Hermes vs OpenClaw : apprendre ou orchestrer, deux visions de l’agent IA open-source

Depuis février 2026, deux projets open-source se disputent l’attention de la communauté agents IA : Hermes, le runtime auto-apprenant de Nous Research, et OpenClaw, le framework d’orchestration multi-canal adopté massivement depuis 2025.

Les deux sont en MIT, les deux parlent MCP et ACP, les deux affichent des chiffres GitHub qui font tourner les têtes.

Les mettre face à face pour désigner un gagnant passe quand même à côté du sujet.

Hermes et OpenClaw ne répondent pas à la même question.

L’un veut construire un agent qui apprend seul sur la durée, l’autre veut un agent qui orchestre vite sur beaucoup de surfaces.

Voilà pourquoi vous devriez probablement utiliser les deux, selon ce que vous cherchez à faire.

Hermes et OpenClaw en 1 minute

OpenClaw affiche 345 000+ stars GitHub en avril 2026 et une bibliothèque de 5 700+ skills communautaires publiées sur ClawHub.

Le projet existe depuis 2025, il est en licence MIT, il se connecte à 50+ canaux (Telegram, Slack, Discord, WhatsApp, voice, Live Canvas).

C’est l’agent que vous branchez partout en moins d’une heure.

Hermes joue dans une autre catégorie : 64 000+ stars GitHub, lancement février 2026, licence MIT, publié par Nous Research (le même labo derrière les modèles Hermes-Llama).

Pas de bibliothèque de skills à installer, pas de 50 canaux plug-and-play.

À la place : un runtime unifié qui génère ses propres skills au fil des tâches, les stocke en markdown, et les réutilise la fois suivante.

345 000 stars GitHub, ce n’est pas 345 000 utilisateurs actifs : c’est une métrique de visibilité, pas d’usage. Les vraies questions à se poser sont ailleurs.

Retour sur Peter Steinberger, créateur d’OpenClaw, qui a été recruté par OpenAI début 2026 : on en parlait dans l’article Anthem sur Steinberger et les agents IA.

Cette embauche a accéléré la maturation du projet, mais elle a aussi laissé la communauté ClawHub un peu orpheline sur les questions de gouvernance.

Deux philosophies : apprendre vs orchestrer

La différence de fond entre Hermes et OpenClaw tient en une phrase.

OpenClaw est un gateway réactif : il reçoit un message, il route vers le bon skill, il répond.

Hermes est un learning loop fermé : il reçoit une tâche, il l’exécute, il analyse sa propre trajectoire, il écrit un skill procédural pour la fois suivante.

La conséquence opérationnelle est simple.

Un OpenClaw lancé aujourd’hui et un OpenClaw lancé dans six mois se comportent pareil, tant que personne n’ajoute de skills à ClawHub.

Un Hermes lancé aujourd’hui et un Hermes lancé dans six mois, sur les mêmes workflows, seront deux agents différents.

Hermes ne cherche pas à battre OpenClaw sur le plug-and-play : il cherche à devenir meilleur avec le temps, sur votre propre contexte.

C’est un choix de design explicite de Nous Research.

La doctrine du labo est connue depuis ses papers sur Hermes-Llama : privilégier l’autonomie cognitive sur la largeur de surface.

OpenClaw prend la position inverse et assume une philosophie gateway-first : un seul point d’entrée, 50+ canaux en sortie, une bibliothèque de skills que la communauté alimente.

Les deux approches sont légitimes.

Elles ne s’adressent juste pas au même profil d’utilisateur ni au même type de projet.

Architecture et environnement technique

Les deux projets partagent une base technique commune qui mérite d’être clarifiée.

Licence MIT pour les deux : self-hosting sans friction juridique, fork autorisé, usage commercial OK.

Les deux supportent MCP (Model Context Protocol) pour connecter l’agent à des outils et des bases de données.

Les deux supportent ACP (Agent Communication Protocol) pour faire dialoguer plusieurs agents entre eux.

Cette compatibilité protocolaire est la raison pour laquelle la question « lequel choisir » est souvent mal posée : les deux peuvent coexister dans la même stack.

Critère	Hermes (Nous Research)	OpenClaw
Lancement	Février 2026	2025
Stars GitHub (avril 2026)	64 000+	345 000+
Licence	MIT	MIT
Bibliothèque skills	Auto-générée	5 700+ sur ClawHub
Canaux supportés	CLI + intégrations custom	50+ natifs
Modèles supportés	300+ (multi-fournisseurs)	Tous via MCP wrappers
Protocoles	MCP + ACP	MCP + ACP
GUI native	Non (CLI-first)	Oui (Live Canvas)

Sur le volet modèles, Hermes supporte 300+ modèles côté inférence : Claude, GPT, Gemini, Llama, Mistral, Qwen, et les modèles maison Hermes-Llama en priorité.

OpenClaw délègue la question des modèles aux wrappers MCP, ce qui rend la compatibilité plus large mais moins fine.

L’écart se creuse sur la communauté : OpenClaw bénéficie d’un an d’avance et d’un effet réseau ClawHub qui est son vrai moat.

