Fonctionnalité Hermes Agent /learn mise en ligne : fichiers locaux, pages web, dialogues, tout se transforme en compétence Skill en un clic.

Nous Research lance la fonctionnalité /learn pour l'agent IA open source Hermes, permettant à l'agent de collecter lui-même du contenu, de générer des fichiers de compétences et de les stocker dans la bibliothèque de compétences, transformant un « processus opérationnel déjà utilisé une fois » en un outil appelable à nouveau, sans avoir besoin de la saisie manuelle d'un ingénieur.
(Précédent : AI Renaissance » Les philosophes deviennent des marchandises prisées dans les laboratoires d’IA, écrivez l’éthique dans votre modèle)
(Contexte : La confrontation IA entre les États-Unis et la Chine s’intensifie, mais les chercheurs des deux pays sont d’accord : ne laissez pas l’IA connaître un « moment Tchernobyl »)

Nous Research a ajouté la fonctionnalité /learn au système Skills de son agent IA open source « Hermes ». La logique opérationnelle est directe : vous dites à l’agent ce que vous voulez apprendre, un dossier SDK local, une page de fichier en ligne, ou le processus de déploiement que vous venez de lui faire suivre, il utilise ses outils existants pour collecter le contenu, puis génère un fichier de compétence au format approprié, le stocke dans ~/.hermes/skills/, et pourra être appelé directement la prochaine fois, sans outils supplémentaires.

Transforme « ce qui vient d’être fait » en un outil utilisable la prochaine fois

Le positionnement officiel de /learn est : transformer rapidement « ce que vous savez déjà » ou « un tas de documents de référence » en une compétence réutilisable, sans avoir à écrire SKILL.md à la main.

Il prend en charge quatre types de sources de contenu, chacun avec son scénario typique correspondant :

Le premier type est un dossier de bibliothèque locale ou SDK, exemple de commande : /learn the REST client in ~/projects/acme-sdk, focus on auth + pagination, adapté pour solidifier les connaissances opérationnelles des outils internes de l’équipe en compétences ;

Le deuxième type est une page de fichier en ligne, exemple de commande : /learn https://docs.example.com/api/v2, adapté pour assimiler rapidement les fichiers API tiers, économisant les coûts de consultation répétée ;

Le troisième type est le processus complet que vous venez de faire suivre à l’agent dans la conversation, exemple de commande : /learn how I just deployed the staging server, transformant une opération ponctuelle en étapes appelables à nouveau ;

Le quatrième type est n’importe quelle note dictée ou texte non structuré que vous collez ; tout ce que vous pouvez décrire peut théoriquement lui être donné, l’ouverture est presque sans limites

Après avoir reçu la demande, l’agent utilise ses outils existants, read_file (lecture de fichier), search_files (recherche), web_extract (extraction web), collecte lui-même le contenu, puis génère une compétence selon les spécifications d’écriture intégrées : description limitée à 60 caractères, ordre des chapitres fixe, utilisation de la terminologie des outils Hermes, pas d’instructions inventées.

L’auto-amélioration devient plus concrète

Pratique traditionnelle : l’ingénieur observe l’agent accomplir une tâche, organise manuellement ou fait organiser par l’IA un fichier d’instructions, puis écrit le fichier en skill, et ensuite seulement l’agent peut l’utiliser la prochaine fois. Dans toute cette chaîne, l’humain est le seul « extracteur de connaissances ».

La plupart des limites de capacité des agents IA sont soit figées dans le code, soit dépendent de la mise à jour manuelle régulière du prompt par l’ingénieur, la bibliothèque de compétences est statique et ne croît pas automatiquement avec l’utilisation.

/learn raccourcit cette chaîne : l’agent termine la tâche → l’utilisateur donne la commande « /learn le processus que vous venez de faire » → le skill est généré. L’humain se retire du rôle d’« extracteur de connaissances », il ne reste que le jugement de « décider d’apprendre ou non ».

Hermes a été initialement positionné comme un « agent auto-améliorant », il ne se contente pas d’accomplir des tâches, il mémorise et accumule des compétences réutilisables, il devient plus intelligent à mesure qu’il est utilisé. /learn fait passer ce positionnement du concept à l’opération concrète : l’agent non seulement exécute, mais il peut aussi transformer des opérations ponctuelles en actifs réutilisables.