RAG mit Hermes Agent - Community-Lösungen 2026

🏛️ Architektur: Das 3-Schichten-Modell

Hermes Agent behandelt Memory/RAG als first-class Plugin-Infrastruktur, nicht als Feature. Die Architektur besteht aus drei Schichten, die sich addieren, nicht ersetzen. Bestätigt durch die offizielle Doku und das Hermes Agent Memory Guidebook:

┌─────────────────────────────────────────────────────────┐ │ LAYER 3 · COMMUNITY PLUGINS │ │ Mnemosyne, ClawMem, Memory OS, RAG Memory Plugin, │ │ GBrain, LWC, Lians, hexus, causal-memory, plur, ... │ │ → Additive Erweiterung über beide Layer │ ├─────────────────────────────────────────────────────────┤ │ LAYER 2 · OFFICIAL MEMORY PROVIDERS (8) │ │ Honcho · Mem0 · Hindsight · Supermemory · OpenViking │ │ Holographic · RetainDB · ByteRover │ │ → Genau ein Provider aktiv, eigener Store │ ├─────────────────────────────────────────────────────────┤ │ LAYER 1 · NATIVE (out-of-the-box) │ │ MEMORY.md (2.200 chars) · USER.md (1.375 chars) │ │ state.db (SQLite + FTS5) — alle Sessions │ │ → Läuft IMMER, unabhängig von Layer 2/3 │ └─────────────────────────────────────────────────────────┘

Wichtig: Das Wechseln des Layer-2-Providers löscht nicht Layer 1. Die nativen Markdown-Files und die Session-Datenbank laufen unter jedem Provider weiter. Layer-3-Plugins sind additiv über beide Schichten. Der Atlas-Guide ergänzt zwei klärende Punkte: (1) Memory-as-Skill ist kein Pattern - Skills, die "Memory" anbieten (z.B. Mnemosynes SKILL.md), sind Wrapper um Plugins; seriöse persistent memory läuft über das MemoryProvider-ABC. (2) GBrain belegt einen anderen Slot (Weltwissen als Markdown-Vault) und kann neben einem Layer-2-Provider laufen. Neu in der offiziellen Memory-Doku: write_approval (Freigabe-Gate für Memory-Writes, /memory pending), Hintergrund-Self-Improvement-Review, /journey (Lernpfad-Ansicht, Pruning).

Offizielle Memory-Provider (Layer 2) - Übersicht

Details aus der offiziellen Memory-Providers-Doku (Stand 20.09.2026):

Provider	Architektur / Modus	Lokal?	Tools	Quelle
Honcho	AI-native Dialectic User Modeling, Two-Layer Context Injection; Konfig-Knobs: contextCadence, dialecticCadence, dialecticDepth; Headless-Device-Auth für Remote-Maschinen	Cloud oder Self-Hosted	5 (profile, search, context, reasoning, conclude)	Docs ↗
Mem0	Serverseitige LLM-Fakt-Extraktion mit Dedup. 3 Modi: Platform (Cloud), Self-Hosted Dashboard (Docker), OSS (in-process mit eigenem LLM + Vector Store)	Cloud / Self-Hosted / OSS	4 (search, add, update, delete)	Docs ↗
Hindsight	Long-Term Memory mit Knowledge Graph, Entity Resolution, Multi-Strategy-Retrieval; reflect-Tool für Cross-Memory-Synthese (behält vollständige Turns inkl. Tool-Calls)	Cloud (ui.hindsight.vectorize.io) oder lokal (embedded PostgreSQL)	3 (retain, recall, reflect)	Docs ↗
Supermemory	Semantisches Langzeitgedächtnis, Profil-Recall, Session-Capture (1 Dokument je Session je 4h-Fenster)	Cloud oder Self-Hosted	4 (store, search, forget, profile)	Docs ↗
OpenViking	Context-Datenbank von Volcengine (ByteDance): Filesystem-Hierarchie, tiered Retrieval, Auto-Extraktion in 6 Kategorien; AGPL-3.0	Self-Hosted	6 (search, read, browse, remember, forget, add_resource)	Docs ↗
Holographic	Lokaler SQLite-Fakt-Store mit FTS5, Trust Scoring, HRR (Holographic Reduced Representations) für kompositionale Abfragen; NumPy optional	100% lokal	2 (fact_store mit 9 Actions, fact_feedback)	Docs ↗
RetainDB	Cloud-Memory-API: Hybrid Search (Vector + BM25 + Reranking), 7 Memory-Typen, Delta Compression; $20/Monat	Cloud	10 (profile, search, context, remember, forget + 5 File-Tools)	Docs ↗
ByteRover	Persistent memory via `brv`-CLI: hierarchischer Knowledge Tree, tiered Retrieval (fuzzy → LLM-Search); lokal-first, optionaler Cloud-Sync	Lokal (Default)	3 (brv_query, brv_curate, brv_status)	Docs ↗ · byterover.dev ↗

