2026년 상반기, 오픈소스 AI 에이전트 진영에서 가장 뜨거운 키워드는 단연 "기억하는 에이전트(Persistent Agent)"입니다. 작업이 끝나면 모든 맥락을 잊어버리는 기존 에이전트의 근본적 한계를 깨려는 시도들이 본격화되고 있죠.

그 중심에 두 프로젝트가 있습니다. 2025년 말 등장해 GitHub 100k+ 스타를 빠르게 돌파한 OpenClaw, 그리고 2026년 2월 등장해 3개월 만에 140,000 스타를 넘기며 OpenRouter에서 "세계에서 가장 많이 사용되는 에이전트"로 등극한 Nous Research의 Hermes Agent입니다.

표면적으로 둘은 비슷해 보입니다. 둘 다 메신저로 제어할 수 있고, 로컬에서 돌릴 수 있고, 메모리도 갖고 있습니다. 하지만 깊이 들여다보면, 두 프로젝트는 "좋은 에이전트란 무엇인가"에 대해 완전히 다른 답을 내놓고 있습니다.

1. Hermes Agent, 무엇이 다른가

Nous Research가 Hermes에 붙인 슬로건은 "The agent that grows with you(당신과 함께 성장하는 에이전트)"입니다. 마케팅 카피처럼 들리지만, 이건 실제 아키텍처 설계 원칙입니다.

① 자가진화형 스킬 (Self-Evolving Skills)

에이전트가 작업을 성공적으로 마치면, 그 과정을 재사용 가능한 마크다운 스킬 파일로 자동 저장합니다. 다음에 비슷한 요청이 들어오면 처음부터 추론할 필요 없이 이 스킬을 꺼내 적용하죠. YAML 설정도, 수동 등록도 없습니다. 모두 내부적으로 처리됩니다.

② 격리된 서브에이전트 (Subagents)

메인 에이전트가 복잡한 작업을 받으면, 자체 대화 컨텍스트와 터미널, Python RPC 스크립트를 가진 격리된 서브에이전트를 스폰합니다. 하나는 검색하고, 하나는 초안 작성, 하나는 비평하는 식의 병렬 파이프라인을 제로-컨텍스트 비용으로 구성할 수 있다는 게 핵심입니다.

③ FTS5 + LLM 요약 기반 장기 기억

SQLite의 FTS5 전체 텍스트 검색과 LLM 기반 요약을 결합한 메모리 시스템을 사용합니다. 과거 모든 세션을 검색 가능한 인덱스로 유지하면서도, 필요한 부분만 압축해 컨텍스트에 주입하는 방식이죠. "어제 그 작업 어디까지 했더라?"가 가능한 이유입니다.

④ 다섯 가지 샌드박스 백엔드

로컬 실행, Docker, SSH, Singularity, Modal — 다섯 가지 실행 환경을 모두 지원합니다. 컨테이너 하드닝과 네임스페이스 격리가 기본으로 들어가 있어, 2026년 4월 기준 보고된 에이전트 특화 CVE가 0건이라는 점도 주목할 만합니다.

2. Hermes Agent vs OpenClaw 정면 비교

기능 체크리스트로만 보면 둘은 거의 같아 보입니다. 둘 다 Telegram, Discord, Slack, WhatsApp을 지원하고, 셸 명령을 실행하며, 브라우저를 자동화합니다. 진짜 차이는 "철학"과 "아키텍처 무게중심"에 있습니다.

3. 결정적 차이: "학습 루프"의 존재 여부

기존 에이전트 프레임워크의 표준 패턴은 이렇습니다.

작업 수신 → 계획 → 실행 → 결과 반환
세션 종료, 아무것도 남지 않음
다음 작업은 다시 0부터 시작

OpenClaw도 본질적으로 이 패턴입니다. 매번 새로운 문제로 접근하죠. 도구는 같고, 메모리도 있지만, "경험이 구조적으로 축적되지 않습니다".

Hermes는 여기에 한 단계를 더 추가합니다.

작업 수신 → 계획 → 실행 → 결과 반환
       ↓
     ✨ 평가 → 패턴 추출 → 스킬 저장
       ↓
사용자 모델 업데이트 (선호, 결정 이력, 작업 패턴)

이게 Nous Research가 말하는 "닫힌 학습 루프(Closed Learning Loop)"입니다. 새 작업이 들어오면 Hermes는 먼저 자신의 스킬 라이브러리를 검색합니다. 익숙한 문제 유형이면, 매번 새로 추론하는 대신 저장된 스킬을 가져와 적용합니다. 시간이 갈수록 빨라지고 정확해진다는 뜻입니다.

4. 그래서 무엇을 선택해야 하나

한 줄로 줄이면 이렇습니다.
📌 "문제가 오케스트레이션이면 OpenClaw, 자동화가 시간이 갈수록 영리해져야 한다면 Hermes."

5. ATOZAI의 관전 포인트

개인적으로 가장 흥미로운 지점은 "Hermes는 단순한 에이전트가 아니라 데이터 생성 파이프라인이기도 하다"는 사실입니다.

Nous Research는 단순한 툴링 팀이 아니라 모델 학습 랩입니다. Hermes 안에는 Atropos 강화학습 환경, 배치 trajectory 생성, tool-calling 모델 학습용 trajectory 압축 기능이 들어 있습니다. 즉, 사용자의 일상 작업 자체가 다음 세대 에이전트 모델의 학습 데이터가 되는 구조입니다.

이건 OpenClaw가 차지하지 않는 자리입니다. OpenClaw는 빠르게 움직이는 생태계 프로젝트이고, Hermes는 연구 워크플로우와 연결된 운영 에이전트죠. "내 에이전트의 사용 패턴이 곧 다음 버전 모델의 데이터셋이 된다"는 관점에서 보면, 장기적으로 Hermes의 학습 속도가 더 가팔라질 가능성이 있습니다.

물론 한국 개발 환경에서는 한 가지 더 고려할 게 있습니다. 두 프레임워크 모두 한글 처리·로컬 한국어 모델(EXAONE, A.X 등) 호환성 면에서 아직 명시적 최적화는 부족합니다. OpenAI-compatible API를 지원하니 우회는 가능하지만, 진짜 "초개인화 한국어 비서"를 만들려면 어느 쪽이든 약간의 어댑터 레이어 작업이 필요할 겁니다.

💡 마무리: 2026년의 진짜 변곡점

2025년이 "에이전트가 동작하는가"의 해였다면, 2026년은 "에이전트가 기억하고 진화하는가"의 해입니다.

OpenClaw와 Hermes Agent의 경쟁은 단순한 점유율 싸움이 아닙니다. 개인 AI가 도구에서 동반자로 진화하는 패러다임 전환의 최전선입니다. 어느 쪽이 이기든, 결국 우리는 더 똑똑한 에이전트를 갖게 될 겁니다.