Hermes Agent fra Nous Research: Den komplette danske guide til den open-source AI-agent der husker

Mens markedet drukner i cloud-baserede AI-assistenter, der koster pr. token og glemmer alt mellem samtaler, har Nous Research stille leveret noget radikalt anderledes: Hermes Agent — en open-source AI-agent der bor på din egen server, husker alt den lærer, og bliver mere kompetent jo længere den kører. Her er en grundig dansk guide til hvad den er, hvordan du installerer den, og hvad den kan for danske virksomheder.

Hvad er Hermes Agent?

Nous Research er et af de mest velrespekterede AI-laboratorier udenfor de store labs (Anthropic, OpenAI, Google). De er kendt for deres Hermes-familie af fine-tunede sprogmodeller, der konsekvent topper open-source-leaderboards. I 2026 udgav de noget nyt: Hermes Agent — ikke en model, men et komplet agent-system bygget oven på dem.

Officielt positioneret med taglinen "The Agent That Grows With You", og bedst beskrevet med deres egne ord: "Not a coding copilot tethered to an IDE or a chatbot wrapper around a single API. An autonomous agent that lives on your server, remembers what it learns, and gets more capable the longer it runs."

Tre ting gør den fundamentalt anderledes:

• Den er din. MIT-licens, open source, kører på din egen infrastruktur. Ingen vendor lock-in.
• Den husker. Persistent memory mellem samtaler. Auto-genererede skills. Den lærer dine projekter at kende over tid.
• Den møder dig hvor du er. Telegram, Discord, Slack, WhatsApp, Signal, Email, CLI — samme agent på tværs af platforme med delt kontekst.

Hvorfor Hermes Agent matter for danske virksomheder

Hvis du har overvejet at bygge en AI-assistent til din virksomhed, kender du sandsynligvis trilemmaet:

1. Brug ChatGPT/Claude direkte → data forlader Danmark, ingen integration med interne systemer
2. Byg en custom løsning på Claude/OpenAI API → koster udvikler-tid, lock-in til én leverandør
3. Brug en SaaS-platform som Glean eller Lindy → dyr, generisk, dine data hos endnu en tredjepart

Hermes Agent er en fjerde vej: en færdig agent-arkitektur du selv hoster, der binder din eksisterende kommunikation (Slack, Telegram, email) sammen med en LLM efter eget valg.

For danske SMV'er betyder det konkret:

• GDPR i orden: Data forlader ikke din infrastruktur medmindre du eksplicit beder agenten om at sende noget til en ekstern LLM. Du kan endda køre med lokale modeller via Ollama eller Hugging Face.
• Pris under kontrol: Selv at hoste = ingen per-bruger SaaS-licens. Du betaler kun for LLM-forbrug (typisk 100-1000 kr/md for en SMV).
• Faktisk integration: Agenten kan booke i kalenderen, læse i jeres CRM, opdatere et regneark, sende rapporter på Slack — alt sammen ved at chatte med den på Telegram.

Hvad Hermes Agent konkret kan

Multi-platform tilstedeværelse

I stedet for en separat chatbot pr. system, kører Hermes Agent som én entitet på tværs af kanaler. Du starter en samtale på Telegram, fortsætter den på Slack mandag morgen, og agenten husker hvad I talte om. Officielt understøttede platforme:

• Telegram, Discord, Slack, WhatsApp, Signal
• Email (både modtage og sende)
• CLI (terminal)
• Flere annonceret

Det her er den killer feature. Det meste af et team kører allerede på Slack eller Telegram. At AI-assistenten lever lige der, uden at de skal logge ind på endnu en webapp, er forskellen mellem "vi har en AI" og "vi bruger faktisk AI'en dagligt".