📦 Offizielle Optionale Skills (RAG-relevant)

Qmd - Query Markup Documents

⭐ 29.901 (tobi/qmd) · Release v2.8.3

Official Skill 100% Local BM25 + Vector + LLM Reranking MCP Integration (5 Tools)

Komplette lokale Suchmaschine für persönliche Knowledge Bases. Indext Markdown/Text/Code, bietet hybride Suche (BM25 + Vektor + LLM-Reranking). Erstellt von Tobi Lütke, MIT-lizenziert. Die empfohlene Default-Lösung für RAG mit Hermes. Repo jetzt unter github.com/tobi/qmd (vorher im NousResearch-Repo verlinkt).

3 Suchmodi: search (BM25, ~0.2s), vsearch (semantic, ~3s), query (hybrid+reranking, ~2-3s warm / ~19s cold); dazu get/multi-get für Volltextabruf
3 lokale GGUF-Modelle: EmbeddingGemma 300M + Qwen3 Reranker 0.6B + Query Expansion 1.7B (~2GB)
MCP-Integration, jetzt 5 Tools: mcp_qmd_search, mcp_qmd_vsearch, mcp_qmd_deep_search, mcp_qmd_get, mcp_qmd_status
Neu dokumentiert: HyDE-Modus (Hypothetical Document Embeddings), Query-Syntax (lex:/vec:/expand:), Multi-Mode-Queries
Pipeline-Details: Query Expansion (1.7B, 2 Alternativen, Original 2x gewichtet), paralleles BM25+Vector, RRF-Fusion (k=60), Qwen3-Reranker auf Top-30, Position-Aware Blending (Rank 1-3: 75/25, Rank 4-10: 60/40, ab Rank 11: 40/60)
Chunking: ~900 Token, 15% Overlap, Code-Blöcke werden nie gesplittet
Multilingual: Embedding-Override generisch via QMD_EMBED_MODEL für CJK/Multilingual-Content

📄 Hermes Docs ↗ 📦 GitHub (tobi/qmd) ↗ 🏷️ Releases ↗ 📖 Setup Guide (fast.io) ↗

Chroma - Open-Source Embedding Database

⭐ 24.300+ · v1.3.3

Official Skill Local (Python) Vector DB Metadata Filtering

Open-Source Embedding-Datenbank für AI-Anwendungen. Speichert Embeddings + Metadaten, bietet Vektor- und Volltextsuche, Metadaten-Filterung. Simple 4-Operationen-API (create/add/query/get). Skaliert vom Notebook bis zum Production-Cluster. Building Block - keine eigene RAG-Pipeline oder MCP. Skill-Doku nennt jetzt zusätzlich einen JS/TS-Client (chromadb + @chroma-core/default-embed).

Best für: lokale Entwicklung, Open-Source-Projekte, Prototypen
Kein MCP-Server → via execute_code oder Custom MCP-Wrapper nutzen
Install: hermes skills install official/mlops/chroma
Doku empfiehlt Alternativen je Anwendungsfall: Pinecone (managed), FAISS (reine Similarity), Weaviate (production), Qdrant (Performance)

📄 Hermes Docs ↗ 🌐 chroma.com ↗

Qdrant - Vector Similarity Search Engine

Offiziell

Official Skill Rust (Self-hosted/Cloud) Production Vector DB Hybrid Search

Hochperformante Vector Database in Rust. Production-grade mit Sharding/Replikation, hybride Suche (Vektoren + Metadaten-Filterung), Multi-Vector-Storage (dense + sparse je Record), Quantisierung (scalar/product/binary). Building Block - keine eigene RAG-Pipeline. Für Production-RAG-Systeme mit niedriger Latenz und horizontaler Skalierung.

