포인트, 로컬 vLLM 지원.
  • OpenClaw에서 마이그레이션 경로 공식 지원(hermes claw migrate).

Claude Code·Codex는 IDE·터미널 중심. OpenClaw는 채널 오케스트레이터. Hermes는 장기 메모리·자기학습 + 채널이 한 덩어리.

2. 설치 — 공식 원라인

2.1 기본 설치 명령

curl -fsSL https://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.sh | bash

이후:

source ~/.bashrc    # zsh라면 ~/.zshrc
hermes              # 첫 실행

sudo가 필요 없다. 시스템 전역이 아니라 사용자 홈의 ~/.hermes/에 모든 것을 설치.

2.2 자동 프로비저닝되는 의존성

install.sh가 알아서 설치하는 것:

  • uv (Python 패키지 매니저, rust 기반 고속)
  • Python 3.11
  • Node.js v22 (브라우저 자동화·WhatsApp 통합용)
  • ripgrep (파일 검색)
  • ffmpeg (음성 변환)

사전 준비 필요: Git만.

2.3 Nix 사용자

공식 docs는 Nix flake 기반 declarative 세팅 경로도 언급. 기존 Nix 환경이라면 해당 경로가 재현성 측면에서 유리.

2.4 개발자 빌드 (소스)

git clone https://github.com/NousResearch/hermes-agent.git
cd hermes-agent
./setup-hermes.sh

3. 플랫폼 지원 — 실제 한계

공식 명시:

플랫폼 지원
Linux ✅
macOS (Apple Silicon / Intel) ✅
WSL2 ✅
Android (Termux) ✅
Windows 네이티브 ❌ "experimental"로 표시, WSL2 사용 권장

Windows에서 Hermes를 쓰려면 WSL2 (Ubuntu/Debian) 필수. 설치 스크립트는 Linux 경로를 그대로 따라간다.

4. 설치 후 디렉터리 레이아웃

~/.hermes/
├── SOUL.md              # 페르소나 (자동 생성)
├── MEMORY.md            # 장기 메모리 (선택)
├── USER.md              # 사용자 프로필 (선택)
├── skills/              # 자기 생성·OpenClaw 마이그레이션 스킬
│   └── openclaw-imports/
├── (SQLite DB, 세션 저장소 등)
└── (로그)
  • SOUL.md는 첫 hermes 실행 시 자동 생성 — 비어있으면 내장 기본값으로 대체.
  • $HERMES_HOME 환경변수로 기본 위치를 바꿀 수 있다. $HERMES_HOME/SOUL.md가 우선.

5. 첫 세션

hermes

첫 실행 시 interactive 세팅이 시작된다. 내부적으로 hermes setup 위저드를 호출.

5.1 Setup 위저드 단계 (대화형)

  1. LLM Provider 선택 — Nous Portal / OpenRouter / OpenAI / Anthropic / 커스텀
  2. API 키 입력 (provider별)
  3. 기본 모델 선택
  4. 톤/persona 기본값
  5. 메신저 채널 추가 여부 (스킵 가능, 나중 hermes gateway setup으로)

완료 후 바로 대화 가능.

5.2 기본 hermes subcommands

명령 동작
hermes 대화형 CLI 시작
hermes setup 전체 설정 위저드
hermes model LLM provider·모델 전환
hermes tools 내장 도구 on/off
hermes config set 개별 설정 값 수정
hermes gateway setup 메신저 자격 증명 설정
hermes gateway 게이트웨이 프로세스 기동
hermes gateway install systemd 서비스로 등록 (Linux)
hermes claw migrate OpenClaw 설정·스킬 마이그레이션
hermes update 최신 버전 업데이트
hermes doctor 진단 (환경 체크·원인 표시)

5.3 세션 내부 슬래시 명령 (CLI·메신저 공통)

명령 동작
/new 새 대화 시작
/reset 컨텍스트 리셋
/model 모델 전환
/personality [name] 페르소나 오버레이 (세션 한정)
/retry 마지막 응답 재생성
/undo 되돌리기
/compress 대화 요약·압축
/usage 토큰/비용 조회
/insights 세션 분석
/skills 로드된 스킬 목록
/stop 실행 중 작업 중단

6. SOUL.md — 페르소나 파일

Hermes의 특징은 SOUL.md가 system prompt의 슬롯 #1이라는 점. 공식 기술.

6.1 위치와 로딩 규칙

  • 기본 경로: ~/.hermes/SOUL.md
  • 커스텀: $HERMES_HOME/SOUL.md
  • 주의: 현재 작업 디렉터리(cwd)의 SOUL.md는 로드되지 않는다. HERMES_HOME만 본다.
  • 없으면 자동 생성. 기존 내용은 절대 덮어쓰지 않는다.
  • 빈 파일이거나 읽기 실패면 내장 default로 대체.
  • system prompt에 한 번만 주입. 슬롯 #1.
  • 주입 전 보안 스캔 + 길이 truncation 적용.

