Hermes Agent und Alternativen: Welcher KI-Agent passt zu Ihrer Arbeit?

Ein Agent recherchiert, erstellt Dokumente, bedient Anwendungen und arbeitet an einem Ziel weiter. Hermes Agent, OpenClaw, Bionic, Letta und Goose machen solche Aufgaben auf unterschiedliche Weise zugänglich. Grok Bot, OpenAI Dots und Claude bringen weitere Betriebsmodelle und Integrationen mit.

Für Unternehmen ist die Auswahl damit anspruchsvoller geworden. Ein persönlicher Assistent, ein Werkzeug für Wissensarbeit und eine Plattform für eigene Agenten können ähnliche Demos zeigen. Im Alltag unterscheiden sie sich bei Einrichtung, Datenzugriff und Verantwortung erheblich.

Meine Empfehlung: Wählen Sie einen Agenten anhand einer konkreten Aufgabe und eines überprüfbaren Ergebnisses. Der Betriebsmodus und die erlaubten Aktionen gehören von Anfang an zu dieser Entscheidung.

Quellenstand: 2. Oktober 2026. Dieser Artikel basiert auf offiziellen Produktinformationen und Dokumentationen. Er enthält keine eigenen Vergleichstests. Empfehlungen sind eine architektonische Einordnung; Verfügbarkeit und Funktionen können sich ändern.

Was ist Hermes Agent?

Hermes Agent ist ein Open-Source-Agent von Nous Research unter MIT-Lizenz. Er verbindet Sprachmodelle mit Werkzeugen, Erinnerungen und wiederverwendbaren Arbeitsanweisungen. Das Projekt dokumentiert unterschiedliche Modellanbieter, eigene Endpoints, Messaging-Anbindungen und zeitgesteuerte Aufgaben. Die Ausführung ist auf eigener Infrastruktur möglich und damit auch unabhängig vom persönlichen Laptop. Offizielles Hermes-Repository

Interessant ist vor allem das Zusammenspiel aus Gedächtnis und Skills. Der Agent kann einen erarbeiteten Ablauf für spätere Aufgaben festhalten, statt ihn jedes Mal neu zu entwickeln.

Was bedeutet bei Hermes „selbstlernend“?

Die Dokumentation beschreibt ein prozedurales Gedächtnis: Skills speichern längere Verfahren, Erinnerungen kleine dauerhafte Fakten. Der Agent kann seine Skills erstellen und verändern. Für Änderungen an Skills und Erinnerungen lassen sich Freigaben verlangen. Hermes Skills System

Das beschriebene Lernen erfolgt also über Kontext und Arbeitsanweisungen. Es ist von einem erneuten Training der Modellgewichte zu unterscheiden.

Für Unternehmen ergibt sich daraus eine konkrete Prüffrage: Wer kontrolliert, was der Agent dauerhaft übernimmt? Ein erfolgreich erledigter Auftrag kann gute Arbeitsanweisungen liefern. Er kann aber auch eine falsche Annahme oder einen zufällig erfolgreichen Umweg enthalten. Gespeichertes Wissen braucht deshalb Korrektur- und Löschmöglichkeiten.

Die Alternativen auf einen Blick

Die folgende Tabelle ist eine Entscheidungshilfe auf Basis der dokumentierten Schwerpunkte. Sie bewertet keine gemessene Leistungsrangfolge.

OpenClaw: die direkte Alternative für selbst betriebene Assistenten

OpenClaw beschreibt sich als Assistent auf eigener Infrastruktur. Ein dauerhaft laufendes Gateway verbindet ihn mit Messaging-Oberflächen. Die aktuelle Dokumentation beschreibt auch gemeinsame Nutzung mit Team-Sessions und Operator-Rollen. OpenClaw-Dokumentation

Damit gehört OpenClaw in einen direkten Vergleich mit Hermes. Für einen Pilot würde ich beide denselben Ablauf bearbeiten lassen: identische Quellen, identische Zugriffe und dasselbe erwartete Ergebnis.

