Hermes Agent × LLM Wiki 시스템 완전 분석

dayum_gud (@dayum_gud) Threads 포스팅 + 세팅 프롬프트 심층 해설
작성 기준: 2026년 4월 12일 | 최신 정보 기반

---

목차

1. 전체 개요: 무엇을 만들었는가
2. 핵심 철학: 저장이 아닌 운영
3. 시스템 구성도 (Mermaid)
4. Hermes Agent 심층 분석
5. 도구별 역할과 설계 원칙
6. LLM Wiki 지식 구조
7. Memory 레이어 삼각형
8. Cron 자동화 파이프라인
9. 세팅 순서 (단계별 가이드)
10. Honcho 심층 분석
11. Supermemory 심층 분석
12. Honcho + Superexample 19,664 Conclusions의 의미
13. 운영 원칙과 금지 사항
14. 검증 체크리스트
15. 이 시스템의 핵심 철학 요약

---

1. 전체 개요

dayum_gud는 Threads에 올린 10부작 스레드에서 자신이 구축한 “사용자를 학습하는 AI 오케스트레이션 시스템” 을 상세히 공개했다.

이 시스템의 출발점은 단순한 불편함이었다.

“기록은 많은데, 다시 못 꺼내 쓴다. 이건 정보 부족 문제가 아니다. 정보가 너무 많아서 생긴 문제다.”

즉, 기존의 노트 앱, 북마크, 스크랩 방식은 저장은 되지만 재사용이 되지 않는다는 근본적인 한계가 있다. dayum_gud가 선택한 해결책은 이 패러다임 자체를 바꾸는 것이었다.

“저장”을 멈추고 “운영” 을 시작했다.

이를 위해 선택한 도구가 Hermes Agent (Nous Research)이며, 여기에 LLM Wiki, Honcho, Supermemory, Brave Search, Perplexity, Comet CDP, Parallel Search, Firecrawl 등을 연결한 다층 지능 시스템을 구성했다.

현재 시스템이 축적한 19,664개의 Conclusions는 이 시스템이 단순한 설정이 아닌, 실제로 작동하는 자기 학습 장치임을 보여주는 수치다.

---

2. 핵심 철학

이 시스템의 설계 원칙은 다음 세 가지 전환으로 요약된다.

기존 패러다임	→	새로운 패러다임
저장 (Storage)	→	학습 (Learning)
검색 (Search)	→	재사용 (Reuse)
기록 (Record)	→	이해 (Understanding)

왜 이 전환이 중요한가?

기존 PKM(Personal Knowledge Management) 도구들—Notion, Obsidian, Roam Research—은 모두 사람이 정리해야 하는 구조다. 사람이 직접 태그를 달고, 링크를 걸고, 요약을 써야 한다. 결과적으로:

• 정보는 쌓이지만 활용은 줄어든다
• 정리하는 시간이 사용하는 시간보다 많아진다
• 정보의 맥락이 시간이 지나면 사라진다

dayum_gud의 시스템은 이 모든 과정을 Hermes Agent가 자동으로 처리한다. 사람은 그냥 평소대로 웹을 브라우징하고, AI 도구를 사용하면 된다. Hermes가 그것을 모두 수집하고, 구조화하고, 기억한다.

---

3. 시스템 구성도

3-1. 전체 아키텍처

graph TB
    subgraph USER ["👤 사용자 활동"]
        A1[웹 브라우징]
        A2[SNS 활동]
        A3[Perplexity 스레드]
        A4[Claude 대화]
        A5[Gemini 대화]
        A6[ChatGPT 대화]
    end

    subgraph CAPTURE ["📡 수집 레이어"]
        B1[Comet CDP\n로그인 세션 캡처]
        B2[Brave Search\n넓은 탐색]
        B3[Parallel Search\n구조화 조사]
        B4[Firecrawl\n대량 크롤링]
        B5[Perplexity\n스레드 본문 보존]
    end

    subgraph HERMES ["🧠 Hermes Agent\nNous Research"]
        C1[Cron 스케줄러\n20:00~08:00, 1시간 주기]
        C2[Sub-agents\n독립 실행 단위]
        C3[Skills System\n절차 자동 생성/개선]
        C4[Terminal Backend\nVPS/Docker/SSH]
    end

