Función /learn de Hermes Agent lanzada: archivos locales, páginas web y diálogos se convierten en habilidades con un solo clic.

Nous Research ha lanzado la función /learn para su agente de IA de código abierto Hermes, permitiendo que el agente recopile materiales por sí mismo, genere archivos de habilidades y los almacene en la biblioteca de habilidades, convirtiendo "el flujo de operación realizado una vez" en una herramienta reutilizable sin necesidad de que los ingenieros lo organicen manualmente. (Preámbulo: Renacimiento de la IA: los filósofos se convierten en artículos codiciados en los laboratorios de IA, integrando la ética en tu modelo) (Contexto adicional: La confrontación entre Estados Unidos y China en IA se intensifica, pero los académicos de ambos países coinciden: no permitas que la IA llegue a un "momento Chernóbil")

Nous Research ha añadido la función /learn al sistema de Habilidades de su agente de IA de código abierto "Hermes". La lógica de operación es directa: le dices al agente qué quieres aprender, ya sea una carpeta local de SDK, una página de archivo en línea, o el flujo de despliegue que acabas de llevar a cabo con él; el agente utiliza sus herramientas existentes para recopilar materiales, luego genera un archivo de habilidades con el formato adecuado, lo guarda en ~/.hermes/skills/, y la próxima vez podrás llamarlo directamente sin necesidad de herramientas adicionales.

Convierte "lo que acabas de hacer" en una herramienta utilizable la próxima vez

La posición oficial de /learn es: convertir rápidamente "lo que ya sabes hacer" o "un montón de materiales de referencia" en una habilidad reutilizable, sin necesidad de escribir SKILL.md manualmente.

Admite cuatro tipos de fuentes de materiales, cada una con su escenario típico correspondiente:

El primero es una biblioteca local o carpeta de SDK, ejemplo de comando: /learn the REST client in ~/projects/acme-sdk, focus on auth + pagination, adecuado para convertir el conocimiento operativo de herramientas internas del equipo en una habilidad;

El segundo es una página de archivo en línea, ejemplo de comando: /learn https://docs.example.com/api/v2, adecuado para asimilar rápidamente la documentación de API de terceros, ahorrando el costo de consultas repetidas;

El tercero es el flujo completo que acabas de guiar al agente en el diálogo, ejemplo de comando: /learn how I just deployed the staging server, que convierte una operación única en pasos reutilizables la próxima vez;

El cuarto es cualquier nota oral o texto no estructurado que pegues; en teoría, cualquier cosa que puedas describir se puede alimentar, casi sin límites en cuanto a apertura.

Una vez que el agente recibe la solicitud, utiliza sus herramientas existentes (read_file para leer archivos, search_files para buscar, web_extract para extraer páginas web) para recopilar materiales por sí mismo, y luego genera una habilidad siguiendo las especificaciones de escritura integradas: la descripción se limita a 60 caracteres, el orden de los capítulos es fijo, utiliza la terminología de herramientas de Hermes y no inventa comandos por su cuenta.

La auto-mejora se vuelve más concreta

Enfoque tradicional: un ingeniero observa al agente completar una tarea, lo organiza manualmente o con IA en un archivo de instrucciones, luego escribe el archivo como una habilidad, y solo entonces el agente puede usarla la próxima vez. En toda la cadena, el humano es el único "extractor de conocimiento".

En la mayoría de los agentes de IA, los límites de capacidad están, o bien escritos en el código, o bien dependen de que los ingenieros actualicen periódicamente los prompts; la biblioteca de habilidades es estática y no crece automáticamente con el uso.

/learn acorta esta cadena a: el agente completa la tarea → el usuario da un comando "/learn el flujo de antes" → la habilidad se genera. El humano se retira del papel de "extractor de conocimiento" y solo queda con el juicio de "decidir si aprender o no".

La biblioteca de habilidades de Hermes es dinámica, se expande automáticamente con la acumulación de escenarios de uso, pero también hay que recordar una advertencia: la biblioteca de habilidades puede crecer, pero eso no significa que lo que crezca sea correcto; todavía se requiere una optimización de calidad.

La posición inicial de Hermes era ser un "agente de auto-mejora", que no solo completa tareas, sino que también recuerda y acumula habilidades reutilizables, volviéndose más inteligente con el uso. /learn convierte esta posición de concepto a operación concreta: el agente no solo ejecuta, sino que también puede sedimentar operaciones únicas en activos reutilizables.