hermes-agent-self-evolution README

The project's README from github.com/NousResearch/hermes-agent-self-evolution. As one markdown file: README.md.

🧬 Hermes Agent Self-Evolution

Evolutionary self-improvement for Hermes Agent.

Hermes Agent Self-Evolution uses DSPy + GEPA (Genetic-Pareto Prompt Evolution) to automatically evolve and optimize Hermes Agent's skills, tool descriptions, system prompts, and code — producing measurably better versions through reflective evolutionary search.

No GPU training required. Everything operates via API calls — mutating text, evaluating results, and selecting the best variants. ~$2-10 per optimization run.

How It Works

Read current skill/prompt/tool ──► Generate eval dataset
                                        │
                                        ▼
                                   GEPA Optimizer ◄── Execution traces
                                        │                    ▲
                                        ▼                    │
                                   Candidate variants ──► Evaluate
                                        │
                                   Constraint gates (tests, size limits, benchmarks)
                                        │
                                        ▼
                                   Best variant ──► PR against hermes-agent

GEPA reads execution traces to understand why things fail (not just that they failed), then proposes targeted improvements. ICLR 2026 Oral, MIT licensed.

Quick Start

# Install
git clone https://github.com/NousResearch/hermes-agent-self-evolution.git
cd hermes-agent-self-evolution
pip install -e ".[dev]"

# Point at your hermes-agent repo
export HERMES_AGENT_REPO=~/.hermes/hermes-agent

# Evolve a skill (synthetic eval data)
python -m evolution.skills.evolve_skill \
    --skill github-code-review \
    --iterations 10 \
    --eval-source synthetic

# Or use real session history from Claude Code, Copilot, and Hermes
python -m evolution.skills.evolve_skill \
    --skill github-code-review \
    --iterations 10 \
    --eval-source sessiondb

What It Optimizes

Phase Target Engine Status
Phase 1 Skill files (SKILL.md) DSPy + GEPA ✅ Implemented
Phase 2 Tool descriptions DSPy + GEPA 🔲 Planned
Phase 3 System prompt sections DSPy + GEPA 🔲 Planned
Phase 4 Tool implementation code Darwinian Evolver 🔲 Planned
Phase 5 Continuous improvement loop Automated pipeline 🔲 Planned

Engines

Engine What It Does License
DSPy + GEPA Reflective prompt evolution — reads execution traces, proposes targeted mutations MIT
Darwinian Evolver Code evolution with Git-based organisms AGPL v3 (external CLI only)

Guardrails

Every evolved variant must pass:

  1. Full test suite — pytest tests/ -q must pass 100%
  2. Size limits — Skills ≤15KB, tool descriptions ≤500 chars
  3. Caching compatibility — No mid-conversation changes
  4. Semantic preservation — Must not drift from original purpose
  5. PR review — All changes go through human review, never direct commit

Full Plan

See PLAN.md for the complete architecture, evaluation data strategy, constraints, benchmarks integration, and phased timeline.

License

MIT — © 2026 Nous Research

hermes-agent-self-evolution (NousResearch/hermes-agent-self-evolution)

Searching Database…

5.5K ·GitHub
Hermes-agent-self-evolution
Что это такое?Это система эволюционного самосовершенствования для Hermes Agent, которая использует DSPy и GEPA (Genetic-Pareto Prompt Evolution), чтобы автоматически оптимизировать навыки агента, описания инструментов, системные промпты и код, создавая заметно лучшие версии с помощью рефлексивного эволюционного поиска.
Это общая библиотека для оптимизации или она создана специально для Hermes Agent?Она создана специально для Hermes Agent: работает с реальными файлами SKILL.md, описаниями инструментов и промптами Hermes Agent, а не является универсальным оптимизатором, который можно применить к любому проекту.
Как запустить проход оптимизации?В README есть раздел Quick Start с командами настройки; после этого конвейер сам изменяет текст, оценивает результаты и выбирает лучшие варианты через вызовы API.
Что из этого реально работает сегодня?Реализована только Фаза 1: она развивает файлы навыков (SKILL.md) с помощью DSPy + GEPA. Оптимизация описаний инструментов, разделов системного промпта, кода инструментов и цикл непрерывного улучшения пока запланированы.
Чем GEPA отличается от простого случайного перебора промптов?GEPA читает трассировки выполнения, чтобы понять, почему вариант действительно провалился, а не только сам факт провала, и затем предлагает целенаправленные улучшения вместо случайных мутаций.
Какие ограничители не дают плохому эволюционировавшему варианту попасть в релиз?Каждое изменение должно полностью пройти набор pytest на 100%, соблюдать ограничения по размеру (навыки меньше 15 КБ, описания инструментов меньше 500 символов), оставаться совместимым с кешем, сохранять исходный смысл и пройти ревью пул-реквеста человеком перед слиянием.
Почему это связано с ICLR 2026?Метод GEPA, лежащий в основе движка оптимизации, был принят как устный доклад (Oral) на ICLR 2026, что придаёт подходу рефлексивного эволюционного поиска академическое подтверждение.
Где можно посмотреть полную дорожную карту?В репозитории есть файл PLAN.md: он охватывает полную архитектуру, стратегию данных для оценки, ограничения, интеграцию с бенчмарками и поэтапный график, которые выходят за рамки README.
What are similar projects?imp, rrsi, Proteus, SkillOpt, darwin-skill, wikiskill, awesome-rsi, Raven
Which topics is it in?nous-research, self-improvement, recursive-self-improvement, self-evolving-agents, hermes-agent, agentic, optimization, autonomous-agents, evaluation, prompt-engineering, agent-skills, agent
Creator
NousResearch
Size
<0.1 MB
Stars
5.5K
Updated
CommitJun 17
Age
7mo
Commits · 90 Days