Hermes Agent vs Letta: ¿Plataforma de memoria o runtime?

Dos apuestas sobre cómo debería recordar un agente

Si has buscado "hermes agent vs letta", probablemente ya sabes que ambos proyectos están en la categoría de "agente IA con memoria". Lo menos evidente es que apuestan por visiones opuestas de lo que debería ser esa memoria. Letta, antes MemGPT, le da al agente un sistema de memoria por capas inspirado en un sistema operativo, con más de 23.000 estrellas en GitHub: núcleo, historial y archivo que el modelo gestiona activamente mediante llamadas a funciones. Hermes Agent, de Nous Research, mantiene un pequeño resumen curado presente en cada turno y no le pide nunca al modelo que vaya a recuperarlo.

La diferencia filosófica importa porque da forma a todo el producto. Letta es una plataforma que insertas en tu propio código para construir agentes con memoria rica. Hermes es un runtime que instalas una vez y con el que hablas en Telegram, Signal, Discord o Slack. Este artículo repasa ambos, dónde está de verdad la frontera de decisión y cuándo tiene sentido un híbrido.

Qué hace Letta en realidad

Letta es el descendiente directo del paper de MemGPT del Sky Computing Lab de UC Berkeley. Se ejecuta como un proceso servidor que gestiona el estado del agente en una base de datos PostgreSQL, expuesto mediante una API REST en el puerto 8283 con SDKs oficiales de Python y TypeScript. Existe también un Agent Development Environment para inspeccionar de forma gráfica lo que el agente sabe en cada momento.

El modelo de memoria es la razón de ser del proyecto. Cada agente Letta tiene tres capas:

Core memory: un bloque pequeño que permanece en la ventana de contexto en cada turno y funciona como RAM operativa. Persona, perfil del usuario, contexto crítico.
Recall memory: el historial completo de la conversación almacenado en la base de datos. El agente busca en sus propios mensajes pasados en lugar de depender de la ventana del LLM.
Archival memory: una base de datos vectorial para almacenamiento a largo plazo. El agente escribe observaciones y las recupera después por búsqueda semántica, escalando a un tamaño ilimitado.

El agente decide cuándo leer y escribir en las tres llamando a funciones de gestión de memoria dentro de su bucle de razonamiento. Esta es la promesa del "self-managing": el LLM actúa como su propio controlador de memoria. Cuando necesita contexto, consulta. Cuando aprende algo que merece la pena guardar, lo inserta.

Letta es muy portable. El Agent File Format (.af) abierto permite mover un agente entero, memoria incluida, entre frameworks y hosts. En mayo de 2026 el equipo lanzó Letta Code, un agente de programación orientado a memoria que compite directamente con otros asistentes de código. El repo principal letta-ai/letta supera las 23.000 estrellas y los 2.400 forks.

Lo que Letta no es, es un producto terminado para el usuario final. Es un backend. Integras el SDK en un servicio Python o TypeScript, decides qué interfaz o canal de mensajería ve el usuario y gestionas el clúster PostgreSQL donde viven los agentes.

Qué hace Hermes Agent en realidad

Hermes Agent es un agente IA open source de Nous Research, publicado el 25 de febrero de 2026 y ahora en la versión v0.14.0. A diferencia de Letta, no es una librería que importas: es un runtime que instalas. Lo apuntas a un proveedor de modelos con tu propia clave y se ejecuta como un proceso de larga duración con el que hablas por Telegram, WhatsApp, Discord, Slack, Signal o una CLI local, todo tras una única puerta de enlace.

El sistema de memoria está diseñado en la dirección opuesta:

MEMORY.md y USER.md son archivos de texto plano que el agente curó sobre ti. Se guardan en ~/.hermes/memories/ y se inyectan en el prompt del sistema al inicio de cada sesión, presentes desde el primer token.
Búsqueda SQLite en sesiones con FTS5 indexa cada conversación, de modo que el agente puede consultar lo que hablasteis el jueves pasado.
Skills, archivos markdown que el agente crea y ajusta él mismo tras tareas complejas (normalmente cinco o más llamadas a herramientas).
Proveedores externos de memoria como capa de plugins: Honcho, OpenViking, Mem0, Hindsight, Holographic, RetainDB, ByteRover y Supermemory se pueden añadir si quieres grafos de conocimiento, búsqueda semántica o modelado del usuario entre sesiones sobre los archivos base.

