Hermes Agent v0.15.0（2026.5.28）は、公式には「Velocity Release」とされています。
名前だけ見ると速度改善の話に見えます。ただ、実務目線ではそれだけではありません。複数のAI作業を分けて回す仕組み、過去セッション検索、prompt injection対策、秘密情報の扱いまで入った更新です。
この更新を実務でどう見るか
AIエージェントを業務で使うと、すぐに「1つのチャットで全部やるのは無理」という問題に当たります。
調査、資料作成、コード修正、確認、定期タスク。これを1本の会話に詰めると、文脈が混ざり、戻りにくくなります。
v0.15.0で見えてきたのは、Hermesを「チャット画面」ではなく「AI作業の管理基盤」として育てる方向です。小さな会社でも、単発のAI利用から一歩進んで、依頼を分ける、状態を見る、あとで検索する、という運用に近づきます。
今回のHermes Agent更新で何が変わったか
公式リリースで大きく扱われている点は、主に次の通りです。
- 中核ファイルの
run_agent.pyが16,083行から3,821行へ整理され、agent/*配下の14モジュールへ分割された - Kanbanが複数エージェント運用の基盤として強化された
- 起動やツール実行の速度改善が進み、会話中の関数呼び出しも減った
session_searchがLLM不要・無料・高速な形に作り直された- Brainworm系のpromptware攻撃を意識した防御が入った
- Bitwarden Secrets Manager連携、スキルバンドル、MCPカタログ、ntfy、画像生成プロバイダー追加などが入った
公式リリースでは、v0.14.0以降で1,302 commits、747 merged PRs、560以上のissues closedとされています。かなり大きな更新です。
小さな会社の業務で効くポイント
まず効くのは、session_searchの作り直しです。公式説明では、以前は補助LLMを使い、コストと時間がかかる場合がありました。新しい形では、discovery、scroll、browseの3つの使い方を引数から判断し、LLMなしで検索します。
これは、過去の依頼や作業ログを探す用途に向いています。たとえば「前に補助金申請の下書きを作った会話」「先月の広告改善メモ」「特定顧客への提案内容」を探す作業です。記憶に頼らず、履歴を業務資産として使いやすくなります。
Kanban強化も重要です。公式リリースでは、タスクの自動分解、Swarm構成、タスクごとのモデル指定、作業ディレクトリやworktree、スケジュール開始、再試行や古いタスク検知などが挙げられています。
小さな会社でいきなり大規模なAIチームを作る必要はありません。ただ、営業資料の下調べ、記事作成、チェック、公開前確認のように工程が分かれる仕事では、1つのAIに全部抱えさせるより、タスクとして分けた方が管理しやすくなります。
速度改善も軽く見ない方がいいです。起動や検索が遅い道具は、現場で使われなくなります。毎回数秒待つだけでも、日常業務ではかなりの抵抗になります。
導入時に注意すること
KanbanやSwarmのような仕組みは便利ですが、放っておけば勝手に良い成果物が出るものではありません。
タスクを分ける基準、完了条件、確認者、失敗時の止め方を先に決める必要があります。特に外部公開物、顧客対応、請求や契約に関わる作業は、人間の確認を外さない方が安全です。
promptware対策が入った点は良い更新です。ただし、防御が入ったから安全と言い切るのは危険です。Webページ、メール、PDF、SNS投稿など、外部から入る文章には「AIへの指示」が紛れ込む可能性があります。重要な操作ほど、承認ステップを残すべきです。
Bitwarden Secrets Manager連携も、秘密情報を扱う会社には関係します。APIキーをあちこちに置くより管理しやすくなりますが、導入時は誰がアクセスできるかを整理してから使うのが前提です。
最初に試すなら
最初に試すなら、Kanbanで大きな仕事を1つだけ分解してみるのがわかりやすいです。
- 記事作成、営業リスト調査、FAQ整備など、工程が見える仕事を選ぶ