Hermes rattrape via des listes curatées comme awesome-hermes-agent et une communauté plus petite mais plus experte.

Côté événements sectoriels, le retour du NVIDIA GTC 2026 où Feynman et OpenClaw tenaient le haut de l’affiche a aussi pesé dans l’adoption institutionnelle d’OpenClaw côté entreprises.

Hermes n’a pas encore eu son moment GTC.

Ce que vous pouvez faire concrètement avec chacun

Les cas d’usage concrets séparent les deux agents de façon assez nette.

Avec OpenClaw, la valeur arrive vite sur trois types de projets.

Un assistant multi-canal qui répond sur Slack, Telegram et WhatsApp sans dupliquer la logique.

Un workflow de support client qui branche la bibliothèque finance, logistique ou CRM de ClawHub en quelques clics.

Un POC rapide pour démontrer la faisabilité d’un agent sur un périmètre large, avant d’industrialiser.

OpenClaw brille quand le besoin est « couvrir vite une surface large ». Hermes brille quand le besoin est « creuser profond sur un seul flux récurrent ».

Avec Hermes, la promesse s’exprime sur des missions plus longues.

Un agent qui gère une tâche long-horizon de 30 minutes à plusieurs heures sans perdre le fil.

Un compagnon de travail qui mémorise les conventions d’un projet spécifique et les réapplique sans qu’on les répète.

Un runtime qui récupère seul des erreurs au milieu d’une chaîne complexe, plutôt que de demander à l’utilisateur de tout relancer.

La différence se voit surtout à la deuxième et troisième utilisation.

OpenClaw fait la même chose qu’hier.

Hermes a capitalisé sur hier et fait un peu mieux aujourd’hui.

Performance : tokens, latence, recovery

Les chiffres de performance circulent beaucoup sur Reddit et X, avec un niveau de précision variable.

Les ordres de grandeur relayés par la communauté en avril 2026 sont les suivants.

OpenClaw tourne autour de 1,8k tokens par turn grâce à ses skills pré-packagés et optimisés côté prompt.

Hermes consomme davantage sur les premiers turns, jusqu’à 8k tokens, car il génère ses skills en vol.

Après quelques sessions, l’écart se réduit fortement une fois que les skills Hermes sont en cache markdown.

Hermes paie un coût token élevé sur les premiers turns et l’amortit sur la durée. OpenClaw paie peu à chaque turn mais ne s’améliore pas.

Sur la latence, OpenClaw se situe autour de 1,2 seconde par turn standard en configuration self-hosted.

Hermes est plus lent sur les turns d’apprentissage mais rivalise une fois les skills stabilisés.

Sur l’error recovery en long-horizon, la communauté Nous Research a publié des chiffres internes annonçant 22% de meilleur taux de récupération que les agents sans learning loop, OpenClaw inclus.

Ces chiffres viennent du labo lui-même : à prendre avec la prudence habituelle face à un benchmark auto-publié.

Ils restent cohérents avec le design : un runtime qui relit sa propre trajectoire a mécaniquement plus d’informations pour corriger une dérive qu’un gateway qui route sans mémoire.

Les limites et pièges

Aucun des deux projets n’est sans angle mort, et c’est le volet où les comparatifs promotionnels sont les plus silencieux.

Côté OpenClaw, le sujet qui domine en 2026 est la sécurité de ClawHub.

La campagne ClawHavoc de janvier 2026 a identifié 335 à 341 skills malveillants sur les 2 857 audités, soit environ 12 % du catalogue compromis.

Les skills concernés exfiltraient des clés SSH, des tokens API, ou installaient des keyloggers type Atomic Stealer.

Sur des audits élargis, 1 184 skills confirmés malveillants et jusqu’à 2 400 suspects ont été retirés du hub.

ClawHub à jour est plus sûr qu’au premier trimestre 2026. ClawHub ouvert sans filtres reste une surface d’attaque supply chain majeure. Installer un skill, c’est exécuter du code tiers avec les privilèges de l’agent.

Le CERT-FR a publié un avis en février 2026 déconseillant le déploiement d’OpenClaw sur postes de travail sans allowlist stricte, ClawNet ou sandbox Docker.

L’autre limite OpenClaw tient aux manual resets : pas de learning loop, pas d’auto-correction sur la durée.

Si un skill vieillit mal ou si un canal change son API, il faut intervenir à la main.

Côté Hermes, les limites sont d’un autre ordre.

Le projet est jeune, lancé il y a deux mois, et la largeur d’intégration est faible comparée à OpenClaw.

Pas de GUI native, pas de Live Canvas, pas de connecteur Telegram prêt à l’emploi : il faut coder ses propres interfaces.

La cible est clairement power-user, développeur à l’aise en CLI, capable de scripter ses propres intégrations.

L’autonomie d’apprentissage a aussi un revers : il faut faire confiance aux skills que l’agent s’écrit à lui-même.

Sur des contextes sensibles (finance, santé, juridique), cette opacité est un vrai frein que Nous Research n’a pas encore résolu proprement.

Lequel choisir ou les deux ?

La bonne question n’est pas « quel agent gagne ».

