5 plugins Hermes qui valent le détour avec DeepSeek : donnez à votre agent des yeux, une mémoire et bien plus encore

Un agent Hermes propulsé par DeepSeek peut déjà raisonner, utiliser des outils, mémoriser des informations et exécuter des flux de travail persistants. Mais les améliorations les plus importantes ne viennent pas toujours du passage à un modèle plus grand. Parfois, le changement le plus utile consiste à donner à l’agent une capacité qu’il n’avait pas auparavant : une vision pour les captures d’écran, une mémoire à long terme plus approfondie, un espace de conception, un accès à votre cloud privé ou un moyen d’éviter de faire transiter du contexte inutile dans chaque requête.

C’est ainsi que nous avons sélectionné les cinq ajouts ci-dessous. Il ne s’agit pas simplement des projets Hermes les plus populaires. Chacun modifie une capacité pratique d’une configuration DeepSeek + Hermes. Si vous construisez encore l’environnement de base, commencez par notre guide de configuration auto-hébergée de Hermes Agent avant d’ajouter d’autres éléments.

Remarque terminologique : nous utilisons ici le terme « plugin » au sens large. L’écosystème Hermes comprend des plugins traditionnels, des compétences, des fournisseurs de mémoire, des intégrations MCP et des outils qui fonctionnent aux côtés de l’agent. Hindsight, par exemple, est désormais un fournisseur de mémoire natif d’Hermes plutôt qu’un plugin distinct à installer.

Pourquoi DeepSeek + Hermes devient plus utile après l’ajout des bons plugins

La question utile n’est pas de savoir combien de plugins Hermes peut exécuter. C’est de déterminer quelle nouvelle capacité chaque ajout crée. Hermes fournit déjà une couche d’agent substantielle autour du modèle, notamment une mémoire persistante, des outils, la planification, des interfaces de messagerie et la délégation. Ajouter un autre outil générique qui duplique ces fonctions peut accroître la complexité sans modifier ce que l’agent est réellement capable d’accomplir.

C’est pourquoi cette liste se concentre sur cinq goulots d’étranglement différents. ModLens apporte la vision. Hindsight renforce la mémoire à long terme. Open Design ajoute un flux de travail visuel orienté vers les artefacts. Hermes Nextcloud connecte l’agent à vos données personnelles auto-hébergées. LLMTrim réduit la surcharge de contexte qui apparaît à mesure que l’agent accumule des outils, des résultats et l’historique des conversations. Vous pouvez consulter séparément l’environnement Hermes sous-jacent et les limites de dimensionnement du modèle dans notre guide des exigences matérielles de Hermes Agent.

Le résultat est une manière plus utile de réfléchir à une pile d’agent IA : vision → mémoire → création → données privées → efficacité. Vous n’avez pas nécessairement besoin des cinq dès le premier jour. Commencez par la capacité qui empêche actuellement votre agent d’effectuer un travail utile.

1. ModLens — Donnez des yeux à DeepSeek Hermes

Si votre modèle DeepSeek est uniquement textuel, ModLens crée la différence avant-après la plus évidente de cette liste. Au lieu de vous obliger à décrire manuellement une capture d’écran, à coller le texte issu de l’OCR ou à traduire un problème visuel en mots, la couche de vision peut d’abord examiner l’image et transformer ce qu’elle voit en éléments que le modèle textuel peut exploiter pour raisonner.

ModLens a d’abord été conçu comme un module de vision pour DeepSeek Harness. Son flux de travail documenté peut transformer des images collées en éléments visuels structurés, notamment l’OCR, la mise en page et la sémantique. Dans une architecture centrée sur DeepSeek, il devient de fait l’interface visuelle : un moteur capable de vision interprète les pixels, puis le modèle DeepSeek textuel poursuit le raisonnement.

La distinction importante est que cela est plus utile qu’un simple OCR. L’OCR répond à la question « quel texte figure dans cette image ? » Un agent visuel utile doit également comprendre où se trouvent les informations, quels objets vont ensemble, ce que signifie un état de l’interface et quelle partie d’une capture d’écran est pertinente pour la tâche. Cela rend ModLens utile pour les tableaux de bord, les captures d’écran d’applications, les diagrammes, les boîtes de dialogue d’erreur, les mises en page web et la documentation riche en images.

