Sí, cambiar el modelo subyacente de LLM en Hermes suele modificar cómo se procesan las habilidades (y herramientas). Esta es una experiencia común para usuarios como tú que construyen con Hermes/OpenClaw.

Por qué sucede esto
Hermes es independiente del modelo a nivel de marco — puedes cambiar de modelos mediante hermes model sin reescribir el código. Sin embargo, el comportamiento real de las habilidades y la llamada a herramientas cambia porque:
Diferentes modelos tienen distintas calidades en la llamada a herramientas / funciones — Los modelos más fuertes (por ejemplo, variantes de Claude, Qwen3.5/3.6, ciertos GLM) siguen esquemas estructurados de herramientas de manera más confiable, hacen menos llamadas malformadas y encadenan mejor las herramientas/habilidades. Los modelos locales más débiles o más pequeños (por ejemplo, algunas versiones de Gemma) hallucinan parámetros, omiten pasos o no invocan la habilidad correcta.
El razonamiento y la aplicación de habilidades difieren — Las habilidades de Hermes son procedimientos reutilizables en Markdown (flujos de trabajo paso a paso que aprendió el agente). Un modelo de alta capacidad puede interpretarlas, adaptarlas y combinarlas de manera más inteligente. Un modelo más débil las trata de manera más literal o pierde matices, lo que lleva a diferentes caminos de ejecución.
El manejo del contexto y la interpretación del prompt — Los modelos varían en qué tan bien usan la memoria inyectada, el índice de habilidades y los prompts del sistema. Cambiar puede hacer que el agente "olvidé" cómo aplicar una habilidad correctamente hasta que la sesión se reinicia o vuelve a aprender.
Efectos de sesión / caché — Los cambios de modelo generalmente requieren un /reset o una nueva sesión para un efecto completo (para borrar los prompts/herramientas en caché). Sin esto, el comportamiento puede ser inconsistente.
Observaciones comunes de los usuarios
Cambiar a un modelo de llamada a herramientas fuerte (como Qwen o Claude) hace que las habilidades sean mucho más confiables y autónomas.
Bajar a un modelo local más pequeño a menudo hace que las cadenas de habilidades complejas se rompan o sean más lentas / menos creativas.
El ciclo de auto-mejoramiento (crear/refinar habilidades automáticamente) también funciona de manera diferente — los modelos mejores generan habilidades de mayor calidad.
Soluciones rápidas / Mejores prácticas
Usa hermes model para cambiar, luego /resetear la sesión.
Prueba las habilidades justo después de cambiar — pide a Hermes que evalúe o vuelva a ejecutar una tarea reciente.
Fija buenos modelos para trabajos con muchas habilidades (muchos usuarios recomiendan variantes específicas de Qwen o GLM para uso local + herramientas fuertes).
Incluso puedes experimentar con enrutamiento de modelos por habilidad en algunas configuraciones, aunque aún no es completamente fluido.