Elle est « quel profil êtes-vous et qu’essayez-vous de faire ».

Trois cas de figure couvrent la majorité des situations.

Vous avez besoin de couvrir vite plusieurs canaux avec un agent unique : OpenClaw est le choix évident, à condition de durcir ClawHub par allowlist et de ne faire confiance qu’aux skills officiels ou audités.

Vous avez un workflow récurrent que vous voulez voir progresser tout seul sur la durée : Hermes est plus aligné, même si la courbe d’apprentissage utilisateur est plus raide et que les intégrations sont à construire.

Vous construisez une stack agent sérieuse : les deux cohabitent sans friction via MCP et ACP.

OpenClaw en front pour les canaux et l’orchestration multi-surface.

Hermes en back pour les tâches long-horizon qui tirent parti de l’apprentissage.

La vraie lecture 2026 n’est pas « Hermes vs OpenClaw ». C’est « comment combiner un orchestrateur large et un runtime profond dans la même infrastructure ».

Si votre besoin est plus simple et que vous cherchez avant tout un assistant généraliste piloté par prompt, la question bascule d’ailleurs ailleurs : managed agent type Codex ou Claude Code, avec les dernières évolutions côté GPT-5.5 et les retours terrain récents qui repoussent aussi la ligne entre « agent open-source self-hosted » et « agent managed par fournisseur ».

Dans ce cas, Hermes et OpenClaw ne sont simplement pas la bonne catégorie de réponse.

Les agents open-source ont leur place, mais elle se précise : environnements sensibles où le self-hosting est non négociable, équipes qui veulent la main sur le prompt système et les skills, projets où l’absence de dépendance fournisseur vaut plus que la commodité managed.

Pour tout le reste, le match se joue entre un ChatGPT Business, un Claude Enterprise ou un Codex, et les comparatifs pertinents sont ailleurs.

FAQ

Hermes et OpenClaw sont-ils compatibles entre eux ?

Oui, les deux supportent MCP et ACP, ce qui permet de les faire coexister dans la même stack : OpenClaw en orchestrateur multi-canal, Hermes en runtime long-horizon, communication via ACP.

Lequel consomme le moins de tokens ?

OpenClaw est plus économe par turn (environ 1,8k tokens) grâce à ses skills pré-packagés, Hermes consomme davantage au démarrage (jusqu’à 8k) mais amortit cette dépense sur la durée une fois ses skills auto-générés.

ClawHub est-il sûr à utiliser en avril 2026 ?

Après la campagne ClawHavoc de janvier 2026, la modération a été renforcée mais le risque supply chain reste élevé : installer un skill tiers revient à exécuter du code externe, il faut vérifier la source, utiliser ClawNet, ClawDex ou une allowlist, et se limiter aux skills officiels ou audités sur les environnements sensibles.

Hermes peut-il remplacer OpenClaw sur un déploiement multi-canal ?

Pas en plug-and-play, Hermes n’a pas de connecteurs natifs Telegram, Slack ou WhatsApp : il faudra coder ces intégrations ou les router via un OpenClaw en amont, ce qui revient souvent à utiliser les deux ensemble plutôt qu’à remplacer l’un par l’autre.

Combien de stars GitHub pour Hermes et OpenClaw en avril 2026 ?

OpenClaw affiche 345 000+ stars, Hermes 64 000+ stars depuis son lancement en février 2026 : rappelons qu’une star GitHub mesure la visibilité du projet, pas le nombre d’utilisateurs actifs ni la qualité du code.

Quel est le vrai avantage du learning loop de Hermes ?

L’agent relit sa propre trajectoire après chaque tâche, génère des skills procéduraux persistants en markdown et les réutilise la fois suivante : sur des workflows récurrents, la consommation de tokens baisse et l’error recovery s’améliore (environ 22% selon Nous Research), au prix d’une complexité initiale plus forte.

OpenClaw nécessite-t-il ClawHub pour être utile ?

Non, le core OpenClaw fonctionne sans ClawHub et inclut déjà les 50+ connecteurs canaux : ClawHub apporte de la profondeur métier (finance, CRM, logistique) via des skills communautaires, mais vous pouvez construire vos propres skills en local sans jamais toucher au hub public, ce qui élimine le risque supply chain.

Peut-on self-hoster les deux sur un seul serveur ?

Oui, une VM Linux ou un WSL2 avec Docker suffit pour faire tourner OpenClaw et Hermes côte à côte : prévoir 16 Go RAM minimum si vous exécutez un modèle local, moins si vous appelez des modèles hébergés via API.

Quelle licence protège Hermes et OpenClaw ?

Les deux projets sont en licence MIT : usage commercial autorisé, fork autorisé, pas d’obligation de publier vos modifications, à la différence d’une AGPL qui imposerait de partager vos apports.

Lequel est recommandé pour un débutant en agents IA ?

OpenClaw est plus accessible côté installation et premiers résultats grâce à sa GUI Live Canvas et ses skills prêts à l’emploi, Hermes demande plus d’aisance CLI et de rigueur côté sécurité, mais apporte une courbe d’apprentissage plus formatrice pour qui veut comprendre comment un agent apprend réellement.