Hermes Agent vs Letta: Speicherplattform oder Runtime?

Zwei Wetten darauf, wie sich ein Agent erinnern sollte

Wenn Sie „hermes agent vs letta" gesucht haben, wissen Sie vermutlich bereits, dass beide Projekte in der Kategorie „KI-Agent mit Speicher" liegen. Weniger offensichtlich ist, dass sie gegensätzliche Wetten darauf abschließen, wie dieser Speicher aussehen sollte. Letta, früher MemGPT, gibt dem Agenten einen OS-inspirierten mehrstufigen Speicher mit über 23.000 Sternen auf GitHub im Rücken: Core, Recall und Archival, die das Modell aktiv über Funktionsaufrufe verwaltet. Hermes Agent von Nous Research hält einen kleinen, kuratierten Auszug in jedem Turn präsent und fordert das Modell nie auf, ihn abzurufen.

Die philosophische Trennlinie ist wichtig, weil sie das gesamte Produkt prägt. Letta ist eine Plattform, die Sie in Ihren eigenen Code einbetten, um speicherstarke Agenten zu bauen. Hermes ist eine Runtime, die Sie einmal installieren und mit der Sie über Telegram, Signal, Discord oder Slack sprechen. Dieser Beitrag geht beide durch, zeigt, wo die tatsächliche Entscheidungsgrenze verläuft, und wann eine Hybridlösung sinnvoll ist.

Was Letta tatsächlich tut

Letta ist der direkte Nachfolger des MemGPT-Papers vom Sky Computing Lab der UC Berkeley. Es läuft als Serverprozess, der den Agentenstatus in einer PostgreSQL-Datenbank verwaltet und über eine REST-API auf Port 8283 mit offiziellen Python- und TypeScript-SDKs zugänglich ist. Es gibt außerdem eine Agent Development Environment, um grafisch zu prüfen, was der Agent zu einem bestimmten Zeitpunkt weiß.

Das Speichermodell ist der eigentliche Kern des Projekts. Jeder Letta-Agent hat drei Ebenen:

• Core memory: ein kleiner Block, der in jedem Turn im Kontextfenster bleibt und wie Arbeitsspeicher fungiert. Persona, Nutzerprofil, kritischer Kontext.
• Recall memory: der vollständige Gesprächsverlauf in der Datenbank. Der Agent durchsucht seine eigenen früheren Nachrichten, statt sich auf das LLM-Fenster zu verlassen.
• Archival memory: eine Vektordatenbank für Langzeitspeicherung. Der Agent schreibt Beobachtungen und ruft sie später per semantischer Suche ab, mit unbegrenzter Skalierung.

Der Agent entscheidet selbst, wann er in allen dreien liest und schreibt, indem er Speicherverwaltungsfunktionen innerhalb seiner Reasoning-Schleife aufruft. Das ist das „Self-Managing"-Versprechen: Das LLM fungiert als sein eigener Speicher-Controller. Wenn es Kontext braucht, fragt es an. Wenn es etwas Bewahrenswertes lernt, fügt es es ein.

Letta ist stark portabel. Das offene Agent File Format (.af) macht einen kompletten Agenten samt Speicher zwischen Frameworks und Hosts übertragbar. Im Mai 2026 hat das Team Letta Code gestartet, einen speicherorientierten Coding-Agenten, der direkt mit anderen Coding-Assistenten konkurriert. Das Hauptrepository letta-ai/letta hat 23.000 Sterne und 2.400 Forks überschritten.

Was Letta nicht ist: ein fertiges Produkt für Endnutzer. Es ist ein Backend. Sie binden das SDK in einen Python- oder TypeScript-Dienst ein, entscheiden, welche Oberfläche oder welchen Messaging-Kanal Ihre Nutzer sehen, und betreiben den PostgreSQL-Cluster, in dem die Agenten leben.

Was Hermes Agent tatsächlich tut

Hermes Agent ist ein Open-Source-KI-Agent von Nous Research, erstmals am 25. Februar 2026 veröffentlicht und aktuell in v0.14.0. Anders als Letta ist er keine Bibliothek, die Sie importieren. Er ist eine Runtime, die Sie installieren. Sie verbinden ihn mit einem Modellanbieter mit Ihrem eigenen Schlüssel, und er läuft als langlebiger Prozess, den Sie über Telegram, WhatsApp, Discord, Slack, Signal oder eine lokale CLI erreichen, alles hinter einem einzigen Gateway.