Cubrimos la arquitectura de memoria base en el post Hermes Agent memory and skills. La decisión de diseño clave: el resumen curado está siempre presente, no se recupera. No hay llamada a función de memoria, ni salto de búsqueda vectorial, ni riesgo de que el LLM se olvide de consultar. Si está en el archivo, está en el prompt.

Hermes trae seis backends de terminal (local, Docker, SSH, Daytona, Singularity, Modal) y usa licencia MIT. Un VPS pequeño europeo cuesta unos cinco euros al mes. El coste marginal lo pone el proveedor del modelo, no el runtime.

La frontera de decisión

Una forma útil de enmarcarlo: Letta es para agentes que construyes con memoria por capas autogestionada, y Hermes es para un agente que ejecutas con memoria curada siempre presente.

Pregunta	Letta	Hermes Agent
Abstracción principal	Plataforma de memoria con SDK y API REST	Runtime de agente con el que hablas en apps de mensajería
Modelo de memoria	Core + recall + archival, el agente recupera	Archivos curados siempre presentes + proveedores externos opcionales
Dónde vive la memoria	PostgreSQL gestionado por Letta Server	Archivos markdown planos que tú posees en disco
Interfaz para usuarios finales	La construyes tú	Telegram, WhatsApp, Discord, Slack, Signal, CLI, incluidas
Despliegue	Letta Server + PostgreSQL, self-hosted o Letta Cloud	Proceso local, Docker o un VPS pequeño
Portabilidad	Agent File Format (`.af`) entre frameworks	Copiar el directorio `~/.hermes/`
Ecosistema de lenguajes	SDKs de Python y TypeScript	Runtime Python con skills en markdown
Mejor en	Construir productos IA propios con memoria rica	Asistencia personal, recall, borradores, criterio
Latencia de recuperación	Búsqueda vectorial o SQL por consulta	Cero para el bloque curado, siempre en el prompt
Licencia	Apache 2.0	MIT

Si te encuentras importando Letta en un servicio y reconstruyendo sobre él bots de Telegram, cron y notas de voz, esa es la señal de que estás recreando lo que Hermes trae de serie. Si te encuentras metiendo cientos de megabytes de contexto histórico recuperable en Hermes y ejecutando búsqueda vectorial sobre ellos, esa es la señal de que una plataforma de memoria por capas encaja mejor.

Cuándo gana Letta

Letta es la respuesta correcta cuando:

Estás construyendo un producto de IA, no ejecutando un agente para ti. Soporte al cliente, un asistente de investigación especializado, un copiloto para tu SaaS. El modelo de memoria debe escalar por usuario en una superficie de aplicación amplia.
Necesitas memoria de archivo a escala. Millones de interacciones por usuario, búsqueda semántica sobre años de historial, políticas de retención formales.
Tu equipo puede operar PostgreSQL y exponer el SDK desde un servicio que controláis de extremo a extremo.
Quieres control programático explícito de lo que el agente inserta, recupera y olvida: una traza auditable de las operaciones de memoria, no un comportamiento implícito escondido en un prompt.
Te importa la portabilidad entre frameworks. El formato .af es real y funciona.

Esta es la categoría de plataforma de memoria. Letta y sus pares (Mem0, Zep) la dominan. La cobertura en la comparativa Mem0 vs Letta de Vectorize, el recopilatorio de frameworks de memoria 2026 de Atlan y el panorama de memoria 2026 de innobu reflejan la madurez del espacio.