    subgraph MEMORY ["💾 Memory 레이어 (3축)"]
        D1["Honcho\n사용자 이해 모델\n(Plastic Labs)"]
        D2["Supermemory\n고속 Semantic Recall"]
        D3["Hermes Memory\n작업 규칙 & 선호"]
    end

    subgraph WIKI ["📚 LLM Wiki\n(Obsidian Vault)"]
        E1[raw/\n원문 보존]
        E2[entities/\n사람·서비스·시스템]
        E3[concepts/\n원리·패턴·구조]
        E4[comparisons/\nA vs B]
        E5[queries/\n질문의 누적 답]
        E6[index.md\n지식 지형도]
        E7[log.md\n작업 흔적]
    end

    subgraph OUTPUT ["🚀 출력"]
        F1[GPT Pro Pulse\n매일 Article Curation]
        F2[Telegram/Discord\n결과 리포트]
        F3[재사용 가능한 Skills]
    end

    USER --> CAPTURE
    CAPTURE --> HERMES
    HERMES --> MEMORY
    HERMES --> WIKI
    MEMORY --> WIKI
    WIKI --> MEMORY
    HERMES --> OUTPUT
    MEMORY --> OUTPUT

    style HERMES fill:#1a1a2e,color:#e0e0ff,stroke:#6c63ff
    style MEMORY fill:#16213e,color:#e0e0ff,stroke:#0f3460
    style WIKI fill:#0f3460,color:#e0e0ff,stroke:#533483
    style USER fill:#2d2d2d,color:#e0e0ff,stroke:#888
    style CAPTURE fill:#1a2a1a,color:#e0e0ff,stroke:#4caf50
    style OUTPUT fill:#2a1a0a,color:#e0e0ff,stroke:#ff9800

3-2. Cron 타임라인

gantt
    title Hermes Cron 실행 윈도우 (매일)
    dateFormat HH:mm
    axisFormat %H:%M

    section 활성 윈도우
    Cron 실행 가능 구간 (저녁)  :active, 20:00, 4h
    Cron 실행 가능 구간 (새벽)  :active, 00:00, 8h

    section 비활성 구간
    낮 시간 (비실행)             :crit, 08:00, 12h

3-3. 학습 루프

flowchart LR
    A[사용자 활동] -->|자동 수집| B[raw 아카이브]
    B -->|Hermes 처리| C[LLM Wiki 구조화]
    C -->|패턴 추출| D[Honcho 사용자 모델 갱신]
    D -->|4시간 주기| E[에이전트 재학습]
    E -->|다음 작업에 반영| F[더 나은 수집·정리]
    F -->|누적| A
    C -->|고속 색인| G[Supermemory]
    G -->|recall| E

    style A fill:#2d4a2d
    style D fill:#1a1a3e
    style E fill:#3e1a1a
    style G fill:#1a3e3e

---

4. Hermes Agent

4-1. 무엇인가?

Hermes Agent는 Nous Research (허미스·Nomos·Psyche 모델 패밀리를 만든 AI 연구소)가 2026년 2월에 공개한 오픈소스 자율 에이전트다.

핵심 슬로건: “The agent that grows with you”

GitHub 스타 수가 4만 개를 넘어섰으며 (2026년 4월 기준), 개발자 커뮤니티에서 OpenClaw와 함께 가장 주목받는 자기 개선형 에이전트 프레임워크로 자리잡았다.