Best für: Production RAG, niedrige Latenz, horizontale Skalierung, On-Premise
Install: hermes skills install official/mlops/qdrant
REST + gRPC APIs; qdrant-client Python-Paket

📄 Hermes Docs ↗ 🌐 qdrant.tech ↗ 📖 Agentic Builders Guide ↗

FAISS - Billion-Scale Similarity Search Neu im Katalog

Offiziell

Official Skill Local (faiss-cpu/gpu) HNSW GPU Acceleration

Facebook AI's Library für Billion-Scale Vector Similarity Search. Reine Such-Bibliothek (kein Server, keine Persistenz-Schicht) für maximale Raw-Speed in Forschung und Batch-Verarbeitung. Building Block.

Install: hermes skills install official/mlops/faiss
Dependencies: faiss-cpu, faiss-gpu, numpy
Tags laut Katalog: RAG, Similarity Search, Billion-Scale, HNSW, K-NN

📄 Hermes Docs ↗

Pinecone - Managed Vector Database Neu im Katalog

Offiziell · Skill v1.0.1

Official Skill Managed Cloud Hybrid Search Auto-Scaling

Managed Vector DB für Production-RAG ohne Eigenbetrieb (Serverless, Auto-Scaling). Für Teams, die Zero-Ops bevorzugen. Parallel existiert im MLOps-Zweig die allgemeine Pinecone-Referenz und im Research-Zweig der agent-fokussierte Skill (siehe unten).

Install: hermes skills install official/mlops/pinecone
Author: Orchestra Research, MIT, Linux/macOS/Windows

📄 Hermes Docs ↗

Pinecone Research - Agent RAG + Long-Term Memory Neu im Katalog

Offiziell · Skill v1.0.0

Official Skill Managed Cloud Agent Memory Namespace Session Memory

Agent-fokussierter Pinecone-Skill: persistiert Embeddings, ruft relevanten Kontext aus vergangenen Sessions ab und baut Long-Term Memory auf - inklusive Namespace-basierter Session-Memory. Dependencies: pinecone-client, langchain-pinecone, langchain-openai.

Install: hermes skills install official/research/pinecone-research
Author: immuhammadfurqan, MIT
Abgrenzung: mlops/pinecone für generische Infrastruktur, research/pinecone-research für Agent-RAG

📄 Hermes Docs ↗

🔧 Community-Projekte (Layer 3)

Diese Projekte gehen über die offiziellen Provider hinaus und implementieren eigenständige RAG/Memory-Lösungen für spezifische Anwendungsfälle. Sortiert nach Community-Rezeption (Stars/Reife). Sternzahlen: GitHub, 20.09.2026.

Mnemosyne - Zero-Cloud AI Memory

⭐ 3.212 · 1.344 Commits · PyPI v3.15.1

Community 100% Local (SQLite) Sub-Millisecond MCP + Native Provider One Pure-Python Dependency

Universelle, Hermes-first Memory-Layer. Funktioniert mit jedem Agent-Framework (Claude Code, Cursor, Codex, OpenWebUI, OpenClaw, Pi). Ein pip install, eine SQLite-Datenbank. Keine externen Services. Wichtiges Update seit Juni 2026: Das Repo ist umgezogen zu mnemosyne-oss/mnemosyne; der Hermes-Wrapper (mnemosyne-hermes, v0.7.1) ist "native, ships enabled". Architektur: Working Memory → Episodic Memory (BEAM) → Temporal Knowledge Graph (TripleStore). Neu: MIB-Binarisierung komprimiert 384-dim-Embeddings auf 48 Bytes (32x), Hamming-Distanz in SQLite, keine ANN-Indizes, keine externe Vector DB.