Das Speichersystem ist bewusst gegensätzlich geformt:

• MEMORY.md und USER.md sind Klartextdateien, die der Agent selbst über Sie kuratiert. Sie liegen in ~/.hermes/memories/ und werden zu Sitzungsbeginn in den System-Prompt injiziert, präsent ab dem ersten Token.
• SQLite-Sitzungssuche mit FTS5 indexiert jedes Gespräch, sodass der Agent nachschauen kann, was letzten Donnerstag besprochen wurde.
• Skills sind Markdown-Dateien, die der Agent selbst erstellt und anpasst, typischerweise nach komplexen Aufgaben (ab fünf Tool-Aufrufen).
• Externe Speicheranbieter bilden eine Plug-in-Schicht: Honcho, OpenViking, Mem0, Hindsight, Holographic, RetainDB, ByteRover und Supermemory lassen sich hinzuschalten, wenn Sie Wissensgraphen, semantische Suche oder sitzungsübergreifende Nutzermodellierung zusätzlich zu den Basisdateien wünschen.

Die integrierte Speicherarchitektur haben wir im Beitrag Hermes Agent memory and skills beschrieben. Die entscheidende Designentscheidung: Der kuratierte Auszug ist immer präsent, nicht abgerufen. Kein Speicher-Funktionsaufruf, kein Vektorsuchsprung, kein Risiko, dass das LLM die Abfrage vergisst. Was in der Datei steht, steht im Prompt.

Hermes bringt sechs Terminal-Backends mit (local, Docker, SSH, Daytona, Singularity, Modal) und steht unter MIT-Lizenz. Ein kleiner europäischer VPS liegt bei etwa fünf Euro pro Monat. Die Grenzkosten kommen vom Modellanbieter, nicht von der Runtime.

Die Entscheidungsgrenze

Ein hilfreicher Rahmen: Letta ist für Agenten, die Sie mit mehrstufigem, selbstverwaltetem Speicher bauen, Hermes für einen Agenten, den Sie mit kuratiertem, stets präsentem Speicher betreiben.

Wenn Sie Letta in einen Dienst importieren und darauf Telegram-Bots, Cron-Planung und Sprachnotizen nachbauen, ist das das Signal, dass Sie das nachbauen, was Hermes ab Werk mitbringt. Wenn Sie Hunderte Megabyte an abrufbarem historischen Kontext in Hermes drücken und darauf Vektorsuche laufen lassen, ist das das Signal, dass eine mehrstufige Speicherplattform besser passt.

Wann Letta gewinnt

Letta ist die richtige Antwort, wenn:

• Sie ein KI-Produkt bauen, nicht einen Agenten für sich selbst betreiben. Kundensupport, ein spezialisierter Research-Assistent, ein Copilot für Ihr SaaS. Das Speichermodell muss pro Nutzer über eine große Anwendungsfläche skalieren.
• Sie Archivspeicher in großem Maßstab brauchen. Millionen Interaktionen pro Nutzer, semantische Suche über Jahre an Historie, formale Aufbewahrungsrichtlinien.
• Ihr Team PostgreSQL betreiben und das SDK aus einem Dienst freigeben kann, den Sie durchgängig kontrollieren.
• Sie explizite programmatische Kontrolle darüber wollen, was der Agent einfügt, abruft und vergisst: eine prüfbare Spur der Speicheroperationen, kein implizites Verhalten irgendwo im Prompt.
• Ihnen Portabilität zwischen Frameworks wichtig ist. Das .af-Format ist real und funktioniert.

Das ist die Speicherplattform-Kategorie. Letta und seine Peers (Mem0, Zep) dominieren sie. Die Abdeckung im Mem0-vs-Letta-Vergleich von Vectorize, im Speicher-Framework-Rundschlag 2026 von Atlan und im Speicherpanorama 2026 von innobu spiegelt die Reife des Feldes wider.

Wann Hermes gewinnt

Hermes ist die richtige Antwort, wenn:

• Der Agent Ihnen gehört, nicht Ihrem Produkt. Ein persönlicher Assistent, der Ihren Stil, Ihre Projekte, Ihre Kontakte kennt.
• Sie null Abruflatenz für den Speicher wollen, der zählt. Wenn es in MEMORY.md steht, sieht das Modell es, bevor das Reasoning beginnt. Keine verpasste Abfrage, kein vergessener Aufruf.
• Sie wollen, dass die Oberfläche eine Chat-Fläche ist, die Sie schon nutzen, nicht eine, die Sie bauen müssen. Telegram ist der primäre verwaltete Kanal; Signal, Discord, Slack, WhatsApp und CLI sind in selbst gehosteten Setups verfügbar.
• Sie lesen wollen, was Ihr Agent weiß. MEMORY.md ist eine Klartextdatei, keine Zeile in einer Vektordatenbank. Zu prüfen, was der Agent über Sie glaubt, dauert 30 Sekunden.
• Sie die kuratierte Obergrenze akzeptieren. Hermes hält den stets präsenten Auszug bewusst klein. Es ist kein Ort, um alles abzuladen, was Sie je gesagt haben.