4-2. 다른 에이전트와의 차이점

대부분의 AI 도구는 무상태(stateless) 다. 대화창을 닫으면 모든 맥락이 사라진다. Hermes는 다르다:

• Cross-session 영구 메모리: FTS5 전문 검색 + LLM 요약을 통해 모든 세션의 내용을 기억한다
• 자기 개선 Skills: 작업을 완료할 때마다 그 절차를 재사용 가능한 Skill 문서로 자동 생성하고, 다음번에 같은 유형의 작업이 오면 처음부터 풀지 않고 Skill을 로드한다
• 자연어 Cron: “매일 저녁 9시에 이것을 해줘”라고 말하면 스케줄이 잡힌다
• 멀티플랫폼 게이트웨이: Telegram, Discord, Slack, WhatsApp, Signal, 이메일, CLI를 단일 프로세스로 연결한다
• 6종 터미널 백엔드: local, Docker, SSH, Daytona, Singularity, Modal을 지원해서 $5짜리 VPS부터 GPU 클러스터까지 어디서나 실행된다

4-3. 최신 릴리즈 (v0.8.0, 2026.4.8)

“The intelligence release”라고 불리는 이 릴리즈에서 주요 추가 사항:

• 백그라운드 작업 자동 알림
• 무료 MiMo v2 Pro (Nous Portal)
• 전 플랫폼에서 라이브 모델 전환
• MCP OAuth 2.1 지원
• Google AI Studio 네이티브 통합
• 209개의 PR 머지, 82개 이슈 해결

4-4. dayum_gud의 활용 방식

dayum_gud는 Hermes를 다음 방식으로 구성했다:

실행 환경: 클라우드 VPS (항상 켜진 상태)
접근 방식: Telegram으로 결과 수신
스케줄: 매일 20:00~익일 08:00, 1시간 주기 Cron
모델: GPT-5.4 high (추론 집약적 작업용)
메모리 백엔드: Honcho (사용자 이해) + 내장 메모리

결과: Hermes Explorer 화면에 5 Peers, 39 Sessions, 19,664 Conclusions 누적

---

5. 도구별 역할

dayum_gud의 시스템에서 모든 도구는 명확한 역할 분리 원칙에 따라 배치된다. “만능 도구는 없다. 있는 건 역할 분담뿐이다.”

5-1. 탐색/수집 레이어

Brave Search — 넓은 지도 그리기

• 역할: 탐색의 1차 입구. 어떤 이름을 찾아야 할지조차 모를 때 외곽선을 잡는 도구
• 특징: 광고 없는 독립 검색엔진. 넓고 빠르지만 깊지 않다
• 비유: “뭐가 있는지 일단 지도를 잡는다”
• 사용 시점: 탐색 시작점, source discovery, 방향 설정

Perplexity — 질문의 맥락 보존

• 역할: 검색이 아니라, 질문이 어떻게 질문이 되었는지를 보여주는 공간
• 핵심 주의사항: 얇게 요약하지 않는다. 스레드 본문을 그대로 보존한다
• 왜 중요한가?: 처음 어떻게 정의했는지, 어디로 파고들었는지, 어디서 멈췄는지, 다음 질문이 무엇인지—이 흐름이 요약하면 죽는다
• 비유: “LLM wiki는 이 맥락을 먹고 자란다”

Parallel Search / Task — 구조화된 다중 소사

• 역할: Brave가 지도라면, Parallel은 “찾고-읽고-추출하고-합성”하는 작업장
• 기능: 다중 쿼리 비교, URL 구조화 추출, LLM이 읽기 좋은 형태로 변환, 다단계 리서치 흐름
• 비유: “찾았다”가 아니라 “읽을 수 있게 만들었다”

Comet CDP — 로그인된 현실을 보는 눈

• 역할: API로 닿지 않는 영역—로그인 페이지, JS 렌더링, 세션 의존 데이터 캡처
• 핵심: 실제로 로그인된 브라우저를 직접 조작해서 세션을 유지하고 동적 페이지를 읽는다
• 사용 사례: Perplexity 히스토리, Claude 대화 기록, Gemini 스레드 등 인증이 필요한 데이터
• 비유: “웹의 표면이 아닌, 운영 현장을 직접 보는 눈”

Firecrawl — 대량 크롤링 보조

• 역할: 큰 사이트, 다수 URL, 복잡한 동적 페이지 수집
• 사용 시점: Comet이나 Parallel로 처리하기 힘든 대규모 수집 작업

5-2. 도구 역할 비교표

quadrantChart
    title 탐색 도구 역할 매트릭스
    x-axis "좁음 --> 넓음"
    y-axis "얕음 --> 깊음"
    quadrant-1 "넓고 깊은"
    quadrant-2 "좁고 깊은"
    quadrant-3 "좁고 얕은"
    quadrant-4 "넓고 얕은"
    Brave Search: [0.85, 0.25]
    Perplexity: [0.35, 0.85]
    Parallel Task: [0.55, 0.70]
    Firecrawl: [0.75, 0.60]
    Comet CDP: [0.20, 0.90]

---

6. LLM Wiki 구조

LLM Wiki는 이 시스템의 최종 지식층이다. 노트 폴더가 아니라, 재사용 가능한 사고 구조다.