Beispielsweise könnte ein Assistent jeden Freitag freigegebene Projektnotizen lesen und einen Statusbericht vorbereiten. Bewertet werden die Vollständigkeit, belegte Aussagen und die Zeit für menschliche Korrekturen.

Bei gemeinsamer Nutzung kommt ein weiterer Test hinzu: Kann eine Person Informationen erreichen, die ausschließlich für eine andere Rolle bestimmt sind? Eine gemeinsame Oberfläche ersetzt keine geprüfte Zugriffstrennung.

Meine Einordnung: OpenClaw ist besonders relevant, wenn das Unternehmen die Umgebung selbst gestalten und einen Assistenten in vorhandene Kommunikationskanäle einbinden möchte.

LM Studio Bionic: ein Agent für lokale und offene Modelle

Bionic ist eine eigenständige App neben dem klassischen LM Studio. Sie ist für Coding, Recherche und Arbeit mit Dokumenten und Dateien ausgelegt. Eine Session kann lokale Modelle, entfernte Modelle über LM Link oder Modelle in LM Studio Secure Cloud verwenden. Bionic-Dokumentation

Seit August unterstützt Bionic Skills im SKILL.md-Format, einschließlich der Erstellung aus erledigten Aufgaben. Seit September kann es gespeicherte Session-Verläufe durchsuchen; das Lesen anderer Sessions benötigt eine Freigabe. Skills, Session References

Bionic verdient deshalb einen eigenen Platz im Vergleich. Es verbindet eine fertige Arbeitsoberfläche mit der Wahl der Modellumgebung. Für einen Pilot bietet sich etwa an, aus einer freigegebenen Dokumentensammlung eine Zusammenfassung mit nachvollziehbaren Belegen zu erstellen.

Dabei müssen drei Dinge auseinandergehalten werden: die App, das Modell und die angebundenen Dienste. Die Nutzung offener Modelle sagt nichts über die Lizenz der App aus. Und ein lokales Modell garantiert keinen vollständig lokalen Workflow, wenn die Aufgabe externe Werkzeuge verwendet.

Für Cloud-Modelle beschreibt LM Studio eine vorübergehende Verarbeitung unter Zero Data Retention. Das bedeutet weiterhin Cloud-Verarbeitung. Für lokale Modelle nennt die Dokumentation verfügbare Hardware-Ressourcen und die benötigte Tool-Unterstützung als Auswahlkriterien. Lokale, entfernte und Cloud-Modelle

Meine Einordnung: Bionic ist besonders prüfenswert, wenn ein Team projektbezogen mit offenen Modellen arbeiten und lokale Ausführung praktisch erproben möchte.

Letta: persistentes Gedächtnis als zentraler Baustein

Letta beschreibt zustandsbehaftete Agenten mit eigener Identität, Modellkonfiguration, Werkzeugen und Gesprächshistorie. Erinnerungen werden über Gespräche hinweg geteilt. Bei Nutzung eines Letta-Accounts werden Agenten in der Cloud gesichert; ohne Account beschreibt die Dokumentation eine lokale Speicherung. Stateful Agents

Die aktuelle Letta-App macht Gedächtnis, Skills, Kanäle und Zeitpläne sichtbar und bearbeitbar. Arbeitsumgebungen können lokal oder entfernt laufen. Letta-App

Damit ergänzt Letta die Hermes-Frage nach dem Lernen um eine wichtige Perspektive: Wie wird der langfristige Kontext verwaltet?

Ein Agent für ein Produktteam könnte beispielsweise Entscheidungen, Arbeitskonventionen und bekannte Einschränkungen wiederverwenden. Der Erfolg hängt dann auch davon ab, ob er veraltete Entscheidungen erkennt und widersprüchliche Erinnerungen korrigiert.

Meine Einordnung: Letta sollte auf die Shortlist, wenn Zusammenarbeit über längere Zeiträume entscheidend ist. Im Pilot würde ich gezielt testen, wie der Agent mit geänderten Regeln und ausdrücklich verworfenen Informationen umgeht.