Persistent memory og auto-genererede skills

Klassiske LLM-chatbots glemmer mellem samtaler. Hermes Agent har et persistent memory-system, der gemmer:

• Hvad I har talt om i tidligere samtaler
• Specifikke fakta om dit projekt, dit team, dine kunder
• Auto-genererede "skills" — når den løser et komplekst problem, kan den huske mønstret til næste gang

For en revisor betyder det at agenten over tid lærer din kontoplan, dine klienters særheder, og dine præferencer for hvordan rapporter formuleres. For en marketing-leder lærer den jeres brand-voice. For en udvikler lærer den jeres kode-konventioner.

Natural language scheduling

I stedet for at konfigurere cron-jobs manuelt kan du sige: "Send mig en briefing hver mandag morgen kl. 8 med ugens kalender, aktuelle Slack-tråde med ulæste beskeder, og nye emails der ikke er besvaret." Hermes opretter automatiseringen og kører den til du beder den stoppe.

Andre typiske brug:

• "Backup mine vigtigste filer hver fredag eftermiddag og send mig en bekræftelse"
• "Tjek hver morgen om der er nye PRs i vores GitHub-repo der venter på review"
• "Hvis en kunde-email indeholder ordet 'refundering', send mig en notifikation med det samme"

Parallelle subagents

Komplekse opgaver brydes ned i isolerede subagents, der hver har egen kontekst, terminal og Python RPC. Det betyder agenten kan undersøge fem ting parallelt uden at overvælde sin egen kontekst.

Eksempel: "Sammenlign vores AWS-omkostninger med Google Cloud og Azure for vores nuværende workload" — Hermes opretter tre subagents, hver researcher én cloud, og samler så fundene til en konklusion. Det går 3x hurtigere end seriel udførelse, og resultatet er bedre fordi konteksten er ren pr. delopgave.

Sandboxing — sikkerhed indbygget

Fem isolerings-niveauer for agenten at køre kode i:

• Local — direkte på maskinen (mindst sikkert, hurtigst)
• Docker — container-isolation
• SSH — kører på en remote-maskine
• Singularity — HPC-grade isolation
• Modal — serverless cloud-sandbox

Plus container-hardening og namespace-isolation. For produktion anbefaler vi Docker eller Modal — det giver dig kode-eksekvering-evne uden risiko for at agenten utilsigtet roder med dit værts-system.

Extended capabilities

• Web search og browser-automation (kan navigere websites for dig)
• Vision og billed-generering
• Text-to-speech
• Multi-model reasoning (kan bruge én model til struktureret tænkning, en anden til kreativitet)

Hvilke LLM-modeller virker det med?

Hermes Agent er model-agnostisk. Du vælger selv backend:

• Nous Portal (Nous Researchs egne modeller, inkl. Hermes 3+)
• OpenRouter (200+ modeller — Claude, GPT, Gemini, Llama, alt)
• OpenAI direkte
• NovitaAI, NVIDIA NIM (Nemotron), Xiaomi MiMo, z.ai/GLM, Kimi/Moonshot, MiniMax
• Hugging Face
• Custom endpoints — kør lokale modeller via Ollama, vLLM, eller lignende

Du skifter model med en enkelt kommando: hermes model — ingen kode-ændringer nødvendige.

Vores anbefaling for danske virksomheder: start med OpenRouter som backend og prøv Claude Sonnet eller Gemini 2.5 Pro. Begge er stærke på dansk og giver dig fleksibilitet til at skifte uden at omkode noget. For meget følsom data: kør lokalt via Ollama med Llama 3.3 eller Hermes 3.

Systemkrav

Hermes Agent har lavere krav end mange tilsvarende systemer fordi den ikke selv kører inferens — den orchestrerer en ekstern LLM. Det betyder du kan køre den på næsten enhver moderne maskine eller server:

• OS: Linux, macOS, Windows native (PowerShell, early beta), WSL2, Termux (Android)
• Python: 3.11 eller nyere (auto-installeret af setup-script)
• Package manager: uv (auto-installeret)
• Node.js, ripgrep, ffmpeg, git (auto-installeret)
• Container-runtimes: Docker (anbefalet), Singularity, Modal — alle valgfrie

Trin-for-trin installation

Trin 1: Forberedelse

Du har sandsynligvis allerede en server eller VPS (Hetzner, DigitalOcean, eller en lokal maskine). En typisk dansk SMB-opsætning: en €5-10/md VPS hos Hetzner i Falkenstein (Tyskland, EU-region) er rigeligt til en single-team agent.