“생각의 무덤이 아니라, 생각이 다시 자라나는 밭이다.”

6-1. 디렉터리 구조

Obsidian Vault/
│
├── raw/                    # 원문 보존 (slug 기반 파일명)
│   ├── perplexity-thread-xxx.md
│   ├── claude-conv-xxx.md
│   └── web-page-xxx.md
│
├── entities/               # 사람, 서비스, 시스템, 제품, 프로젝트
│   ├── nous-research.md
│   ├── honcho.md
│   └── dayum-gud.md
│
├── concepts/               # 원리, 패턴, 정책, 구조
│   ├── agentic-memory.md
│   ├── skill-promotion.md
│   └── cron-backfill.md
│
├── comparisons/            # A vs B 비교
│   ├── brave-vs-parallel.md
│   └── honcho-vs-supermemory.md
│
├── queries/                # 질문에 대한 누적 답
│   ├── how-to-setup-hermes.md
│   └── what-is-llm-wiki.md
│
├── index.md               # 현재 지식 지형도 (항상 갱신)
└── log.md                 # 작업 흔적 (항상 갱신)

6-2. 설계 원칙

날짜 기반 파일명 금지: 2026-04-12-hermes.md ❌ → hermes-agent-setup.md ✅

날짜는 파일 구조가 아니라 메타데이터(frontmatter)로만 처리한다. 날짜 기반 구조는 검색과 재사용을 어렵게 만들기 때문이다.

raw layer 먼저: 원문을 가장 먼저 살린다. 요약이나 편집은 그 다음이다. 원문이 없으면 맥락이 사라진다.

wiki compile: raw 작성 후 반드시 wiki 컴파일을 수행해서 entities/concepts/comparisons/queries로 구조화한다.

index.md + log.md 갱신: 모든 작업 후 반드시 두 파일을 동시에 갱신한다. index.md는 지금 어떤 지식이 있는지의 지도이고, log.md는 무슨 작업을 했는지의 흔적이다.

---

7. Memory 레이어

이 시스템의 메모리는 세 층으로 분리되어 있다. 이 셋을 섞지 않고 역할을 분리하는 것이 핵심이다.

graph TD
    subgraph ML ["Memory Layer (3축 분리)"]
        M1["🧠 Honcho\n(Plastic Labs)\n\n사용자 이해 모델\n- 관심사\n- 말투\n- 성격\n- 판단 패턴\n- 반복 선택 기준\n\n'나'를 이해하는 층"]
        M2["⚡ Supermemory\n\n고속 Semantic Recall\n- 유사한 맥락 재검색\n- 세션 간 맥락 연결\n- 빠른 재사용\n\n이해를 빠르게 꺼내는 층"]
        M3["📋 Hermes 내장 Memory\n\n작업 규칙\n- 성공한 절차\n- 반복 선호\n- Session-level 운영 메모리\n\n작업을 기억하는 층"]
    end

    subgraph WIKI2 ["📚 LLM Wiki"]
        W["Obsidian Vault\n\n영구 지식 저장소\n구조화된 재사용 가능 지식\n\n지식으로 바꾸는 결정체"]
    end

    M1 <-->|"사용자 이해를\n지식 구조로"| W
    M2 <-->|"빠른 검색으로\n지식 활용"| W
    M3 <-->|"성공 절차\nSkill 승격"| W