Goose: wiederverwendbare Abläufe und eigene Integrationen

Goose ist ein Open-Source-Agent mit Erweiterungen über MCP. Seine „Recipes“ bündeln Anweisungen, Werkzeuge und Einstellungen zu wiederverwendbaren Konfigurationen. Pro Recipe lassen sich verfügbare Erweiterungen und das Modell festlegen. Lokale Modell-Ausführung ist ebenfalls dokumentiert. Erweiterungen, Recipes, lokale Inferenz

Für Teams ist dieser Ansatz interessant, weil ein erprobter Ablauf als Konfiguration weitergegeben werden kann. Ein Recipe könnte festhalten, wie aus bestimmten Unterlagen ein Projektbericht entsteht und welche Werkzeuge dafür verwendet werden dürfen.

Die Wiederverwendbarkeit der Konfiguration garantiert jedoch keine identischen Ergebnisse. Modell, Quelldaten und Werkzeugantworten beeinflussen den Lauf weiterhin.

Meine Einordnung: Goose passt auf die Shortlist für technische Teams, die wiederkehrende Aufgaben gezielt konfigurieren und mit eigenen Systemen verbinden möchten. Im Test zählt, ob eine zweite Person den Ablauf mit vertretbarem Einrichtungsaufwand übernehmen kann.

Grok Bot: fortlaufende Arbeit auf einem Cloud-Computer

Grok Bot ist das Agentenprodukt von xAI beziehungsweise SpaceXAI. Die offizielle Einführung beschreibt einen persistenten Cloud-Computer mit Desktop, Dateisystem und Terminal. Bots können durch Chat, Routinen, Ereignisse und andere Bots angestoßen werden. Ein separater Review-Agent prüft vorgeschlagene Aktionen anhand von Regeln. Grok Bot 101

Ein Detail verdient besondere Aufmerksamkeit: Laut Anleitung können andere Bots ebenfalls auf eine Website zugreifen, wenn ein Bot dort angemeldet ist. Unterschiedliche Bot-Namen bedeuten in dieser Umgebung keine getrennten Account-Grenzen. Berechtigungen und gemeinsamer Computer

Meine Einordnung: Grok Bot ist für Aufgaben über mehrere Anwendungen hinweg interessant. Vor einem Pilot sollte die IT prüfen, welche Zugriffe tatsächlich geteilt werden. Ein Team aus spezialisierten Bots strukturiert die Arbeit; die Berechtigungsgrenzen müssen separat bewertet werden.

OpenAI Dots: fortlaufende Verantwortung in ChatGPT

OpenAI beschreibt Dots als Always-on-Agenten, die zwischen Gesprächen weiterarbeiten. Sie nutzen eigene Cloud-Computer und verbundene Werkzeuge. Custom Rules können Aktionen erlauben, blockieren oder an eine Freigabe binden. Aktionen mit Auswirkungen auf Accounts oder Informationsweitergabe durchlaufen Auto-review.

Die Produktseite nennt aktuell Pro, Business Premium und Enterprise in berechtigten Märkten. Bei Enterprise ist die Freischaltung durch den Administrator relevant. Offizielle Dots-Produktseite

Meine Einordnung: Dots sind besonders prüfenswert, wenn ChatGPT bereits Teil der Arbeitsumgebung ist und eine fortlaufende Aufgabe dort delegiert werden soll.

Ein sinnvoller Start wäre: „Halte die Unterlagen für das wöchentliche Projektmeeting aktuell, markiere Widersprüche und lege Änderungen zur Prüfung vor.“ Dieser Auftrag hat erkennbare Quellen, ein prüfbares Ergebnis und einen klaren Übergabepunkt.