Du skal også have:

• En API-nøgle til en LLM-udbyder (vi anbefaler OpenRouter for fleksibilitet)
• Bot-tokens til de chat-platforme du vil integrere (Telegram BotFather, Slack apps, etc.)

Trin 2: Installation

På Linux/macOS/WSL2 — én linje:

curl -fsSL https://hermes-agent.nousresearch.com/install.sh | bash

På Windows (PowerShell, early beta):

iwr -useb https://hermes-agent.nousresearch.com/install.ps1 | iex

Manuel installation (anbefalet hvis du vil have kontrol):

git clone https://github.com/NousResearch/hermes-agent.git
cd hermes-agent
./setup-hermes.sh

Setup-scriptet installerer alle dependencies (uv, Python 3.11, Node.js, ffmpeg, git) hvis de mangler. Tager 2-5 minutter første gang.

Trin 3: Initial konfiguration

hermes setup

Du bliver guidet gennem at vælge:

• Hvilken LLM-provider (Nous Portal, OpenRouter, OpenAI, etc.)
• Din API-nøgle (gemmes lokalt i config-fil — forlader aldrig din maskine)
• Hvilke tools agenten skal have adgang til (web search, browser, vision, etc.)
• Hvilket sandboxing-niveau du vil bruge

Trin 4: Skift model

Hvis du vil ændre LLM senere:

hermes model

Vælg fra listen — ingen kode-ændring, ingen genstart nødvendig.

Trin 5: Tilføj kommunikationsplatforme

For at koble Hermes til Telegram (lettest at starte med):

1. Opret en bot via @BotFather på Telegram
2. Kopier dens token
3. hermes config set telegram.token "DIN_TOKEN_HER"
4. Start agenten: hermes start
5. Send "Hej" til din nye bot i Telegram

For Slack, Discord, WhatsApp osv. er flowet næsten identisk — opret bot/app hos platformen, kopier token, registrér i Hermes.

Praktiske use cases for danske virksomheder

Use case 1: Salgsteam-assistent for B2B

Hermes lever i jeres Slack. Den har skills til at:

• Slå info op på prospects i jeres CRM (HubSpot, Pipedrive)
• Skrive personaliserede follow-up emails baseret på sidste samtale
• Notere actions efter møder direkte fra Zoom-transkripter
• Sende daglige pipeline-rapporter kl. 8

Over tid lærer den hver sælgers stil og kunders præferencer.

Use case 2: Operations-co-pilot

Hermes i jeres OPS-Slack. Den:

• Overvåger jeres infrastruktur (kalder webhooks/APIs på interval)
• Vagter om relevante GitHub Issues og PRs
• Foreslår fix når den ser tilbagevendende fejl-mønstre i logs
• Holder runbooks opdateret automatisk når procedurer ændrer sig

Use case 3: Personlig executive-assistent

Hermes via Telegram til CEO/founder. Den:

• Læser emails op om morgenen og foreslår prioriteret rækkefølge
• Drafter svar du kan godkende med ét klik
• Booker møder ved at koordinere med andre via email
• Husker hvem du har lovet hvad og hvornår — proaktiv reminders

Use case 4: Content-pipeline til marketing

Hermes drives content-flow:

• Drafter blog-posts efter briefing — parallelle subagents researcher hver kilde
• Genererer billed-prompts og bestiller billeder
• Planlægger sociale posts ind i et delt regneark
• Følger op på engagement og foreslår iterations

Hermes Agent vs alternativerne

Hvis du tænker "lyder det her ikke som OpenClaw / Claude Computer Use / Cursor?" — så er det forståeligt. Men der er reelle forskelle:

• OpenClaw — Lokal-først på din egen maskine. Direkte filsystem-/browser-adgang. Best til personlig produktivitet på din workstation. Vi har en fuld guide til OpenClaw også.
• Claude Computer Use — Anthropic-only, cloud-baseret, koster pr. brug. Stærk til UI-automation. Lukket økosystem.
• Cursor / Windsurf — IDE-integreret, bedst til kode-skrivning. Ikke en general-purpose agent.
• Hermes Agent — Server-side, multi-platform, model-agnostisk, persistent memory. Best til team-bruge på tværs af kommunikations-platforme.