    M1 <-->|"이해 → 고속 recall"| M2

역할 분리 표

레이어	저장 대상	목적	도구
Honcho	사용자 관심사, 말투, 성격, 판단 패턴	사용자 이해의 깊이	Plastic Labs Honcho
Supermemory	세션 간 맥락, 유사 주제 인덱스	빠른 recall	Supermemory API
Hermes Memory	작업 규칙, 선호, 성공한 절차	운영 지속성	내장 FTS5 + LLM 요약
LLM Wiki	구조화된 지식 (entities/concepts/…)	재사용 가능한 지식	Obsidian + filesystem MCP

---

8. Cron 파이프라인

8-1. 스케줄 설계

# Hermes Cron 설정 (자연어로 설정 가능)
"매일 20:00부터 익일 08:00까지, 1시간마다 실행"

# 해당하는 crontab 표현식
0 20-23,0-7 * * *

왜 이 시간대인가? 사용자가 잠든 시간에 Hermes가 일한다. 낮 동안 쌓인 모든 활동을 밤 사이에 정리하고, 아침에 일어나면 깔끔하게 정리된 상태를 받는다.

8-2. 하루 처리 규칙

1. 처리할 recorded day 탐색
2. 빈 날(기록 없는 날) → 즉시 스킵
3. 기록 있는 날만 → 한 번에 한 날씩 처리
4. 처리 순서:
   a. Comet CDP로 브라우저 캡처
   b. Perplexity 스레드 full body 보존
   c. Claude/Gemini/ChatGPT 대화 수집
   d. raw 작성
   e. wiki 컴파일 (entities/concepts/comparisons/queries)
   f. index.md 갱신
   g. log.md 갱신
   h. 완료된 탭 닫기
5. 결과: 짧은 로그로 저장 + Telegram 알림

8-3. 4시간 주기 사용자 모델 갱신

sequenceDiagram
    participant Cron as 🕐 Cron (1시간 주기)
    participant Hermes as 🧠 Hermes
    participant Archive as 📁 Archive
    participant Honcho as 💡 Honcho
    participant Wiki as 📚 LLM Wiki

    Cron->>Hermes: 실행 (20:00, 21:00, 22:00...)
    Hermes->>Archive: 오늘의 활동 수집
    Archive->>Hermes: raw 데이터 반환
    Hermes->>Wiki: wiki 컴파일
    
    Note over Honcho: 4시간마다 별도 실행
    Hermes->>Honcho: 누적 아카이브 전달
    Honcho->>Honcho: 사용자 패턴 분석 & 모델 갱신
    Honcho->>Hermes: 갱신된 사용자 이해 반영

---

9. 세팅 순서

1단계: Vault 구조 생성

# Obsidian Vault 초기 구조
mkdir -p ~/vault/{raw,entities,concepts,comparisons,queries}
touch ~/vault/index.md ~/vault/log.md

핵심 규칙:

• Vault path 하나로 고정 (single source of truth)
• 날짜 기반 파일명 사용 금지
• raw는 slug 기반 (hermes-agent-intro.md)

2단계: Memory 레이어 분리

# ~/.hermes/config.yaml (예시)
memory:
  provider: honcho        # 사용자 이해 모델
  
honcho:
  observation: directional
  api_key: "YOUR_HONCHO_API_KEY"

supermemory:
  api_key: "YOUR_SUPERMEMORY_API_KEY"
  role: semantic_recall   # recall layer 전용

3단계: 탐색/브라우저 도구 연결

연결 우선순위:
1. Brave Search → 기본 검색 입구
2. Parallel Search → 구조화 조사
3. Comet CDP → 로그인 세션 캡처
4. Perplexity → full body 보존 대상
5. Firecrawl → 대량 수집 보조

4단계: Cron 설정

Hermes에서 자연어로:

"매일 밤 8시부터 다음날 아침 8시까지, 1시간마다 
오늘의 웹 브라우징, SNS, Perplexity, Claude, Gemini, ChatGPT 
스레드를 아카이빙하고 LLM wiki로 컴파일해줘"

5단계: GPT Pro Pulse 설정

ChatGPT Pro의 Pulse 기능으로 최근 관심사 기반 매일 article curation 자동 수신.