Claude und Cowork: delegierte Wissensarbeit

Anthropic führt Chat und Cowork seit September schrittweise zusammen. Für Pro und Max soll die bisherige Trennung zwischen Gespräch und delegierter Aufgabe nach und nach entfallen. Ankündigung vom 16. September

Für Pro und Max ist außerdem angekündigt, dass neue Cowork-Aufgaben ab 6. Oktober 2026 in der Cloud laufen. Bereits lokal gestartete Aufgaben bleiben dort. Zugriff auf lokale Dateien benötigt weiterhin die entsprechende Desktop-Anbindung; ohne geöffnete Desktop-App kann eine Cloud-Session diese Ressourcen nicht erreichen. Aktuelle Plattforminformationen

Meine Einordnung: Claude gehört in einen Pilot für Recherche, Dokumente und mehrstufige Wissensarbeit. Die Desktop-Oberfläche allein beantwortet dabei nicht, wo eine Aufgabe ausgeführt wird und welche Daten übertragen werden.

Drei Fragen vor der Produktauswahl

Vom Auftrag zur passenden Shortlist

1. 01

   Welche Arbeit soll der Agent übernehmen?

   • Projekt und Dokumente

     Bionic, Goose oder Claude an derselben Aufgabe vergleichen.

   • Fortlaufende Assistenz

     Hermes, OpenClaw, Letta, Grok Bot oder Dots mit einer begrenzten Verantwortung testen.

2. 02

   Welche Daten dürfen die Umgebung verlassen?

   • Eigene Umgebung erforderlich

     Modell, Werkzeuge und Speicherorte als vollständigen Datenfluss prüfen.

   • Cloud-Verarbeitung möglich

     Verfügbarkeit, Zugriffe, Aufbewahrung und Kosten der konkreten Konfiguration bewerten.

3. 03

   Darf der Agent externe Systeme verändern?

   • Erst nach Freigabe

     Vorschlag und Ausführung als getrennte Schritte testen.

   • Innerhalb fester Grenzen

     Erlaubte Aktionen, Budget, Abbruch und Wiederherstellung technisch begrenzen.

Diese Fragen sind bewusst produktübergreifend. Self-Hosting schafft Gestaltungsmöglichkeiten, bringt aber Betriebsverantwortung mit. Eine verwaltete Plattform übernimmt Teile dieses Betriebs; die Verantwortung für den delegierten Auftrag bleibt beim Unternehmen.

Für die Abwägung zwischen eigener Infrastruktur und externen Plattformen ist der vollständige Datenfluss entscheidend. Mehr dazu: Private AI vs. Public Cloud.

Was kostet ein brauchbares Ergebnis?

Der Lizenzpreis bildet nur einen Teil der Kosten ab. Hinzu kommen Modell- und Werkzeugnutzung, Infrastruktur, Einrichtung, Wartung und menschliche Kontrolle.

Für einen Pilot würde ich deshalb die Kosten pro akzeptiertem Ergebnis messen. Bei einem Recherchebericht gehört auch die Zeit dazu, in der jemand Quellen überprüft und falsche Aussagen korrigiert.

Vergleichen Sie Kandidaten mit denselben Aufgaben und erfassen Sie:

• den Anteil fachlich akzeptierter Ergebnisse,
• notwendige Korrekturen und Freigaben,
• Laufzeit und Nutzungskosten,
• fehlgeschlagene oder wiederholte Aktionen,
• den Aufwand für Einrichtung und Betreuung.

Ein günstiger Modellaufruf kann am Ende einen teuren Arbeitsprozess ergeben. Umgekehrt kann eine kostenpflichtige Plattform wirtschaftlich sein, wenn sie den Gesamtaufwand senkt. Das lässt sich nur an einer realen Aufgabe beurteilen.

Wann ist ein Workflow die bessere Wahl?

Ein allgemeiner Agent ist für wechselnde Aufgaben interessant. Bei einem wiederkehrenden Geschäftsprozess kann eine kleinere, gezielte Anwendung besser passen.

Wenn Eingaben, Regeln und Folgeaktionen klar sind, sollte man zunächst einen kontrollierten Workflow mit einzelnen KI-Schritten prüfen. Beispielsweise kann ein Modell Dokumentfelder extrahieren, während Validierung und Freigabe fest im Prozess bleiben.