Install: pip install mnemosyne-memory[all] + hermes config set memory.provider mnemosyne
RAM-Profile: core ~50MB (Remote-Embedding-API) / [embeddings] ~800MB (FastEmbed lokal) / [all] ~1.5GB (+ lokale LLM-Konsolidierung)
Benchmarks (README): Recall@10 konstant 20% von 100k bis 1M Messages bei 372-493ms Latenz; bei 10M Messages 35ms (BEAM-Direct), Storage sub-linear (Episodic-Kompression, 9.4x Einsparung)
Hybrid-Gewichtung laut Awesome-Liste: 50% Vektor / 30% FTS5 / 20% Importance; time-aware Fact-Invalidation
Default-Embedding: BAAI/bge-small-en-v1.5; multilingual: paraphrase-multilingual-MiniLM-L12-v2, intfloat/multilingual-e5-large oder bge-m3 via MNEMOSYNE_EMBEDDING_MODEL
Standalone MCP-Server: mnemosyne mcp (stdio/SSE), Python-SDK from mnemosyne import remember, recall

📦 GitHub ↗ 🌐 mnemosyne.site ↗ 📖 Docs (Hermes Integration) ↗ 🐍 PyPI (mnemosyne-memory) ↗ 🐍 PyPI (mnemosyne-hermes) ↗

Memory OS - 7-Layer Memory Operating System

⭐ 1.368 · 50 Commits

Community Local (Docker: Qdrant+Redis) 7-Layer Architecture Provider-Agnostic

Vollständiges Memory Operating System für Hermes Agent. 7 Schichten von Flat Files bis zur Vector Database, mit chirurgischer Context-Injection und einer selbst-kuratierenden Wiki-Pipeline. Läuft komplett lokal, mit jedem LLM-Provider (OpenRouter, OpenAI, Anthropic, Ollama).

Layer 1: Workspace (MEMORY.md, USER.md, CREATIVE.md)
Layer 2: Sessions (state.db SQLite + FTS5)
Layer 3: Structured Facts (memory_store.db, trust scoring)
Layer 4: Fabric / Cross-Session (Icarus Plugin, 16 Tools)
Layer 5-7: Semantic Search (Qdrant), Auto-Wiki, Context Injection
One-command install: curl -sSL https://raw.githubusercontent.com/ClaudioDrews/memory-os/main/setup.sh | bash
Voraussetzung: Docker (Qdrant + Redis + ARQ Worker) + Python 3.11+

📦 GitHub ↗

ClawMem - On-Device Memory Layer

⭐ 210 · 36 Forks · v0.58.0 (verifiziert bis 1.1.0)

Community 100% Local (SQLite) Hybrid RAG (BM25+Vector+Reranking) MCP + Hooks + Hermes Plugin TypeScript/Bun · npm

On-Device Memory für Claude Code, OpenClaw, Hermes und AI-Agents. Alle Integrationswege (Claude Code Hooks, MCP-Server, OpenClaw Plugin, Hermes MemoryProvider-Plugin) schreiben in denselben lokalen SQLite-Vault - ein Decision aus Claude Code ist sofort in Hermes sichtbar. Install jetzt bequem via npm install -g clawmem. Führt aktuelle Forschung zusammen: QMD-derived multi-signal retrieval, SAME-inspired composite scoring, MAGMA-style intent classification, A-MEM self-evolving memory notes, Engram pattern extraction.

Multi-Signal Retrieval: BM25 + Vector + Reciprocal Rank Fusion + Query Expansion + Cross-Encoder Reranking; Reranker-Option zerank-2-seq
Neu seit Juni 2026: SPO-Knowledge-Graph-Triples als strukturierte Injection (<vault-facts>, v0.9.0), Authorship-Time-Ranking (v0.27.0), clawmem mine mit --synthesize (Fakt-Extraktion aus Chat-Exports, v0.7.2), Session-Focus-Boost, Contradiction-Judge (opt-in via CLAWMEM_JUDGE_*)
GGUF-Observer: lokales Modell extrahiert Entscheidungen/Präferenzen/Milestones aus Session-Transkripten
Plattform-Support: Linux (primär, systemd Services), macOS (Metal via llama.cpp), WSL2 empfohlen; natives Windows nicht empfohlen
Install: npm install -g clawmem (empfohlen) oder bun add -g clawmem

📦 GitHub ↗ 🗺️ Hermes Atlas ↗

RAG Memory Plugin for Hermes Agent

⭐ 6 · PyPI 1.0.0

Community Local (SQLite + sqlite-vec) Hybrid TF-IDF + Neural Python

Production-grade RAG Memory System mit hybrider TF-IDF + Neural-Suche, automatischer Context-Injection, interaktivem Setup-Wizard und Backup/Recovery. Nutzt sqlite-vec und sentence-transformers.