6.2 SOUL.md에 써야 할 것

공식 권장: 지속되는 목소리 요소.

  • 말투·소통 스타일
  • 직설성의 정도
  • 불확실성을 다루는 방식
  • 스타일적으로 피해야 할 것

6.3 SOUL.md에 쓰지 말아야 할 것

프로젝트별 세부사항은 여기 아니라 AGENTS.md 에.

6.4 공식 예제 구조

You are a pragmatic senior engineer with strong taste...

## Style
- Be direct without being cold
- Prefer substance over filler
- Push back when something is a bad idea

6.5 한국어 사용자 예 (위 구조를 따른 예시)

당신은 실용적인 시니어 엔지니어다. 품질에 대한 기준이 분명하다.

## Style
- 차갑지 않으면서 직설적으로
- 수식어 대신 실체 위주
- 결정이 나쁘면 근거를 들어 반박

## 불확실성
- 모르는 것은 "확인 필요"라고 표시
- 추측이 필요할 때는 추측임을 명시

## 피할 것
- 과도한 사과·허세
- 독자가 이미 아는 내용을 반복

7. 관련 3파일 — SOUL.md / AGENTS.md / /personality

공식 비교:

시스템 범위 용도
SOUL.md 영속, 모든 컨텍스트 근본적 페르소나
AGENTS.md 프로젝트별 경로·컨벤션·지시 (Codex·OpenClaw와 같은 개념)
/personality [name] 세션 임시 일시적 페르소나 오버레이

/personality 내장 preset 목록: helpful, concise, technical, creative, teacher, kawaii, catgirl, pirate, shakespeare, surfer, noir, uwu, philosopher, hype.

예:

/personality technical

이 세션만 톤이 바뀐다. 대화 종료 시 SOUL.md 기본값으로 복귀.

8. 모델 공급자 — 2026-04 기준 지원 목록

공식 README/홈페이지 명시:

  • Nous Portal (portal.nousresearch.com)
  • OpenRouter (200+ 모델 게이트웨이)
  • NVIDIA NIM (Nemotron 계열)
  • Xiaomi MiMo
  • z.ai / GLM
  • Kimi (Moonshot)
  • MiniMax
  • Hugging Face
  • OpenAI
  • Anthropic
  • 커스텀 엔드포인트 (OpenAI-compatible)
  • 로컬 vLLM

전환:

hermes model

대화형 선택기가 뜬다. 또는 설정 직접 편집.

9. 메모리 시스템 — SQLite FTS5

공식 명시:

  • 저장: ~/.hermes/ 내부 SQLite 파일 + FTS5 풀텍스트 인덱스.
  • 세션 검색 + LLM 요약 조합으로 교차 세션 회상.
  • MEMORY.md / USER.md: OpenClaw 마이그레이션에서 import되는 전통적 markdown 메모리.
  • Honcho dialectic 사용자 모델링 (observation → hypothesis → verified 패턴).

이 시스템은 별도 글에서 자세히 다룬다 — [#14 영속 메모리 FTS5 실전] (예정).

10. Gateway — 채널 연결

hermes gateway setup   # 자격 증명 설정
hermes gateway         # 프로세스 기동
hermes gateway install # systemd 서비스 등록 (Linux 24/7용)

지원 채널: Telegram, Discord, Slack, WhatsApp, Signal, Email, CLI. 음성 메모 transcription·크로스 플랫폼 대화 연속성 지원.

자세한 멀티 채널 운영은 별도 글.

11. 진단 — hermes doctor

문제가 생기면 먼저:

hermes doctor

체크 항목(공식): - Python 3.11 / uv 설치 - Node 22 / ripgrep / ffmpeg 가용성 - $HERMES_HOME 접근 가능 여부 - 구성된 provider API 키 유효성 - 업데이트 후 migration 필요 여부

후속 단계: 해당 항목 개선 → hermes update → 다시 hermes doctor.

12. 업데이트

hermes update

공식 권장: 업데이트 후 반드시 hermes doctor 실행하여 migration 필요 여부 확인.

  • Breaking change 가능: 2026-02 릴리즈 후 활발히 개선 중인 초기 단계 프로젝트다. 팀 환경이면 업데이트 전 staging에서 먼저 검증.