Die Entscheidung hängt davon ab, wie viel Freiheit der Lösungsweg braucht. Dafür gibt es eine eigene Entscheidungsmatrix zu Agenten, Workflows und Automation.

OpenHands wäre als spezialisierte Option für Softwareentwicklung gesondert zu bewerten. Frameworks wie LangGraph sind wiederum Bausteine für eigene Anwendungen. Beide Kategorien erweitern die Möglichkeiten, ersetzen aber nicht automatisch einen persönlichen Assistenten. OpenHands, LangGraph

Meine Empfehlung: eine Aufgabe, zwei Kandidaten, klare Grenzen

Für einen ersten Pilot reichen zwei passende Kandidaten. Die Auswahl könnte so aussehen:

• Eigener Assistent auf eigener Infrastruktur: Hermes und OpenClaw.
• Projektarbeit mit offenen Modellen: Bionic und Goose.
• Langfristiger Kontext: Letta und Hermes.
• Fortlaufende Arbeit in verbundenen Anwendungen: Grok Bot oder Dots, passend zur vorhandenen Umgebung.
• Dokumente und Recherche im bestehenden Claude-Umfeld: Claude als Kandidat aufnehmen.

Geben Sie beiden Kandidaten dieselben Quellen und einen vergleichbaren Auftrag. Beginnen Sie mit lesendem Zugriff und Ergebnissen zur Prüfung. Erweiterte Schreibrechte folgen erst, wenn die Fehlerpfade verstanden sind.

Testen Sie auch die Situationen, die in Demos selten auftauchen: eine fehlende Quelle, eine geänderte Vorgabe, einen abgelaufenen Zugang und einen Neustart mitten im Ablauf. Die Agent Evaluation beschreibt, wie Zuverlässigkeit, Tool Calls und Regressionen überprüfbar werden.

Der geeignete Agent liefert verwertbare Arbeit, zeigt Unsicherheit und lässt sich mit den Verantwortlichkeiten des Unternehmens betreiben. Dafür braucht es einen begrenzten Auftrag, passende Integrationen und einen belastbaren Vergleich.

Häufige Fragen

Welche Alternative kommt Hermes Agent am nächsten?

OpenClaw ist für einen direkten Vergleich selbst betriebener Assistenten relevant. Letta ist besonders interessant, wenn persistentes Gedächtnis im Mittelpunkt steht. Bionic und Goose ergänzen den Vergleich um projektbezogene Arbeit mit lokalen Modellen beziehungsweise wiederverwendbare Abläufe. Die passende Wahl hängt von Aufgabe, Datenzugriff und Betriebsverantwortung ab.

Ist LM Studio Bionic dasselbe wie LM Studio?

Nein. Bionic ist eine eigenständige Agenten-App für Coding, Recherche sowie Dokument- und Dateiarbeit. Sie unterstützt lokale Modelle, Modelle auf anderen Geräten über LM Link und Cloud-Modelle. Die Nutzung offener Modelle sagt nichts über die Lizenz der Agenten-App aus.

Bleiben bei einem lokal betriebenen KI-Agenten alle Daten lokal?

Das hängt vom vollständigen Datenfluss ab. Ein lokal betriebener Agent kann externe Modell-Endpunkte, Suchdienste oder andere Werkzeuge verwenden. Lokale Inferenz allein garantiert deshalb nicht, dass sämtliche Daten auf dem eigenen Rechner bleiben.

Vom Vergleich zum funktionierenden Pilot

Wenn eine konkrete Aufgabe vorhanden ist, lassen sich daraus eine Shortlist, Systemgrenzen und überprüfbare Erfolgskriterien ableiten. Ein AI Architecture & Build Sprint kann diese Make-or-Buy-Entscheidung und den Pilot-Scope konkretisieren.

Beschreiben Sie Ihr Vorhaben: Welche Aufgabe soll der Agent übernehmen, auf welche Systeme braucht er Zugriff und woran erkennen Sie ein gutes Ergebnis?