Hybrid Search: TF-IDF + Neural retrieval, <2ms search time
Auto-Capture: Hooks injizieren Context vor LLM-Calls, capturen Responses danach
Namespace Isolation: Separate Memory-Spaces für Conversations, Files, Projects
20+ CLI Commands: setup, doctor, status, index, search, config, backup, restore
Install: curl -sSL https://raw.githubusercontent.com/favouraka/rag-memory-plugin/main/install.sh | bash

📦 GitHub ↗ 🐍 PyPI ↗

Qdrant-Hermes-Integration

⭐ 0 · Stand 20.09.2026

Community Local Qdrant + Cloud Embedding 8 Tools · 10 Modules · 58 Tests Self-healing

Plug-and-Play Qdrant Vector Memory Plugin für Hermes Agent. Semantisches Long-Term Memory via lokalem Qdrant + beliebige OpenAI-kompatible Embedding-API. Auto-scoped Collections, Pre-save Dedup, Recency-weighted Search. Status-Update: Zum Recherche-Zeitpunkt (06/2026) als archiviert geführt; am 20.09.2026 zeigte das Repo keinen Archiv-Hinweis mehr. Praktisch ungenutzt (0 Stars).

8 Tools: qdrant_profile, qdrant_search, qdrant_remember, qdrant_forget, qdrant_index, qdrant_consolidate, qdrant_backfill, qdrant_topics
Auto-scoped: Jede Hermes-Instanz + Profil-Kombo bekommt eigenen Namespace
Self-healing: Workaround für bekannten Hermes namespace bug
Install: curl -sL https://raw.githubusercontent.com/glasschan/qdrant-hermes-integration/main/setup.sh | bash

📦 GitHub ↗

hermes-rag-complete-deployment (kaiser1103)

⭐ 1

Community Deployment Guide Local (LanceDB) Chromadb · LangChain · ONNX

Komplette End-to-End RAG-Plugin-Deployment-Anleitung für Hermes Agent. Deckt Installation, Konfiguration, Chunking-Optimierung und Auto-Import ab. Fokussiert auf das interne cpu_rag Plugin (LanceDB + BAAI/bge-small Embeddings). Enthält Markdown-Header-aware Chunking, Batch-Import-Scripts und Inkrementelle Updates.

Verwendet Hermes' internes cpu_rag Plugin (wenn vorhanden) oder Download
Embedding-Model: sentence-transformers/all-MiniLM-L6-v2 oder BAAI/bge-small-zh-v1.5
Vector DB: LanceDB (embedded)
Chunking: MarkdownHeader-aware (h1-h4) + RecursiveCharacterTextSplitter fallback
Auto-Inkrementeller Import via SHA256-Hash-Dedup

📦 GitHub (SKILL.md) ↗ 📁 GitHub (Full Dir) ↗

Weitere Community-Provider seit Juni 2026 (Kurzatlas)

Die awesome-hermes-agent-Liste (5.714 ★) hat die Layer-3-Slot-Erweiterungen deutlich vergrößert. Auswahl (Status laut Liste, 20.09.2026):

