Il y a quelques mois, j’ai reçu une facture d’API Anthropic qui m’a fait failli m’étouffer avec mon café. Plus de 400 $ en une semaine. La cause ? Un script de scraping et d’analyse de données assez lourd que j’avais confié à une équipe d’agents OpenClaw. C’est ce jour-là que j’ai compris qu’il fallait que je revoie sérieusement mon architecture d’agents.
J’ai passé les six derniers mois à tester intensivement Hermes Agent (développé par Nous Research et lancé en février 2026) et OpenClaw (le mastodonte aux plus de 345k étoiles sur GitHub). Si vous hésitez entre les deux, autant vous le dire tout de suite : ils n’ont pas du tout la même philosophie de conception.
Voici mon retour d’expérience sans filtre, avec les points forts, les galères et la configuration hybride que j’utilise aujourd’hui pour tirer le meilleur des deux mondes.
La différence fondamentale de philosophie
Pour faire simple :
- Hermes Agent est un framework “agent-first”. Son truc, c’est l’exécution autonome et l’auto-amélioration. Après avoir fini une tâche complexe, il entre dans une “Phase Réflexive” où il analyse ce qu’il a fait et écrit ses propres fichiers de compétences (skills) réutilisables. Il apprend de ses réussites pour ne pas avoir à ré-exécuter toute sa chaîne de réflexion la fois suivante.
- OpenClaw se comporte plutôt comme un “Agent OS”. C’est une passerelle (gateway) ultra-robuste conçue pour gérer des sessions de communication sur des dizaines de canaux simultanément. Il orchestre des équipes d’agents persistants, mais il n’apprend pas par lui-même ; il s’appuie sur ce que vous lui donnez.
Le match par cas d’usage
1. Tâches de fond répétitives & Code (Gagnant : Hermes Agent)
Pour tout ce qui est scripts d’administration système, tâches cron et génération de code, Hermes est loin devant.
- L’automatisme des alertes : J’ai configuré Hermes pour faire mes sauvegardes de base de données et mes rapports système la nuit. Le truc génial, c’est qu’il intègre une planification en langage naturel et qu’il m’envoie un point de statut sur Telegram de manière totalement autonome, sans que j’aie besoin de coder explicitement une étape de notification dans le script de l’LLM.
- La boucle d’apprentissage : Si Hermes rencontre un bug en compilant du code ou en crawlant une page web, il s’arrête, réfléchit, corrige son approche et écrit un fichier
.mvou un script Python local dans sa bibliothèque. La fois suivante, il appelle directement ce code statique sans repasser par l’API de l’LLM. Pour le coup, c’est une réduction drastique de la consommation de jetons.
2. Support client & Communication multi-canal (Gagnant : OpenClaw)
Si vous devez interagir avec de vrais utilisateurs sur plusieurs applications, n’essayez même pas de faire ça avec Hermes.
- L’intégration des canaux : Une seule gateway OpenClaw peut gérer plus de 50 canaux de messagerie (Slack, Discord, WhatsApp, iMessage, etc.) en natif. Chez moi, OpenClaw écoute mon Slack pro et mon WhatsApp perso. Il route automatiquement les questions de dev vers mon agent “Développeur” et les messages de support général vers un autre profil, le tout de manière fluide. Hermes, de son côté, ne gère qu’une petite vingtaine de canaux et demande un processus de gateway séparé pour chaque identité d’agent. Pénible.
- La collaboration entre agents : OpenClaw permet de créer de véritables départements virtuels où les agents (par exemple, un Product Manager, un Analyste et un Copywriter) discutent entre eux dans un canal partagé pour résoudre un problème. Hermes utilise un modèle parent-sous-agent : le boss lance des sous-agents pour exécuter des scripts isolés, mais ils ne se parlent pas entre eux, font leur travail, rapportent au parent et disparaissent.
3. Navigation Web & Tâches interactives (Gagnant : OpenClaw)
Pour remplir des formulaires complexes ou acheter des produits en ligne, OpenClaw dispose d’un outil de navigation très mature. Son interface visuelle en temps réel (le Live Canvas ou A2UI) permet de voir exactement ce que fait le navigateur. De plus, si le site demande une double authentification (2FA), OpenClaw sait mettre sa tâche en pause pour vous demander de saisir le code de sécurité avant de reprendre son exécution.
Le nerf de la guerre : Modèles locaux vs API Cloud
C’est ici que les trajectoires se séparent complètement.
- Si vous tournez sur des LLM locaux (Qwen, Gemma, Llama 3) : Hermes Agent est le roi incontesté. Nous Research l’a optimisé pour extraire le maximum des petits modèles ouverts. Au lieu de surcharger le contexte d’un modèle local avec tout l’historique (ce qui le fait souvent dérailler), Hermes décharge le suivi d’état dans des fichiers de code physiques. Mieux encore, vous pouvez faire du routage dynamique de modèles : utiliser un petit Qwen 7B local pour le routage de base, et ne solliciter un modèle plus lourd que lorsqu’un skill de réflexion complexe est déclenché. Il tourne d’ailleurs à merveille sur des environnements serverless comme Modal ou Daytona pour ne consommer du calcul que lorsqu’un job est actif.