- 調査、下書き、確認、修正のように小さなタスクへ分ける
- 各タスクの完了条件を1行で書く
- 最後の確認だけは人間が見る
あわせてsession_searchで過去の会話を探す運用も試すと、Hermesを「その場限りのAI」ではなく「作業履歴が残るAI」に変えやすくなります。
私は、v0.15.0は派手なAI機能の追加というより、AI作業を日常業務の流れに置くための更新だと見ています。小さく始めるなら、まずは1つの定型業務をKanban化して、履歴検索まで含めて回すのが現実的です。
参照元
Hermes Agent連載の読み方
この連載では、Hermes Agentを「新しいAIツール」ではなく、社内の仕事を継続的に処理する常駐AI作業員として見ています。単発のチャットではなく、依頼、実行、確認、記録、再利用までをどう運用に入れるかが主題です。
この更新を実務でどう読むか
Hermes Agentのリリース記事は、単にバージョン番号を追うための記事ではありません。小さな会社がAI作業員を運用するとき、どの更新が現場の速度、安定性、監査性、引き継ぎやすさに効くのかを読むための記録です。AIツールは派手な新機能に目が行きますが、実務では起動速度、セッション検索、ログ、スキル、権限、通知、バックグラウンド実行のような地味な部分の方が継続運用に効きます。
特にAIエージェント運用では、一回の回答品質だけでなく、同じ作業を翌日も再現できるか、過去の判断を探せるか、失敗時に止められるか、秘密情報を漏らさないかが重要です。リリースノートを見るときも、モデル性能ではなく、会社の業務フローに組み込めるかという視点で読むべきです。
確認すべき実務ポイント
- セッション検索や履歴参照が速くなり、過去の決定を探しやすいか
- スキルや手順が増え、同じ作業を再現しやすいか
- バックグラウンド実行や通知が安定し、長い作業を任せやすいか
- Slack、Google Workspace、WordPress、GitHubなど既存業務場所へ接続しやすいか
- ログとバックアップが残り、公開サイトや顧客資料の変更を監査できるか
小さな会社での導入判断
AIエージェントは、いきなり全業務を任せるものではありません。最初は、記事監査、リンクチェック、請求通知、日報整理、資料要約、タスク棚卸しのように、失敗しても戻せる領域から入れるべきです。そこでログ、バックアップ、公開確認、通知の流れを作り、問題なければ徐々に範囲を広げます。
リリースごとの差分を見るときは、「何ができるようになったか」だけでなく、「何を任せてもよくなったか」を考えます。速度改善なら長い監査を任せやすい。セッション検索改善なら過去の判断を踏まえやすい。Slack連携なら人間の承認や報告が入りやすい。この読み替えができると、リリース情報がそのまま業務改善の設計図になります。
運用で避けるべきこと
AIエージェントの更新に合わせて、何でも自動化するのは危険です。公開URL変更、削除、料金、契約、法務、顧客への送信、個人情報の処理は、人間の承認を残すべきです。一方で、監査、下書き、候補出し、整形、差分確認、リンク確認はAIに向いています。境界線を決めることで、AIの速度を安全に使えます。
また、ツール更新記事では時系列の整合性が重要です。その時点で存在しない機能やモデル名を過去記事に入れると、読者にも検索エンジンにも不自然です。この記事では、投稿日近辺のリリース文脈に合わせて読み替え、後から出たモデルや機能を過去の事実のようには扱いません。
参照した公式・一次情報
- NousResearch/hermes-agent Releases
- Google Search Central: AI-generated content guidance
- Google Search Central: helpful, reliable, people-first content
運用に落とすための補足
ここで扱っているテーマは、読んで終わりではなく、翌週の業務に組み込んで初めて意味があります。まずは一つの作業に限定し、入力、出力、確認、保存、次の行動を固定します。AIを使う場合でも、人間が何を確認するかを先に決めておくことで、便利さと安全性を両立できます。