Cuándo gana Hermes

Hermes es la respuesta correcta cuando:

El agente es tuyo, no el de tu producto. Un asistente personal que conoce tu estilo, tus proyectos, tus contactos.
Quieres latencia de recuperación cero para la memoria que importa. Si está en MEMORY.md, el modelo la ve antes de empezar a razonar. Sin consulta fallida, sin llamada olvidada.
Quieres que la interfaz sea una superficie de chat que ya usas, no una UI que tienes que construir. Telegram es el canal principal gestionado; Signal, Discord, Slack, WhatsApp y CLI están disponibles en instalaciones self-hosted.
Quieres leer lo que sabe tu agente. MEMORY.md es un archivo de texto plano, no una fila en una base de datos vectorial. Auditar lo que el agente cree sobre ti lleva 30 segundos.
Aceptas el límite del curado. Hermes mantiene el resumen siempre presente pequeño a propósito. No es un sitio para volcar todo lo que has dicho nunca.

Esta es la categoría de agente personal. Resúmenes diarios en tu tono. Recall rápido sobre tus proyectos en curso. Curación de lecturas y journaling. Comparamos Hermes con otras opciones de asistente personal en Hermes Agent vs ChatGPT, Claude y Gemini, y con herramientas de flujo de trabajo en Hermes Agent vs n8n.

Si eso es lo que buscas, Empieza con Hermify y sáltate la instalación: ejecutamos un Hermes Agent gestionado en Telegram con memoria que sigue siendo tuya, listo en cerca de un minuto.

Curado siempre presente vs por capas autogestionado

El desacuerdo filosófico auténtico merece nombrarse. Letta apuesta a que más memoria es mejor siempre que el agente pueda decidir cuándo buscarla. Hermes apuesta a que menos memoria es mejor siempre que esté siempre presente.

Ambas apuestas son defendibles. Bajo el modelo Letta, un agente con memoria de archivo puede recordar una interacción de hace un año porque fue explícitamente a buscarla. Bajo el modelo Hermes, quizá el agente no tenga ese detalle antiguo, pero las cosas de ti que sí importan, tu nombre, tus proyectos, tus preferencias, están garantizadas sin depender de una llamada de recuperación que puede fallar o alucinar.

En la práctica, los modelos con mucha recuperación añaden latencia y modos de fallo. Cada búsqueda es una oportunidad para que el LLM se salte la llamada, formule mal la consulta o interprete mal las filas devueltas. La memoria curada siempre presente no tiene esa superficie de fallo para lo que contiene, pero también tiene un límite. Obtienes un conjunto de trabajo pequeño y de alta señal, no un archivo indexable.

El híbrido honesto

Los dos no son mutuamente excluyentes. Un montaje avanzado razonable:

Hermes lleva la relación. Tu agente personal vive en Telegram u otro mensajero, sostiene tus USER.md y MEMORY.md curados y gestiona skills y trabajos cron.
Letta se encarga del archivo a escala. Cuando Hermes necesite buscar en cinco años de journaling o en cientos de notas de reuniones, delega en un servicio Letta self-hosted. Letta devuelve los fragmentos recuperados y Hermes los teje en la respuesta.

Hermes trae plugins de proveedores externos de memoria justo para esto. Honcho, Mem0, Hindsight y otros encajan como backends de recuperación. Letta cubriría el mismo hueco: traer la memoria por capas solo cuando de verdad la necesitas. La dirección inversa (construir un bot de Telegram, un scheduler y un sistema de skills sobre Letta) es más dura.

Cómo elegir

Si tu problema es "Estoy construyendo un producto IA y los usuarios necesitan memoria rica y autogestionada en una superficie amplia", elige Letta.
Si tu problema es "Quiero una única IA persistente que me conozca y actúe por mí en apps de mensajería", elige Hermes.
Si tu problema es "Quiero un agente personal estilo Hermes pero necesito un archivo serio para una carga concreta", ejecuta Hermes como puerta de entrada y llama a un servicio Letta para ese archivo.

Forzar a cualquiera de los dos a hacer el trabajo del otro es el modo de fallo. Letta no es un agente personal terminado para apps de mensajería. Hermes no es una plataforma de memoria para un producto multiusuario. Una vez que aceptas que cada uno está optimizado para un cliente distinto, la elección se vuelve fácil.