6단계: 학습 루프 검증

✓ Honcho에 Conclusions가 쌓이고 있는가?
✓ LLM Wiki에 새 항목이 자동 생성되는가?
✓ 성공한 작업이 Skills로 승격되는가?
✓ 다음 실행에서 이전 Skills를 재사용하는가?

---

10. Honcho 심층 분석

Honcho는 Plastic Labs이 개발한 AI 네이티브 메모리 라이브러리로, Hermes의 공식 메모리 백엔드 중 하나다.

10-1. 무엇이 다른가?

일반 메모리 시스템은 대화를 키-값 저장소처럼 다룬다. Honcho는 다르다. 대화가 끝난 후 변증법적 추론(dialectic reasoning) 을 통해 사용자에 대한 결론(Conclusions) 을 도출한다.

이 결론들이 축적되면서 에이전트는 사용자에 대한 살아있는 모델을 갖게 된다:

• 무엇에 끌리는가
• 어떤 주제를 반복하는가
• 어떤 말투를 쓰는가
• 어떤 기준으로 결정하는가
• 무엇을 싫어하는가

10-2. 기술 구조

flowchart TD
    A[사용자 대화] -->|메시지 저장| B[Honcho 서버]
    B -->|소형 파인튜닝 모델| C[Representation 생성]
    C -->|백그라운드 비동기| D["'Dreaming' 프로세스\n과거 추론 + 새 메시지 통합"]
    D -->|결론 도출| E[Conclusions 누적]
    E -->|자연어 쿼리| F[Dialectic API]
    F -->|컨텍스트 반환| G[에이전트 다음 응답에 반영]

10-3. 벤치마크 성과

Honcho는 최신 메모리 벤치마크에서 최고 수준의 성능을 기록했다:

• LongMem S: 90.4% (Gemini 3 Pro 사용 시 92.6%)
• LoCoMo: 89.9% (이전 기록 86.9% 갱신)
• BEAM: 전 항목 최고 점수

특이점: 토큰 효율성도 동시에 유지한다 (“필요한 10K 토큰만, 불필요한 100K는 안 쓴다”).

10-4. dayum_gud 시스템에서의 역할

Honcho = 사용자를 이해하는 층

입력: Hermes가 수집한 모든 활동 (웹 브라우징, SNS, AI 대화)
처리: 대화 후 자동 추론 → Conclusions 생성
출력: "이 사용자는 어떤 사람인가"에 대한 살아있는 모델

현재 상태: 39 Sessions → 19,664 Conclusions 누적

---

11. Supermemory 심층 분석

Supermemory는 이 시스템의 고속 Semantic Recall 엔진이다.

Honcho와의 역할 분리

특성	Honcho	Supermemory
목적	사용자 이해 (깊이)	빠른 recall (속도)
동작 방식	추론 후 결론 도출	벡터 임베딩 유사도 검색
응답 속도	깊은 분석	300ms 이하
주요 쿼리	“이 사용자는 어떤 사람인가?”	“이것과 유사한 내용은?”
역할	이해 레이어	recall 레이어

Supermemory는 세션 간 맥락을 연결하고, 비슷한 주제를 빠르게 재탐색하며, Honcho가 쌓은 이해를 실시간으로 꺼내주는 역할을 한다.

---

12. 19,664 Conclusions의 의미

첫 번째 스크린샷은 Hermes Explorer 화면을 보여준다:

Workspaces > hermes

5 PEERS | 39 SESSIONS | [19,664] CONCLUSIONS

19,664라는 숫자는 단순한 저장 횟수가 아니다. Honcho가 39개의 세션에서 도출한 사용자에 대한 결론의 수다.

계산해보면:

39 Sessions → 19,664 Conclusions
세션당 평균 약 504개의 결론

이것은 세션마다 Honcho가 504가지의
"이 사용자에 대한 새로운 통찰"을 도출했다는 의미다

이 숫자가 커질수록 Hermes는 dayum_gud에 대해 더 정확하게 이해한다. 어떤 주제에 반복적으로 관심을 보이는지, 어떤 판단 기준으로 결정을 내리는지, 어떤 말투와 톤을 선호하는지.