Imaginez que vous dépannez un serveur domestique. Sans passerelle visuelle, vous pourriez saisir : « Le widget de stockage est orange et un disque indique qu’il est dégradé. » Avec ModLens du côté DeepSeek du flux de travail, l’interaction se rapproche davantage de : « Regardez cette capture d’écran du tableau de bord et dites-moi ce que je devrais examiner en premier. » La différence ne réside pas dans une réponse légèrement meilleure. Elle consiste à supprimer toute une étape de traduction manuelle entre vous et l’agent.

Il convient de garder une limite claire à l’esprit. ModLens est actuellement documenté avant tout comme une intégration de DeepSeek Harness ; nous le considérerions donc comme la couche de vision côté DeepSeek, plutôt que de prétendre qu’il s’agit d’un module natif du cœur d’Hermes. Cette distinction est importante lorsque vous déterminez où le traitement des images doit avoir lieu dans un flux de travail combinant DeepSeek et Hermes.

2. Hindsight — Donnez à Hermes une meilleure mémoire à long terme

Hermes possède déjà une mémoire ; Hindsight ne doit donc pas être présenté comme l’élément qui permet soudainement à Hermes de se souvenir. La véritable amélioration concerne ce qui se passe lorsqu’un agent dispose de plusieurs mois de conversations, de projets, de corrections, de préférences et de tâches récurrentes, et qu’il doit retrouver la bonne partie de cet historique au bon moment.

Les versions actuelles de Hermes prennent en charge Hindsight comme fournisseur de mémoire. L’intégration peut rappeler automatiquement les informations pertinentes avant les appels au modèle et conserver les conversations pour les sessions futures, tout en exposant également des opérations explicites de conservation, de rappel et de réflexion. L’ancien plug-in autonome Hindsight-Hermes est obsolète ; la voie actuelle correcte est le fournisseur de mémoire Hindsight natif pour Hermes.

Cette distinction devient importante pour un agent personnel persistant. Enregistrer un fait est facile. Décider quels anciens faits sont pertinents pour la tâche actuelle est plus difficile. Un agent fonctionnant sur le long terme peut devoir relier une décision prise il y a six semaines à une nouvelle demande formulée aujourd’hui, distinguer une ancienne préférence d’une correction ultérieure, ou se souvenir de la manière dont un problème récurrent de serveur a été résolu sans charger chaque conversation précédente dans l’invite.

Un projet de serveur domestique à long terme en est un exemple concret. Vous pouvez passer plusieurs semaines à modifier les chemins de stockage, les politiques des conteneurs, les règles de sauvegarde et les paramètres des applications. Lorsque vous revenez plus tard et demandez à Hermes de modifier une partie de ce système, une bonne mémoire ne consiste pas simplement à dire « voici 500 messages précédents ». Il s’agit de retrouver le petit ensemble de décisions antérieures qui encadrent la nouvelle action.

Hindsight prend donc tout son sens lorsque Hermes devient un espace de travail persistant plutôt qu’une session de chat éphémère. Si vous n’utilisez l’agent que pour des questions isolées, la différence peut être modeste. S’il gère des projets, des recherches récurrentes ou votre infrastructure personnelle pendant des mois, la qualité de la mémoire devient une composante de l’architecture de l’agent.

3. Open Design — Transformer Hermes, d’agent de codage en créateur visuel

Générer du HTML ou du React ne revient pas à achever un travail de conception. Un agent de codage peut produire une page qui s’affiche techniquement tout en vous laissant prendre les décisions visuelles : hiérarchie, espacement, direction stylistique, itération, prévisualisation et livraison. Open Design tente de combler cet écart en intégrant à l’agent un flux de conception axé sur les artefacts.

Open Design se décrit comme un espace de travail de conception local-first capable d’utiliser des agents de codage existants comme moteur de conception, et Hermes fait partie des intégrations d’agents prises en charge. Son flux de travail couvre des livrables tels que des prototypes, des pages d’atterrissage, des tableaux de bord, des présentations, des images et des vidéos, plutôt que de limiter le modèle à la prose ou aux suggestions de code source.

