Engineering
Hermes Agent Skills: Sistem Self-Improving yang Membuat AI Belajar dari Pengalaman
Bayangkan sebuah asisten AI yang tidak hanya menjalankan perintah, tetapi juga belajar dari setiap tugas yang diselesaikan, menyimpan pengetahuan baru, dan secara proaktif meningkatkan kemampuannya sendiri.
Bayangkan sebuah asisten AI yang tidak hanya menjalankan perintah, tetapi juga belajar dari setiap tugas yang diselesaikan, menyimpan pengetahuan baru, dan secara otomatis meningkatkan kemampuannya dari waktu ke waktu. Konsep ini bukan lagi fiksi ilmiah — Hermes Agent dari Nous Research mewujudkannya melalui sistem skills yang revolusioner. Artikel ini mengulas bagaimana sistem skills bekerja, mengapa desainnya berbeda dari pendekatan tradisional, dan bagaimana Anda dapat memanfaatkannya untuk membangun asisten digital yang benar-benar self-improving.
Apa itu Hermes Agent dan Mengapa Skills-nya Istimewa
Asisten AI open-source yang dibangun oleh Nous Research ini memiliki keunggulan unik dibandingkan kebanyakan AI assistant lainnya. Alih-alih beroperasi dengan konteks statis, solusi ini dirancang memiliki loop pembelajaran bawaan. Ia tidak sekadar menerima prompt dan menghasilkan jawaban — ia menyimpan pengalaman kerjanya sebagai skills yang bisa dimuat kembali di masa mendatang.
Konsep self-improving ini sempat mendapat perhatian luas dari NVIDIA melalui blog post resmi mereka. Salah satu fitur yang paling menonjol adalah kemampuan sistem ini untuk menulis dan memperbaiki skills-nya sendiri. Setiap kali menghadapi tugas kompleks atau menerima umpan balik, ia menyimpan pelajaran yang diperoleh agar dapat beradaptasi dan berkembang seiring waktu.
Pencapaian ini semakin mengesankan mengingat repositorinya di GitHub berhasil melampaui 140.000 bintang dalam waktu kurang dari tiga bulan. Angka tersebut menunjukkan bahwa komunitas pengembang melihat nilai nyata dalam pendekatan self-improving ini, bukan sekadar fitur gimmick.
Keunikan platform ini terletak pada filosofi desainnya yang menganggap asisten AI bukan sekadar tools sekali pakai. Solusi ini diperlakukan sebagai asisten yang terus bertumbuh — semakin sering digunakan, semakin pintar ia menjadi. Pendekatan ini mengubah paradigma interaksi manusia-ai dari model transaksional menjadi model kolaboratif jangka panjang. Bagi pengembang yang ingin memahami lebih dalam tentang arsitektur backend dan fullstack, konsep seperti ini sangat relevan — sama seperti bagaimana roadmap backend developer 2026 menekankan pentingnya pemahaman sistem yang berkelanjutan.
Sistem Skills: Fondasi Pengetahuan yang Terstruktur
Di jantung platform ini terdapat sistem skills yang mengikuti standar agentskills.io — sebuah format terbuka dan ringan untuk memperluas kemampuan asisten digital dengan pengetahuan serta alur kerja khusus. Secara mendasar, sebuah skill hanyalah sebuah folder yang berisi file SKILL.md. File tersebut memuat instruksi, referensi, dan konteks yang dibutuhkan untuk menyelesaikan tugas tertentu.
Keunggulan utama pendekatan berbasis file ini adalah kesederhanaannya. Tidak ada database yang perlu dikelola, tidak ada API endpoint yang harus di-deploy, dan tidak ada dependency framework yang berat. Pengembang cukup membuat folder, menulis SKILL.md dalam format Markdown dengan YAML frontmatter, lalu skill siap digunakan oleh sistem ini.
Model penyimpanan ini juga memungkinkan version control yang efektif. Karena skill hanyalah file teks, perubahan pada skill dapat dilacak menggunakan Git atau sistem version control lainnya. Pengembang dapat melihat riwayat perubahan, membandingkan versi berbeda, dan melakukan rollback jika diperlukan. Aspek ini menjadikan skills lebih transparan dan mudah dikelola dibandingkan konfigurasi yang tersimpan dalam database.
Selain itu, integrasi dengan pipeline CI/CD modern menjadi lebih mudah karena skill berbentuk file teks. Pengembang dapat mengotomatiskan proses validasi skill menggunakan tools seperti GitHub Actions atau GitLab CI, memastikan setiap perubahan skill memenuhi standar kualitas sebelum diterapkan ke lingkungan produksi. Karakteristik ini menjadikan skills sebagai bagian integral dari workflow pengembangan perangkat lunak.
Progressive Disclosure: Efisiensi Penggunaan Token
Salah satu desain paling cerdik dalam sistem skills platform ini adalah pendekatan progressive disclosure. Alih-alih memuat semua pengetahuan sekaligus ke dalam konteks, sistem ini hanya mengambil skill saat benar-benar dibutuhkan. Strategi ini secara efektif menghemat penggunaan token — salah satu tantangan terbesar dalam pengembangan tools AI. Token yang tidak terpakai dapat dialihkan untuk konteks tugas yang lebih kompleks dan bernilai tinggi.
Mekanisme progressive disclosure ini juga berfungsi sebagai filter kualitas. Sistem ini tidak memuat semua skills sekaligus karena hal itu akan membuat konteks menjadi terlalu panjang dan membingungkan. Sebaliknya, ia menggunakan deskripsi dan tag dari YAML frontmatter untuk menentukan skill mana yang paling relevan dengan tugas yang sedang dikerjakan.