13. 반대 시나리오 — Hermes가 맞지 않는 경우

  • Windows 네이티브가 필수 → WSL2 설치가 불가능한 환경에서는 포기. OpenClaw(Windows 지원)나 Claude Code가 대안.
  • Python 환경 유지 싫다 → Hermes는 Python 3.11 기반. Codex(Rust)·Claude Code(네이티브 바이너리)가 가벼움.
  • IDE 중심 코딩만 필요 → Claude Code/Codex가 낫다. Hermes는 멀티 채널 + 장기 메모리에 가치가 있음.
  • 엔터프라이즈 감사 요구가 높음 → 초기 릴리즈 프로젝트라 감사 체계·SOC2 등 공식 보장 없음. 개인·스타트업 규모 권장.
  • 오프라인 환경 → 로컬 vLLM으로 모델은 가능하지만 설치 자체가 인터넷 필요.

14. 설치 30분 체크리스트

  • [ ] Git 설치 확인 (git --version)
  • [ ] curl -fsSL ... install.sh | bash 실행
  • [ ] 에러 없이 완료, uv/Python 3.11/Node 22/ripgrep/ffmpeg 자동 설치 확인
  • [ ] 쉘 reload (source ~/.bashrc 또는 ~/.zshrc)
  • [ ] hermes 실행 → 대화형 setup 완료 (provider + API 키 + 기본 모델)
  • [ ] "hello" 같은 테스트 메시지 전송해 응답 확인
  • [ ] ~/.hermes/SOUL.md 열어 자동 생성 내용 확인
  • [ ] SOUL.md에 자기 스타일 규칙 3~5줄 추가 (위 6.5 예 참고)
  • [ ] /personality technical 등으로 세션 오버레이 작동 확인
  • [ ] hermes doctor로 최종 환경 점검
  • [ ] (선택) hermes gateway setup으로 Discord/Telegram 등 연결

15. 다음 단계

Hermes 기본이 잡혔다면:

  1. hermes 명령어 완전 cheatsheet — 주요 subcommand + 슬래시 명령 전체 레퍼런스 (예정)
  2. 영속 메모리 FTS5 실전 — 쿼리·한국어 토큰화 (예정)
  3. OpenClaw → Hermes 마이그레이션 체크리스트 (예정)

참고

이 글은 "AI 코딩 CLI 진입 가이드" 시리즈의 12/15 편입니다. Hermes Agent 파트 시작. last verified: 2026-04-25 (NousResearch/hermes-agent 공식 GitHub + hermes-agent.nousresearch.com/docs 기준).

시리즈 전체 안내: 시리즈 목차

댓글

댓글 쓰기

이 블로그의 인기 게시물

"LLM 핵심 학습 (1/6) — 기본: 토큰화·임베딩·어텐션·위치 인코딩"

-
이미지
(시리즈 시작) 📚 시리즈 목차 2/6 파인튜닝 → 트랜스포머 한 블록의 데이터 흐름을 문자열 → 토큰 → 임베딩 → 어텐션 → 출력 표현 까지 손으로 풀어 본다. 이번 편이 끝나면 "왜 \(\sqrt{d_k}\)로 나누는가", "RoPE는 무엇을 회전시키는가", "한국어가 영어보다 토큰이 많은 까닭은 무엇인가"가 한 줄로 설명될 수 있다. 0. 학습 목표 이 편을 마치면 다음을 직접 할 수 있다. BPE 토크나이저 가 어휘를 어떻게 학습하고 새 문자열을 어떻게 자르는지 종이 위에서 시뮬레이션한다. 임베딩 행렬 의 모양과 초기화, weight tying의 의미를 한 줄로 설명한다. Scaled Dot-Product Attention 의 식을 차원 단위로 추적하고 PyTorch 30줄로 재현한다. Multi-Head Attention 이 한 헤드와 비교해 무엇이 다른지, 헤드 수가 늘면 어디가 비싸지는지 답한다. Sinusoidal·RoPE·ALiBi 세 위치 인코딩의 식과 외삽 성질을 구분한다. 컨텍스트 확장이 왜 \(O(N^2)\)인지, "Lost in the Middle"이 왜 발생하는지 설명한다. 1. 핵심 요약 트랜스포머의 입력은 문자열 이 아니라 정수 ID 시퀀스 다. 토크나이저가 문자열 → ID로 자른다. 임베딩은 정수 ID를 \(d\)차원 벡터로 lookup하는 학습 가능한 테이블이다. Self-Attention은 \(\text{softmax}(QK^\top / \sqrt{d_k}) V\) 한 줄이 핵심이고, 멀티헤드는 같은 연산을 여러 부분 공간에서 병렬화한 것이다. 위치 정보는 임베딩에 직접 더하거나(Sinusoidal), Q·K에 회전을 가하거나(RoPE), 어텐션 스코어에 거리 패널티를 더해서(ALiBi) 주입한다. 컨텍스트 길이 \(N\)에 대해 표준 어텐션은 \(O(N^2)\) 비용을 갖고, 긴 컨텍스트에서는 중간 위...
Read more »