- Si vous utilisez des API payantes (GPT-4o, Claude 3.5 Sonnet) : OpenClaw s’appuie nativement sur les schémas d’outils d’OpenAI et gère très bien les fenêtres de contexte géantes. Mais attention, comme il ne compresse pas ses raisonnements dans des fichiers de compétences comme le fait Hermes, vos sessions longues vont accumuler un historique énorme et faire grimper vos factures de jetons de manière linéaire.
Comment j’ai optimisé Hermes pour diviser mes coûts par trois
Au début, j’ai failli abandonner Hermes parce que son coût d’initialisation était énorme. Par défaut, Hermes injecte les schémas JSON de plus de 50 outils intégrés dans chaque invite système (système de recherche, calendrier, accès aux bases de données…). Si vous ne vous en servez pas, vous payez pour rien.
Voici ma méthode pour assainir tout ça :
Étape 1 : Désactiver les outils inutiles
Allez dans votre fichier de config global :
nano ~/.hermes/config.tomlEt passez à false tout ce qui ne vous sert pas pour vos tâches courantes :
[tools]
enable_browser = false
enable_filesystem = true # Indispensable pour coder
enable_social_media = false
enable_productivity = false # Coupe le calendrier, les rappels, etc.
enable_database_admin = falseRésultat immédiat : une baisse de près de 70 % de la taille de l’invite de base.
Étape 2 : Activer le cache de contexte
Si vous passez par Anthropic ou DeepSeek via Hermes, forcez le cache dans la config pour ne pas payer la relecture de l’historique à chaque message :
# Pour Anthropic (Claude 3.5 Sonnet)[provider.anthropic]
api_key = "votre_cle_ici" extra_headers = { "anthropic-beta" = "prompt-caching-2024-07-31" } # Pour DeepSeek ou compatible[provider.openai_compatible]
base_url = "https://api.deepseek.com" api_key = "votre_cle_ici" enable_automatic_caching = trueÉtape 3 : Forcer la création de compétences
Quand Hermes résout un problème complexe, n’hésitez pas à lui envoyer ce message dans le chat :
“Réfléchis à cette réussite et enregistre-la comme une compétence permanente.”
Il va générer son fichier de skill local et la prochaine fois, le coût d’exécution de cette tâche sera proche de zéro.
La sécurité : deux salles, deux ambiances
Ne vous y trompez pas, laisser des agents exécuter du code sur votre machine comporte des risques, mais les menaces ne sont pas les mêmes.
- OpenClaw (Le cauchemar des CVE) : Parce qu’il est exposé sur le web pour gérer ses webhooks de messagerie, OpenClaw est une cible de choix. Il a subi des vulnérabilités critiques comme la suite “Claw Chain” (notamment la CVE-2026-44112 avec un score de sévérité de 9.6) qui permettait de s’échapper du conteneur Docker via des injections de prompt. Sans parler du store communautaire ClawHub : une étude de sécurité récente a montré que plus de 12 % des compétences partagées par la communauté contenaient du code malveillant ou des scripts pour exfiltrer vos clés d’API.
- Hermes Agent (Le risque du “sans limites”) : Hermes a un historique de CVE beaucoup plus propre (malgré quelques failles d’injection comme la CVE-2026-9366 ou des traversées de répertoires avec la CVE-2026-7396). En revanche, son comportement par défaut est extrêmement permissif. Sorti de sa boîte, il dispose d’un accès complet à votre terminal et à votre système de fichiers pour pouvoir s’auto-améliorer. Si vous le faites travailler sur des données non fiables (par exemple en lui faisant scraper un site web piégé avec une injection de prompt), l’agent peut être manipulé pour exécuter une commande de nettoyage de votre disque dur sans vous demander votre avis.
Mes conseils de sécurité :
- Si vous utilisez OpenClaw : ne publiez jamais son port d’administration directement sur le web sans un reverse-proxy blindé, et n’installez jamais un plugin ClawHub sans avoir lu chaque ligne de son code.
- Si vous utilisez Hermes : ne le faites jamais tourner directement sur votre machine principale. Utilisez un environnement isolé comme un bac à sable Docker, des runtimes serverless (Modal/Daytona) ou l’outil OpenShell de NVIDIA NemoClaw. Et laissez toujours les barrières de validation humaine actives pour les commandes système sensibles.
Mon verdict : Et si on ne choisissait pas ?
Honnêtement, choisir l’un ou l’autre dépend de ce que vous construisez.
- Prenez Hermes Agent si vous voulez un agent de développement autonome, que vous souhaitez exécuter des modèles locaux sur votre propre matériel et que vous traquez la moindre dépense de jetons.
- Prenez OpenClaw si vous montez un helpdesk multi-canal, que vous avez besoin que vos agents collaborent en équipe et que vous avez le budget pour consommer du jeton sur des API Cloud.
L’astuce de sioux : Les deux frameworks partagent la spécification d’outils agentskills.io et implémentent le protocole ACP (Agent Communication Protocol).
De mon côté, j’ai fini par monter une architecture hybride. J’utilise OpenClaw en tant que “cerveau frontal” pour gérer mes canaux Slack/Discord, mes calendriers et l’orchestration globale, et dès qu’une tâche de fond ou un besoin d’analyse de code complexe se présente, OpenClaw passe le relais à un agent Hermes en arrière-plan qui s’occupe de l’exécution rapide et économique.