Vi har en dybere sammenligning i blogposten OpenClaw vs Hermes Agent vs Claude Computer Use.

GDPR og dansk juridisk virkelighed

Hermes Agent håndterer typisk virksomhedsdata (emails, Slack-beskeder, CRM-info). Tre punkter at have styr på:

1. Hvor data behandles: Hvis du bruger OpenRouter eller OpenAI som backend, processeres prompts hos dem (typisk USA). Brug EU-baserede backends (Nous Portal med EU-routing, eller self-hosted via Ollama) hvis data-følsomhed kræver det.
2. Databehandleraftale: Hvis du bruger en kommerciel LLM-backend, skal du have en DPA med dem.
3. Transparens overfor brugere: Hvis Hermes håndterer kunde-data (fx kundeservice via WhatsApp), skal kunderne vide de taler med AI.

For særligt følsomme brancher (sundhed, jura) kan du køre Hermes med en lokal model — så forlader data aldrig din infrastruktur.

Hvad det koster

Self-hosting Hermes Agent har 3 omkostnings-poster:

• Infrastruktur: En €5-10/md VPS hos Hetzner eller lignende EU-udbyder er rigeligt til en single-team agent (~40-80 kr/md)
• LLM-forbrug: Det her er det vigtigste. Med Gemini Flash via OpenRouter: typisk 50-500 kr/md for normal team-brug. Med Claude Sonnet for tungere opgaver: 200-2000 kr/md. Med lokal Llama: $0 plus elregning.
• Initial opsætning: Selvopsætning tager en udvikler 4-8 timer (modtag Telegram-token, konfigurer Slack-app, definer første automatiseringer). Vi tilbyder en pakkeløsning hvis du vil have det implementeret professionelt.

Sammenlignet med en SaaS-løsning som Glean (typisk $20-50 pr. bruger/md) er forskellen markant. For et team på 10 personer: SaaS = 200-500 USD/md, Hermes = 50-150 USD/md inkl. LLM. Plus du ejer arkitekturen.

Hvornår Hermes IKKE er det rette valg

Ærlighed: Hermes Agent er ikke for alle. Hvis følgende lyder som dig, så vælg noget andet:

• Du vil have "AI som tjeneste": Du vil betale en månedlig SaaS-licens og ikke tænke på infrastruktur. Vælg ChatGPT Team eller Glean.
• Du har ingen tech-ressourcer: Self-hosting kræver komfort med terminal og lidt server-administration. Uden det vil installation tage uger.
• Du har behov for IDE-integration som primær use case: Vælg Cursor eller GitHub Copilot.
• Du har brug for ultra-streng compliance (banking, defense): Vurder Hermes med jeres compliance-team først — selvom det er åbent og fleksibelt, kræver det skræddersyet opsætning for at opfylde de strengeste krav.

Konklusion

Hermes Agent er det første alvorlige forsøg på at gøre persistent, multi-platform AI-agenter til kommodifiseret infrastruktur — som Linux gjorde med servere, og som Docker gjorde med container-runtime.

For danske virksomheder med en smule teknisk komfort er det det største enkelt-skift du kan lave i din AI-adoption i 2026. Du går fra at "have abonnementer hos AI-tjenester" til at "have din egen AI-medarbejder, der kender dit setup". Forskellen er stor.

Hvis du vil have hjælp til at implementere Hermes Agent i din virksomhed, så tag fat i os. Vi har erfaring med at koble den op mod danske CRM-systemer (HubSpot, Pipedrive), regnskabssoftware (e-conomic, Dinero), og custom interne værktøjer.