"LLM 핵심 학습 (2/6) — 파인튜닝: LoRA·QLoRA·증류·Adapter"

-
이미지
← 1/6 기본 📚 시리즈 목차 3/6 디코딩과 생성 → 사전학습된 LLM을 내 데이터 에 적응시키는 방법을 비용·메모리·일반화 관점에서 정리한다. Full FT의 한계 → Adapter → LoRA → QLoRA → Distillation 순으로 같은 그림을 점점 확대해 본다. 0. 학습 목표 Full fine-tuning의 메모리 병목을 옵티마이저 상태·그래디언트·가중치·활성화 의 4분할로 설명한다. Adapter(Houlsby 2019)와 LoRA(Hu 2021)의 식 차이를 한 줄로 적는다. LoRA의 \(A, B\) 행렬이 왜 저랭크 이고, rank \(r\) 선택이 무엇을 결정하는지 답한다. QLoRA(Dettmers 2023)의 NF4·double-quant·paged optimizer를 분리해서 설명한다. Catastrophic Forgetting을 분포 시프트 관점에서 정의하고 완화 기법을 두 개 이상 든다. Hinton 2015의 Knowledge Distillation 식을 손으로 유도한다. 1. 핵심 요약 Full FT는 메모리/디스크/시간 모두 비싸다. 7B 모델 full FT는 V100 8장 + A100 1장으로도 큰 부담이다. PEFT(파라미터 효율 파인튜닝) 일가족은 극히 일부 파라미터만 학습 해 같은 효과를 얻는다. LoRA: \(\Delta W = BA\) (rank \(r \ll \min(d_{\text{in}}, d_{\text{out}})\))로 가중치 업데이트를 저랭크 분해. QLoRA: 베이스 모델을 4-bit(NF4)로 양자화한 채 LoRA만 풀-정밀(BF16)으로 학습. Catastrophic Forgetting: 새 분포에 적응하느라 이전 능력이 무너지는 현상. PEFT 자체가 부분 완화책. Distillation: 큰 교사 모델의 soft target 을 학습 신호로 써서 작은 학생 모델 을 만든다. 2. 직관: 왜 사전학습만으로는 부족한가 사전학습은 일반...
Read more »

"ML 기초 학습 (1/9) — 머신러닝과 sklearn: 학습의 좌표계"

-
이미지
(시리즈 시작) 📚 시리즈 목차 2/9 이웃 알고리즘 → 이 시리즈는 신경망과 로컬 LLM으로 가기 전에 손에 익혀 둬야 할 머신러닝 기초 9편이다. 1편은 모든 ML 코드가 공유하는 공통 문법 을 잡는 데 쓴다. sklearn은 그 문법을 가장 일관되게 보여주는 도구다. 이번 편이 끝나면 어떤 모델을 만나도 fit → predict → score → 평가 흐름이 같다는 것이 손에 잡힌다. 0. 학습 목표 이 편을 마치면 다음을 할 수 있어야 한다. 지도학습·비지도학습·강화학습을 한 문장씩 구분해 설명한다. sklearn의 estimator 인터페이스 ( fit , predict , score , transform )를 코드 한 화면 안에서 쓸 수 있다. train/validation/test 분할을 왜 하는지, 어디서 데이터 누수가 생기는지 식과 그림으로 설명한다. 분류·회귀의 핵심 평가 지표(accuracy, precision, recall, F1, MSE, R²)를 정의에서 직접 계산할 수 있다. k-fold 교차검증 을 코드 한 줄로 돌리고, 결과의 평균과 표준편차를 함께 보고할 수 있다. Pipeline 으로 전처리와 모델을 묶어 데이터 누수를 구조적으로 막는 방법을 설명한다. 1. 핵심 요약 머신러닝은 데이터에서 함수 \(f: X \to Y\)를 찾는 작업 이다. 어떤 모델이든 이 본질은 같다. sklearn은 모든 모델을 같은 인터페이스( fit , predict , score )로 통일해, 모델을 바꿀 때 한 줄만 바꾸면 되게 한다. train/val/test 세 분할이 표준이다. 검증으로 하이퍼파라미터를 고르고, 테스트는 마지막에 한 번만 본다. 데이터 누수 (test 정보가 train에 새는 현상)는 ML 입문자가 가장 자주 만드는 실수이며, Pipeline + cross_val_score 조합으로 구조적으로 막을 수 있다. 평가 지표는 문제 유형 (분류/회귀) 과 클래스 불균형...
Read more »