Projekt	Ansatz	Lizenz
LWC (JanYork)	Agent-getriebenes Projekt-Memory: SQLite-Wiki + FTS5, Atomare Changesets, optionaler Doc/Code-Graph, unified `lwc serve --mcp`	Apache-2.0
Lians	Bitemporale Fakten (was war wann wahr), Konflikt-Historie, Memory-Lineage, verifizierbare Retrieval-Receipts; lokal mit SQLite, kein API-Key	Apache-2.0
Open Index (DrDroidLab)	Strukturierte Context-Layer für Domänen-Agenten: Typed Knowledge Graphs, Hybrid Search, SQLite oder OpenSearch	MIT
plur-hermes (plur-ai)	Engram-Store als YAML bei ~/.plur/, BM25 + lokale BGE-small-Embeddings, Feedback-Rating, ACT-R-Decay, 22 Tools, kein eigener Netzwerk-Pfad	Apache-2.0
hexus (codenamekt)	Postgres-Memory-Plugin + standalone MCP-Server; pgvector, lokale MiniLM-Embeddings (kein LLM im Hot Path), Async-Write-Queue	BSD-3-Clause
causal-memory (JingxuanC)	Rust-Core: Flache Fakten + typisierte Entscheidungs-Edges (caused/enabled/prevented), lokales SQLite je Profil, Store außerhalb des Context-Windows (überlebt Compaction)	Apache-2.0
flowstate-qmd (amanning3390)	Anticipatory Memory: Prefetch von vermutlich nächstem Kontext vor dem Query (RAG + Vector Search)	—
hermes-penfield (penfieldlabs)	Knowledge-Graph-Provider, 16 Tools, OAuth 2.1 Device Flow, stdlib-only; Plugin MIT, dahinter bezahlter Penfield-Cloud-Service (kein Free Tier)	MIT (Plugin)
gbrain (garrytan)	Opinionated Brain-Layer: strukturiertes persönliches Weltwissen in einem Markdown-Vault, komplementär zum Layer-2-Provider (laut Atlas-Guide der "Standout" für diesen Slot)	—
keepnotes · Brainstack · autocontext · hermes-lcm · Tree Ring Memory	Weitere Beta-Ansätze: Reflective Notes, Layered Memory-Kernel, Self-Improving Context, Lossless Context Management, Skill-Level Memory-Hygiene	—

Hinweis: Bei Projekten ohne verifiziertes direktes Repo-URL in der Liste wurde auf die Awesome-Liste als Quelle verlinkt; die dortigen Einträge sind mit [beta]/[experimental] markiert.

📚 Tutorials, Guides & Community-Artikel

The Hermes Agent Memory Guidebook

Kevin Simback (X/Hermes Atlas)

Guide

Definitive Guide zu Memory-Systemen für Hermes Agent (veröffentlicht 23.05.2026 auf X). Vergleicht native Memory, offizielle Memory-Provider (8) und Community-Plug-ins (GBrain, Mnemosyne, Mem0, Hindsight, Honcho, Supermemory). Erklärt das 3-Schichten-Modell, einen Decision-Tree ("How to actually pick?") und Warnsignale für überdimensionierte Memory-Layer (Latenz > 3s, Token-Kosten, widersprüchliche Recalls).

📖 Hermes Atlas Guide ↗

Hermes Agent + RAG知识库：5分钟搭建AI智能问答系统

CSDN Blog (JS-Gate)

Tutorial

Chinesischsprachiges Tutorial: 5-Minuten-Setup eines AI-QA-Systems mit Hermes + RAG. Beschreibt Hermes als "eingebaute komplette RAG-Unterstützung, out-of-the-box" und vergleicht Milvus / Qdrant / Chroma als Vector-Backends. Multi-Plattform (Telegram, Feishu, WeChat). Access-Hinweis: Seite hinter JS-Gate (Volltext nur im Browser lesbar).

📖 CSDN Blog ↗

Set Up RAG Document Retrieval in Hermes Agent (2026)

fast.io

Setup Guide

Step-by-Step Anleitung zur Konfiguration von Hermes Agent's Qmd-Skill für lokales RAG mit hybrider BM25 + Vector-Suche und LLM-Reranking. Keine Cloud-Dependencies.

📖 fast.io Guide ↗

Built a 100k-Document RAG System by Hand - Hermes Agent Challenge

dev.to (dannwaneri)

Case Study

Erfahrungsbericht: 100.000+ Dokumente indiziert, hybride BM25 + Vector-Suche auf Cloudflare Workers, Gemma 4 MoE Reflection Layer, MCP-Server mit Durable Objects, multimodale Image-Ingestion mit Llama 4 Scout. Dokumentiert 7 Friction Points beim Setup von Hermes auf Windows. Hermes Agent Challenge Submission.