---

13. 운영 원칙

절대 금지 사항

❌ 금지	✅ 대신
단순 저장	구조화된 학습
단순 요약	원문 수준 보존
단순 검색	재사용 가능한 구조
Perplexity 얇게 줄이기	스레드 본문 그대로
날짜 기반 파일명	slug 기반 파일명
여러 날 동시 처리	한 번에 한 날만
빈 날 처리	즉시 스킵
작업 완료 후 탭 유지	즉시 닫기

반드시 준수 사항

• 성공한 작업은 반드시 Skill로 승격
• 실패한 작업은 원인과 대안까지 기록
• index.md와 log.md는 항상 갱신
• raw → wiki 컴파일 순서 유지
• Honcho = 이해 레이어, Supermemory = recall 레이어 역할 분리 유지

---

14. 검증 체크리스트

## 구조 검증
- [ ] Vault path가 하나로 고정되어 있는가?
- [ ] raw / wiki / index / log 구조가 분리되어 있는가?
- [ ] 날짜 기반 파일명이 사용되지 않는가?

## 수집 검증
- [ ] Perplexity thread가 full body 수준으로 보존되는가?
- [ ] Comet CDP가 로그인 세션 캡처에 실제로 쓰이는가?
- [ ] Brave / Parallel / Firecrawl 역할이 분리되어 있는가?

## 메모리 검증
- [ ] Honcho가 사용자 이해를 축적하고 있는가?
- [ ] Supermemory가 빠른 recall로 붙어 있는가?
- [ ] 세 메모리 레이어가 역할 분리되어 있는가?

## 자동화 검증
- [ ] Cron이 20-23, 0-7 윈도우에서만 동작하는가?
- [ ] 빈 날을 즉시 스킵하는가?
- [ ] 한 번에 한 recorded day만 처리하는가?

## 학습 루프 검증
- [ ] 성공한 작업이 Skill로 승격되는가?
- [ ] 작업 완료 후 탭을 닫는가?
- [ ] log.md와 index.md가 항상 갱신되는가?
- [ ] Conclusions 수가 지속적으로 늘어나는가?

---

15. 핵심 철학 요약

이 시스템은 매우 단순한 하나의 질문에서 출발한다:

“왜 AI를 매일 써도, AI는 나를 모르는 것 같을까?”

기존 AI 도구는 세션이 끝나면 초기화된다. 사용자는 매번 같은 맥락을 설명해야 한다. 그 답은 영구 메모리가 아니다. 영구 메모리도 쌓이기만 하면 노이즈가 된다.

진짜 답은 이해의 누적이다.

검색   → "어디에 뭐가 있는지 찾기 위한 것"
Memory → "잊지 않기 위한 것"
Wiki   → "다시 쓰기 위한 것"
Honcho → "사용자를 더 깊이 이해하기 위한 것"
Supermemory → "그 이해를 빠르게 불러오기 위한 것"
Hermes → "그것들을 실제 행동으로 이어 붙이는 오케스트레이터"

이 여섯 가지가 하나의 루프로 연결될 때, AI는 처음으로 진짜 의미에서 “사용자와 함께 자라는 에이전트” 가 된다.

dayum_gud의 시스템이 보여주는 것은 기술의 과시가 아니다. “저장”에서 “운영”으로의 패러다임 전환이다. 그리고 그 전환의 결과는 숫자로 나타난다: 19,664개의 결론, 하루하루 성장하는 에이전트.

---

참고 및 출처

항목	링크
Hermes Agent (Nous Research)	https://hermes-agent.nousresearch.com
Hermes GitHub	https://github.com/NousResearch/hermes-agent
Honcho (Plastic Labs)	https://honcho.dev
Supermemory	https://supermemory.ai
dayum_gud Threads (원본 포스팅 1)	https://www.threads.com/@dayum_gud/post/DW_Bdpxj2On
dayum_gud Threads (원본 포스팅 2)	https://www.threads.com/@dayum_gud/post/DW_RX5lDwRM

---

이 문서는 dayum_gud(@dayum_gud)의 Threads 공개 포스팅과 세팅 프롬프트, Hermes Agent 최신 공식 문서를 기반으로 작성되었습니다.
작성일: 2026년 4월 12일