La consigne passe alors de « écris du CSS pour ce tableau de bord » à quelque chose de plus proche de « construis ce tableau de bord, définis une direction visuelle, génère l’artefact, examine-le et itère ». Pour un créateur, un développeur, une petite équipe ou un utilisateur de laboratoire domestique qui conçoit des interfaces personnalisées, il s’agit d’une augmentation des capacités bien plus concrète qu’une compétence de programmation généraliste supplémentaire.

Cela s’intègre également naturellement à DeepSeek, car la couche de conception et le modèle de raisonnement ne doivent pas nécessairement être le même produit. DeepSeek peut rester intégré à la pile de raisonnement et de programmation, tandis qu’Open Design fournit l’espace de travail, les modèles, les compétences, les aperçus et le pipeline d’artefacts qui l’entourent. Cette séparation est utile si vous préférez utiliser votre propre modèle plutôt que de verrouiller l’ensemble du flux de travail à un seul service de conception hébergé.

La limite est tout aussi importante : la génération visuelle ajoute une couche d’outils supplémentaire et nécessite parfois un modèle ou un fournisseur de médias additionnel. Si Hermes sert principalement à l’administration de serveurs ou à la recherche, Open Design peut être facultatif. Si l’agent produit régulièrement des interfaces web, des présentations, des supports marketing ou des tableaux de bord internes, il devient beaucoup plus facile d’en justifier l’utilisation.

4. Hermes Nextcloud — Connectez votre agent à vos fichiers, calendriers et tâches privés

C’est ici qu’Hermes commence à ressembler moins à un outil d’IA qu’à un agent personnel. Un modèle peut en savoir énormément sur le monde public tout en ne sachant presque rien des fichiers, notes, calendriers et tâches qui déterminent réellement ce que vous devez faire aujourd’hui. Une couche de données auto-hébergée change la donne.

Le pont Hermes Nextcloud créé par la communauté donne accès aux données Nextcloud depuis Hermes via plusieurs interfaces, notamment WebDAV, l’API Notes de Nextcloud, CalDAV et CardDAV. Cela permet de créer des flux de travail autour des fichiers, des notes, des calendriers, des tâches et des contacts, sans faire d’une session de navigateur le seul moyen pour l’agent d’accéder à ces ressources.

Pour un utilisateur de serveur domestique, cela donne lieu à certaines des requêtes d’agent les plus immédiatement utiles de l’article. « Trouve les PDF que j’ai téléversés hier et compare-les. » « Consulte mon calendrier et dis-moi quel après-midi est libre. » « Crée une tâche à partir de ces notes de réunion. » « Parcours mon dossier de projet privé et résume ce qui a changé. » Ce ne sont pas des benchmarks de modèles. Ce sont des tâches que les gens délèguent réellement.

L’aspect auto-hébergé est également important. Nextcloud peut fonctionner sur une infrastructure que vous contrôlez, et Hermes peut s’y exécuter comme un autre service dans le même environnement privé. Si vous prévoyez cette partie de votre pile, notre guide sur les exigences matérielles de Nextcloud explique comment le processeur, la RAM, le stockage, les bases de données et le nombre d’utilisateurs influent sur les besoins du serveur.

L’hébergement privé ne rend pas automatiquement le flux de travail sûr. Un agent ayant accès aux calendriers, aux contacts et aux fichiers modifiables présente une surface d’impact plus large qu’un chatbot disposant uniquement d’une recherche publique en lecture seule. Commencez par les autorisations les plus limitées dont vous avez besoin, utilisez dans la mesure du possible des identifiants d’application dédiés et décidez explicitement quelles données Hermes est autorisé à lire ou à modifier.

5. LLMTrim — Éviter que les longues sessions Hermes ne consomment trop de contexte

Les quatre premiers ajouts permettent à Hermes d’en faire davantage. Le cinquième répond à ce qui se passe une fois qu’il commence réellement à effectuer tout ce travail. Les agents de longue durée accumulent du contexte : définitions d’outils, sorties de terminal, réponses MCP, pages récupérées, historique des conversations, artefacts de raisonnement intermédiaires et résultats renvoyés par d’autres outils. Certaines de ces informations restent utiles. D’autres ne sont qu’un encombrement répétitif.