📖 dev.to Article ↗

Lesson 13 - Knowledge Base: RAG & Long-Term Document Management

agentupdate.ai

Tutorial

Tutorial-Lektion über Integration von Hermes Agent mit ChromaDB für skalierbare Long-Term Knowledge Bases. Hands-on: Domain-spezifisches Wissen, Reduktion von Halluzinationen, professionellere Antworten.

📖 agentupdate.ai ↗

MCP for RAG and Agent Memory: How They Work Together

getknit.dev

Conceptual

Erklärt das Verhältnis von RAG (Generierungstechnik) und MCP (Protokoll für Tool-Calls). RAG braucht Vector Search, Chunking und Embedding-Logic; MCP stellt die standardisierte Schnittstelle bereit, über die der Agent die Retrieval-Tools aufruft.

📖 getknit.dev ↗

Awesome Hermes Agent - Curated Lists

Community Curated

Resource List

Kuratierte Liste von Skills, Plugins, Memory-Providern, Tools, Surfaces und Guides für Hermes Agent (5.714 Stars, 20.09.2026). Die Hermes Atlas ist ein community-gecurtes Verzeichnis mit qualitätsgefilterten Repositories. Berichtigung: Die im Juni genannte zweite Liste (SamurAIGPT/awesome-hermes-agent) existiert nicht mehr - das Repo wurde entfernt/repurposed.

📦 0xNyk/awesome-hermes-agent ↗ 🗺️ Hermes Atlas ↗

Lösung	Typ	Vector DB	Hybrid Search	Reranking	MCP	PDF Native	Local-Only	Hermes Plugin	Setup-Aufwand
Qmd	Official Skill	SQLite + FTS5	✅ BM25+Vector	✅ Qwen3 0.6B	✅ Built-in (5 Tools)	❌	✅	✅ Skill/MCP	Low (npm)
Chroma	Official Skill	ChromaDB (embedded)	⚠️ Vector+FTS	❌	❌	❌	✅	⚠️ Via Code	Medium
Qdrant (Official)	Official Skill	Qdrant (Rust)	✅ Vector+Metadata	❌	❌	❌	⚠️ Self-hosted	⚠️ Via Code	Medium
FAISS	Official Skill	faiss-cpu/gpu (Library)	⚠️ Similarity only	❌	❌	❌	✅	⚠️ Via Code	Medium
Pinecone (MLOps)	Official Skill	Pinecone (managed)	✅ Hybrid	❌	❌	❌	❌ Cloud	⚠️ Via Code	Low (API-Key)
Pinecone Research	Official Skill	Pinecone + LangChain	✅ Retrieval	⚠️ LangChain	❌	❌	❌ Cloud	⚠️ Via Code	Low (pip)
Mnemosyne	Community	SQLite + sqlite-vec (MIB)	✅ 50/30/20 Hybrid	⚠️	✅	❌	✅	✅ Native Provider	Low (pip)
Memory OS	Community	Qdrant (Docker)	✅	✅	⚠️ Icarus	❌	✅	✅ Provider	High (Docker)
ClawMem	Community	SQLite	✅ BM25+Vec+RRF	✅ Cross-Encoder / zerank-2	✅	❌	✅	✅ Provider+MCP	Medium (npm/Bun)
RAG Memory Plugin	Community	SQLite + sqlite-vec	✅ TF-IDF+Neural	⚠️	❌	❌	✅	✅ Hooks	Low (script)
Qdrant-Hermes-Integration	Community	Qdrant (Docker)	✅ Vector+Recency	❌	❌	❌	⚠️ Embedding API	✅ Provider	Low (script)
kaiser1103 RAG Deployment	Community Guide	LanceDB (embedded)	⚠️ Vector	❌	❌	❌	✅	✅ cpu_rag	Medium
Honcho	Official Provider	Cloud/Self-hosted	✅ Semantic	⚠️ Dialectic	❌	❌	⚠️	✅ Provider	Medium
Mem0	Official Provider	Platform/Docker/OSS	✅ +Reranking	⚠️ Platform-Modus	❌	❌	⚠️ OSS/Docker	✅ Provider	Low
Hindsight	Official Provider	Cloud/PG (Knowledge Graph)	✅ Multi-Strategy	⚠️ Reflect	❌	❌	⚠️ Lokal (embedded PG)	✅ Provider	Medium