小さな会社では、完璧な仕組みを作るより、同じやり方を繰り返せる状態を作る方が効果的です。毎回違う聞き方をするのではなく、同じ項目を入れ、同じ形式で受け取り、同じ場所に保存します。この反復ができると、AI活用は個人の工夫ではなく会社の業務資産になります。
確認用チェックリスト
- この記事の内容を、明日使う業務に一つだけ当てはめられるか
- AIに渡す情報と、渡してはいけない情報を分けられているか
- 出力をそのまま使わず、人間が確認する項目を決めているか
- うまくいった手順を、次回も使える形で保存しているか
- 古い情報、未確定情報、参考情報を混ぜていないか
失敗しやすいポイント
失敗しやすいのは、AIに期待しすぎることではなく、業務側の整理を省くことです。判断基準がない、正本がない、確認者がいない、保存先がない。この状態では、どれだけ性能の高いAIを使っても結果は安定しません。
逆に、業務側が整理されていれば、使うAIツールが変わっても運用は続きます。モデルやサービスは変化しますが、入力、確認、保存、改善の流れは残ります。この記事は、その流れを作るための実務メモとして使えます。
明日から使う場合の具体例
この内容を実務に入れるなら、まず一つの案件、一つの会議、一つの商品、一つの投稿だけを対象にします。対象を広げすぎると、AIに渡す情報が増え、確認すべき点も増えます。最初は小さく試し、うまくいった入力項目と確認項目だけを残します。
たとえば、会議なら「決定事項、未決事項、担当者、期限、次回確認」の五つだけをAIに整理させます。記事なら「読者、検索意図、一次情報、実務手順、失敗条件、次の行動」を固定します。ECなら「商品情報、顧客の不安、返品条件、配送条件、訴求軸」を固定します。対象が違っても、入力と確認の型を固定する考え方は同じです。
社内に残すべき記録
AIを使った作業は、結果だけでなく、どう判断したかを残す必要があります。なぜその文章にしたのか、どの情報を正としたのか、どこを人間が直したのか。この記録がないと、次回またゼロからやり直すことになります。
記録は長くなくて構いません。「今回使った資料」「AIに任せた範囲」「人間が確認した点」「次回直す点」の四つだけで十分です。これを残すと、AI活用は個人のチャット履歴ではなく、会社の改善ログになります。
検索評価を意識した補足
公開記事として残す場合は、読者が次に何をすればよいかまで書きます。単なる感想や一般論ではなく、チェックリスト、導入順、判断基準、注意点を入れることで、記事は実務資料に近づきます。AIで下書きしても、人間の編集判断と実務経験が入っていれば、読者にとっての価値は上がります。
Hermes Agent v0.15.0：複数AI作業を速く回すための更新を読む前に押さえる公式情報
このテーマは、体験談だけで書くと「便利だった」で止まりやすい領域です。読者が判断しやすいように、まず公式リリース、ドキュメント、実際の運用で見える変化を分けて読む必要があります。特にHermes AgentやClaude Codeのようなエージェント系ツールは、単発の回答性能より、インストール、権限、記憶、ツール連携、復旧、ログ確認まで含めて評価した方が実態に近くなります。
小さな会社で見るべき実務上の差分
- 導入直後に詰まりやすいのは、モデル性能ではなく、リポジトリ権限、環境変数、ログ、バックアップ、実行確認です。
- AIにコードや運用作業を任せる場合、完了条件と検証コマンドを先に決めないと、速く見えても後で手戻りが増えます。
- エージェントの更新情報は、派手な新機能だけでなく、パッケージング修正、リロード不具合、プロファイル分離、メモリ管理のような地味な修正ほど実運用に効きます。
導入判断で確認するチェックポイント
読者が自分の環境に置き換えるなら、「何ができるか」より先に、誰が実行権限を持つのか、失敗時に戻せるのか、ログが追えるのか、秘密情報をどこまで渡すのかを確認した方が安全です。エージェントは便利な一方で、ファイル操作、外部API、ブラウザ操作、Git操作まで進められるため、通常のチャットAIよりも運用ルールが重要になります。