LLMTrim se place entre l’agent et le point de terminaison du modèle en tant que proxy local. Sa documentation spécifique à Hermes explique qu’il peut compresser les schémas d’outils répétés, l’historique des conversations, les sorties des outils MCP et le contenu récupéré avant l’envoi de la requête au modèle. L’intégration de Hermes et de LLMTrim diffère donc d’une compétence classique : elle modifie le chemin de transport au lieu d’enseigner une nouvelle tâche à Hermes.

Cela devient encore plus pertinent à mesure que votre environnement DeepSeek + Hermes gagne en outils. Imaginez un agent disposant d’outils de navigation web, de plusieurs serveurs MCP, d’un accès à Nextcloud, d’une mémoire à long terme, de sorties de terminal et d’une longue conversation. Si chaque tour renvoie au modèle de grandes quantités de structures répétées, le coût de fonctionnement de la boucle de l’agent peut augmenter même lorsque la nouvelle question est courte.

La réduction du contexte n’est pas magique, et toute compression agressive mérite d’être testée. Supprimer le mauvais détail peut nuire à une réponse ultérieure tout autant que l’ajout d’un contexte inutile peut distraire le modèle. L’objectif utile n’est pas de « rendre chaque invite aussi petite que possible », mais de « cesser de payer le coût contextuel d’informations qui ne contribuent plus à la prochaine décision ».

Il faut également tenir compte de la sécurité. Un proxy local placé entre Hermes et le fournisseur du modèle voit nécessairement le contenu des requêtes qui le traversent. Considérez cela comme faisant partie de votre périmètre de confiance, en particulier si Hermes traite des fichiers personnels, des identifiants, des notes privées ou d’autres contenus sensibles.

Quel plugin Hermes devez-vous installer en premier ?

Si vous utilisez un modèle DeepSeek uniquement textuel et que vous ne voulez essayer qu’une seule amélioration, ModLens est le choix le plus évident pour commencer. La vision apporte la nouvelle fonctionnalité la plus manifeste, car elle évite de devoir traduire manuellement les captures d’écran et les images en texte avant que le modèle puisse vous aider.

Ensuite, le bon choix dépend de ce qui limite l’agent plutôt que d’un classement universel. Choisissez Hindsight lorsque le contexte historique devient difficile à réutiliser. Ajoutez Open Design lorsque le résultat lui-même doit être visuel. Ajoutez Hermes Nextcloud lorsque les informations utiles se trouvent dans votre cloud privé. Ajoutez LLMTrim lorsque les longues sessions riches en outils commencent à transporter davantage de contexte que la tâche ne semble l’exiger.

Si vous choisissez encore ce qui doit être installé sur le serveur, le catalogue des exigences matérielles des applications ZimaOS constitue une prochaine étape utile pour comparer les charges de travail liées à l’IA et aux applications auto-hébergées avant de regrouper plusieurs services sur une même machine.

La meilleure façon de penser aux plugins Hermes

Les extensions Hermes les plus utiles ne sont pas nécessairement celles qui possèdent les listes de fonctionnalités les plus longues. Ce sont celles qui suppriment une limite spécifique. ModLens supprime la limite liée aux images. Hindsight améliore la limite liée à la mémoire. Open Design élargit la limite des résultats. Nextcloud franchit la limite entre les connaissances publiques du modèle et vos données de travail privées. LLMTrim gère la limite de contexte créée lorsque tous ces outils commencent à fonctionner ensemble.

Cela crée une architecture beaucoup plus claire que le simple fait d’installer chaque projet intéressant que vous trouvez. Commencez par un modèle performant tel que DeepSeek, utilisez Hermes comme couche d’agent persistante et ajoutez des fonctionnalités externes uniquement lorsqu’un véritable flux de travail l’exige. Une pile plus réduite, avec cinq intégrations clairement justifiées, est généralement plus facile à comprendre, à sécuriser, à mettre à jour et à dépanner qu’un agent doté de dizaines d’outils redondants.

L’objectif final est également plus intéressant que de créer un chatbot avec des boutons supplémentaires. Un environnement DeepSeek + Hermes auto-hébergé peut progressivement devenir un espace de travail IA privé capable de voir ce que vous voyez, de se souvenir de ce qui compte, de créer des artefacts utiles, de travailler avec les données que vous contrôlez et de rester efficace à mesure que ses responsabilités augmentent. C’est à ce moment que les plugins cessent d’être de simples accessoires et commencent à faire partie de l’architecture de l’agent.