Anwendungsfall	Empfehlung	Begründung
Schneller Start, lokal, keine Cloud	Qmd	npm install, komplette Pipeline, MCP built-in (5 Tools), 3 Suchmodi
Production RAG mit horizontaler Skalierung	Qdrant + Custom Pipeline	Rust-Engine, Sharding/Replikation, On-Premise, dense+sparse Multi-Vector
Billion-Scale Batch/Similarity (Research)	FAISS	Maximale Raw-Speed, keine Infrastruktur, GPU-Support
Managed Cloud, keine Ops	Pinecone	Serverless, Auto-Scaling; Agent-Variante: pinecone-research
Lokales Memory, zero-dependency	Mnemosyne	SQLite-only, 3.212 Stars, pip install, Hermes-Plugin "native, ships enabled"
Komplettes Memory OS mit Knowledge Graph	Memory OS	7-Schichten-Architektur, Qdrant+Redis, Trust Scoring, Auto-Wiki
Cross-Agent Memory (Claude Code + Hermes + OpenClaw)	ClawMem	Multi-Agent-Support, Hooks+MCP+Plugin, npm install, SPO-Graph, 210 Stars
PDF-Dokumente indexieren	Qmd + pymupdf	PDFs → Markdown → Qmd Collection. Keine Lösung hat natives PDF-Indexing.
Deutsche Dokumente (VDE-Normen etc.)	Qmd + QMD_EMBED_MODEL	Embedding-Override für Multilingual-Content; EmbeddingGemma ist English-lastig. Mnemosyne-Alternative: multilingual-MiniLM/e5-large/bge-m3
Cloud-basiert, managed Memory	Mem0 / RetainDB / Supermemory	Official Provider, kein lokaler Stack nötig; Mem0 auch OSS/Docker-Modi

RAG mit Hermes Agent - Community-Lösungen

⚡ TL;DR - Schnellübersicht (Update 20.09.2026)

🏛️ Architektur: Das 3-Schichten-Modell

Offizielle Memory-Provider (Layer 2) - Übersicht

📦 Offizielle Optionale Skills (RAG-relevant)

Qmd - Query Markup Documents

Chroma - Open-Source Embedding Database

Qdrant - Vector Similarity Search Engine

FAISS - Billion-Scale Similarity Search Neu im Katalog

Pinecone - Managed Vector Database Neu im Katalog

Pinecone Research - Agent RAG + Long-Term Memory Neu im Katalog

🔧 Community-Projekte (Layer 3)

Mnemosyne - Zero-Cloud AI Memory

Memory OS - 7-Layer Memory Operating System

ClawMem - On-Device Memory Layer

RAG Memory Plugin for Hermes Agent

Qdrant-Hermes-Integration

hermes-rag-complete-deployment (kaiser1103)

Weitere Community-Provider seit Juni 2026 (Kurzatlas)

📚 Tutorials, Guides & Community-Artikel

The Hermes Agent Memory Guidebook

Hermes Agent + RAG知识库：5分钟搭建AI智能问答系统

Set Up RAG Document Retrieval in Hermes Agent (2026)

Built a 100k-Document RAG System by Hand - Hermes Agent Challenge

Lesson 13 - Knowledge Base: RAG & Long-Term Document Management

MCP for RAG and Agent Memory: How They Work Together

Awesome Hermes Agent - Curated Lists

📊 Feature-Vergleichsmatrix

🎯 Empfehlungen nach Anwendungsfall

🔧 Standard-RAG-Pipeline für Hermes

MCP-Konfiguration (config.yaml)

🔗 Quellenverzeichnis (alle direkten Links)

Offizielle Hermes-Doku

GitHub-Repos

Community-Guides & Artikel

PyPI

Anbieter / Projekte