Oh My Hermes — набор навыков для многоагентной оркестрации Hermes Agent

Oh My Hermes (OMH) — набор компонуемых навыков для многоагентной работы с Hermes Agent. Проект вдохновлён oh-my-claudecode, но переработан под нативные примитивы Hermes. Навыки можно использовать по отдельности или объединять в полный pipeline: исследование → интервью по требованиям → консенсусное планирование → проверяемое выполнение.

Главная идея OMH состоит не в ещё одном списке промптов. Каждый навык задаёт роль, последовательность действий и способ подтвердить результат. Базовые навыки не имеют внешних зависимостей, а дополнительный плагин добавляет более строгую автоматизацию ролей, состояния и сбора доказательств.

Какие задачи закрывает OMH

В репозитории десять навыков. Они разделены на основные процедуры и playbook-файлы для диспетчера или исполнителя.

Такое разделение важно: omh-ralplan задаёт сам процесс планирования, а omh-ralplan-driver помогает корректно им управлять. Такая же логика применяется к omh-triage, а внутри выполнения omh-ralph выделены отдельные роли для диспетчера и исполнителя задачи.

Исследование с проверкой источников

omh-deep-research не сводится к одному поисковому запросу. Он разбивает исследование на фазы, запускает несколько поисков, собирает результаты в общий материал, синтезирует выводы и отдельно проверяет ссылки. Такой процесс полезен, когда исходная тема незнакома, а для следующих этапов нужен подтверждённый контекст.

У проекта есть явный бюджет вызовов delegate_task. Обычный успешный сценарий занимает примерно 5–8 вызовов:

• 3–5 исследователей;
• 0–1 дополнительный поиск;
• один синтезатор;
• один верификатор.

После повторного синтеза потребуется около 10–12 вызовов. Ограничение в три попытки останавливает худший путь примерно на 14–16 вызовах, после чего процесс сообщает состояние BLOCKED. Это делает стоимость исследования предсказуемее, чем безлимитный цикл поиска и уточнений.

Долговременное сохранение результатов пока ограничено. Артефакт исследования с подтверждённым статусом записывается в .omh/research/{slug}-report.md с status: confirmed; именно этот файл служит устойчивым интерфейсом для следующих навыков. Интеграция с wiki, fact_store и постоянной памятью пока не реализована и отложена.

Требования и консенсусное планирование

Если предметная область уже знакома, можно начать с omh-deep-interview. Навык проводит сократическое интервью и следит за тем, какие части требований ещё не раскрыты. Такой подход снижает риск построить подробный план для неверно понятой задачи.

omh-ralplan организует спор трёх ролей:

1. Planner предлагает решение.
2. Architect оценивает архитектурную целесообразность.
3. Critic ищет слабые места и требует исправлений.

Раунды повторяются до согласия. omh-ralplan-driver добавляет операционную дисциплину: качественный пакет входного контекста, управление раундами, дистилляцию спора и финальное ревью. Таким образом, обсуждение не заканчивается стенограммой, а должно дать исполнимый план.

Проверяемое выполнение

Когда план готов, omh-ralph переводит работу в цикл implement → verify → iterate. Навык не считает задачу завершённой только потому, что агент внёс изменения: выполнение должно сопровождаться проверкой.

omh-ralph-driver управляет формой плана, параллельными партиями, дисциплиной верификатора, категорией замечаний, финальным ревью архитектора на последнем шаге и чистотой commit-истории. Для отдельной задачи предусмотрен omh-ralph-task, который фиксирует границы файлов и проверяет состояние относительно HEAD. Это помогает не затрагивать работу соседних задач.

Полный сценарий

Для незнакомой предметной области авторы рекомендуют композицию:

omh-deep-research → omh-deep-interview → omh-ralplan → omh-ralph

Если домен уже понятен, исследование можно пропустить. Или его можно свернуть в фазу −1 внутри omh-autopilot, а начать pipeline с интервью.

Готовый сценарий подбирается по исходной задаче:

• нужен контекст незнакомой области — omh-deep-research;
• требования расплывчаты — omh-deep-interview, затем omh-ralplan;
• нужен только план — omh-ralplan;
• план существует и нужна реализация — omh-ralph;
• backlog нужно сначала очистить — omh-triage;
• нужен полный процесс — omh-autopilot.

Необязательный плагин

Основные навыки работают standalone. Для расширенного режима plugins/omh/ добавляет:

• внедрение ролей через hooks;
• атомарное управление состоянием;
• сбор доказательств выполнения;
• инициализацию служебного каталога .omh/.

При первом запуске с установленным плагином OMH сам создаёт в проекте каталог .omh/ с README и настроенным .gitignore для выборочного обмена файлами состояния. Создать структуру заранее можно вызовом omh_state(action="init").

Для плагина требуются Python 3.10+ и pyyaml. Сам Hermes Agent должен иметь версию 0.7.0 или новее.

Установка навыков

Репозиторий подключается как tap, после чего нужные навыки устанавливаются поимённо:

hermes skills tap add witt3rd/oh-my-hermes
hermes skills install omh-deep-research omh-ralplan omh-ralplan-driver omh-deep-interview omh-ralph omh-ralph-driver omh-ralph-task omh-autopilot

В приведённой команде устанавливаются восемь навыков из основного примера README. omh-triage и omh-triage-driver отмечены в проекте как версия 0.1 и устанавливаются отдельно, если нужен триаж backlog.

Альтернатива — вручную скопировать каталоги skills/<name>/ в ~/.hermes/skills/omh/. Опциональный плагин устанавливается копированием plugins/omh/ в ~/.hermes/plugins/omh/.

Ограничения

У OMH есть два заметных ограничения. Первое связано с постоянной памятью: подтверждённый отчёт исследования сохраняется в файле, но пока не попадает в fact_store, wiki или memory. Второе зависит от версии Hermes: ограничение инструментов subagent на уровне отдельного вызова может быть недоступно, и тогда read-only контракт верификатора задаётся текстом роли.

Эти ограничения не отменяют основной workflow, но важны при выборе OMH для долгих исследовательских проектов. Подробнее устройство навыков, плагина и обход ограничений описаны в документации проекта, включая материалы о plugin, ограничениях Hermes и текущих пробелах. Для локальной разработки доступны инструкции в CONTRIBUTING.md. Проект распространяется по лицензии MIT.