Das ist die Kategorie persönlicher Agent. Tagesdigest im eigenen Ton. Schnelles Recall über laufende Projekte. Lesekuration und Journaling. Wir haben Hermes mit anderen persönlichen Assistenten in Hermes Agent vs ChatGPT, Claude und Gemini und mit Workflow-Werkzeugen in Hermes Agent vs n8n verglichen.

Klingt das nach dem, was Sie wollen? Starten Sie mit Hermify und überspringen Sie die Installation: Wir betreiben einen verwalteten Hermes Agent auf Telegram mit persistentem Speicher, der Ihnen gehört, in etwa einer Minute live.

Kuratiert stets präsent vs mehrstufig selbstverwaltet

Der eigentliche philosophische Streit lässt sich benennen. Letta wettet, dass mehr Speicher besser ist, solange der Agent entscheiden kann, wann er ihn holt. Hermes wettet, dass weniger Speicher besser ist, solange er stets präsent ist.

Beide Wetten sind vertretbar. Im Letta-Modell kann sich ein Agent mit Archival Memory an eine Interaktion vor einem Jahr erinnern, weil er sie ausdrücklich gesucht hat. Im Hermes-Modell hat der Agent dieses alte Detail vielleicht gar nicht, aber die Dinge über Sie, die wirklich zählen, Ihr Name, Ihre Projekte, Ihre Präferenzen, sind garantiert vorhanden, ohne dass eine Abrufoperation, die scheitern oder halluzinieren kann, dazwischenliegt.

Praktisch: Modelle mit viel Abruf bringen Latenz und Fehlermodi mit. Jede Abfrage ist eine Gelegenheit für das LLM, den Aufruf zu überspringen, die Query falsch zu formulieren oder die zurückgegebenen Zeilen fehlzudeuten. Kuratierter, stets präsenter Speicher hat diese Fehlerfläche für das, was er enthält, nicht, dafür aber eine Obergrenze. Sie erhalten einen kleinen, signalstarken Arbeitssatz, kein durchsuchbares Archiv.

Der ehrliche Hybrid

Die beiden schließen sich nicht aus. Ein sinnvolles fortgeschrittenes Setup:

• Hermes trägt die Beziehung. Ihr persönlicher Agent lebt in Telegram oder einem anderen Messenger, hält Ihre kuratierten USER.md und MEMORY.md und verwaltet Skills und Cron-Jobs.
• Letta übernimmt das Archiv im großen Maßstab. Wenn Hermes fünf Jahre Journaling oder Hunderte Meeting-Notizen durchsuchen muss, delegiert er an einen selbst gehosteten Letta-Dienst. Letta liefert die abgerufenen Ausschnitte, Hermes flicht sie in die Antwort ein.

Hermes bringt genau dafür Plug-ins für externe Speicheranbieter mit. Honcho, Mem0, Hindsight und andere lassen sich als Abruf-Backends einsetzen. Letta würde denselben Slot füllen: den mehrstufigen Speicher nur dann heranholen, wenn Sie ihn wirklich brauchen. Der umgekehrte Weg (einen Telegram-Bot, einen Scheduler und ein Skills-System auf Letta zu bauen) ist deutlich mühsamer.

Wie Sie wählen

1. Wenn Ihr Problem lautet „Ich baue ein KI-Produkt und Nutzer brauchen einen reichhaltigen, selbstverwalteten Speicher über eine breite Fläche", wählen Sie Letta.
2. Wenn Ihr Problem lautet „Ich will eine persistente KI, die mich kennt und in Messaging-Apps in meinem Namen handelt", wählen Sie Hermes.
3. Wenn Ihr Problem lautet „Ich will einen persönlichen Agenten im Hermes-Stil, brauche aber ein ernstes Archiv für eine bestimmte Last", betreiben Sie Hermes als Vordertür und rufen einen Letta-Dienst für dieses Archiv auf.

Eines der beiden Projekte in die Rolle des anderen zu zwingen, ist der Fehlermodus. Letta ist kein fertiger persönlicher Agent für Messaging-Apps. Hermes ist keine Speicherplattform für ein Multi-Tenant-Produkt. Sobald Sie akzeptieren, dass jedes für einen anderen Kunden optimiert ist, wird die Wahl leicht.

Quellen

• letta-ai/letta auf GitHub
• Walkthrough der Letta-Speicherarchitektur - SurePrompts
• Mem0 vs Letta (MemGPT) - Vectorize
• Beste KI-Agenten-Speicher-Frameworks 2026 - Atlan
• Agent Memory 2026: Mem0, Letta, Zep, Hermes, OpenClaude im Vergleich - innobu
• NousResearch/hermes-agent auf GitHub
• Dokumentation des persistenten Speichers von Hermes Agent