Struktur File SKILL.md
Setiap skill mengikuti format standar yang konsisten. Berikut contoh struktur dasar sebuah skill:
---
name: deployment-checklist
description: "Checklist deployment production untuk aplikasi Node.js"
tags: [devops, deployment, nodejs]
---
Deployment Checklist
Prasyarat
- Server produksi sudah dikonfigurasi
- Environment variables sudah diatur
- SSL certificate sudah terpasang
Langkah-langkah
1. Jalankan test suite: npm test
2. Build production: npm run build
3. Deploy ke server: npm run deploy
4. Verifikasi health check endpointFormat YAML frontmatter di bagian atas memudahkan sistem ini untuk memahami konteks skill tanpa harus membaca seluruh isi file. Metadata seperti nama, deskripsi, dan tag memungkinkan pencarian yang cepat dan akurat. Ia dapat memindai ratusan skill dalam hitungan milidetik dan memilih yang paling sesuai berdasarkan kesesuaian tag dan deskripsi. Proses pemilihan ini terjadi secara otomatis tanpa intervensi pengguna.
Tools yang Tersedia untuk Setiap Skill
Skill dalam platform ini tidak hanya berisi teks statis. Setiap skill dapat mendefinisikan toolsets — kumpulan tool yang dibutuhkan untuk menjalankan instruksi dalam skill tersebut. Misalnya, skill untuk deployment mungkin membutuhkan akses ke terminal dan browser, sementara skill untuk analisis data mungkin membutuhkan akses ke library Python seperti pandas.
Sistem conditional activation memastikan skill hanya aktif jika asisten digital memiliki tool yang diperlukan. Jika sebuah skill membutuhkan akses ke terminal tapi ia berjalan di lingkungan tanpa terminal, skill tersebut secara otomatis tidak dimuat. Desain ini mencegah error dan menghemat resources yang berharga.
Bagaimana Sistem Ini Membuat Skills Baru secara Otonom
Kemampuan paling menarik dari platform ini adalah pembuatan skill secara otonom. Sistem ini tidak bergantung pada manusia untuk membuat atau memperbarui pengetahuannya — ia bisa melakukan itu sendiri berdasarkan pengalaman kerja. Proses ini berjalan secara natural tanpa intervensi eksplisit dari pengguna.
Mekanisme pembuatan skill otonom ini didasarkan pada deteksi kompleksitas tugas. Ketika sistem ini mendeteksi bahwa ia baru saja menyelesaikan tugas yang melibatkan banyak langkah dan tool calls, ia secara otomatis mengevaluasi apakah ada pengetahuan baru yang layak disimpan. Evaluasi ini melibatkan analisis efisiensi pendekatan yang digunakan, potensi reusable knowledge, dan relevansi dengan use case masa mendatang.
Kapan Skills Baru Dibuat secara Otonom
Ada beberapa kondisi yang memicu pembuatan skill baru oleh sistem ini:
- Tugas kompleks selesai: Ketika ia menyelesaikan tugas yang melibatkan 5 atau lebih pemanggilan tool, ia mengevaluasi apakah ada pendekatan baru yang ditemukan selama proses tersebut. Evaluasi ini mempertimbangkan apakah pendekatan baru lebih efisien dari yang sudah ada.
- Umpan balik diterima: Jika pengguna memberikan koreksi atau saran, ia menyimpan pelajaran itu agar tidak mengulangi kesalahan yang sama. Mekanisme ini menciptakan loop pembelajaran yang berkelanjutan antara asisten digital dan penggunanya.
- Pola baru ditemukan: Ketika ia menghubungkan MCP server baru dan menemukan cara memanggilnya, ia dapat mengkodifikasi pola panggilan tersebut sebagai skill. Pola ini kemudian tersedia untuk digunakan kembali di masa mendatang.
// Advertisement
Write Approval Gate: Mengontrol Kreativitas
Tentu saja, kebebasan sistem ini untuk membuat skill baru perlu dikendalikan. Platform ini menyediakan fitur write approval gate yang memungkinkan pengguna mengontrol kapan ia boleh membuat atau mengubah skills. Fitur ini memastikan bahwa sistem ini tidak membuat skill redundan atau mengubah skill yang sudah berfungsi dengan baik tanpa persetujuan.
Mekanisme ini menyeimbangkan antara otonomi asisten digital dan kendali manusia. Pengguna dapat mengatur level persetujuan sesuai kebutuhan — dari mode sepenuhnya otonom hingga mode yang memerlukan konfirmasi untuk setiap perubahan. Tingkat fleksibilitas ini memungkinkan pengguna menyesuaikan perilaku sistem ini sesuai dengan kebutuhan proyek dan tingkat kepercayaan mereka.
Siklus Hidup sebuah Skill
Sebuah skill dalam platform ini mengalami siklus hidup yang menarik. Pertama, skill dibuat — baik oleh pengembang manusia maupun secara otonom oleh asisten digital. Kedua, skill digunakan dalam tugas-tugas nyata. Selama penggunaan, sistem ini mungkin menemukan pendekatan yang lebih baik atau mengidentifikasi kekurangan dalam instruksi skill. Ketiga, skill diperbarui berdasarkan temuan-temuan tersebut. Siklus ini terus berulang sehingga kualitas skill meningkat seiring waktu.
Pola siklus hidup ini mirip dengan konsep continuous improvement dalam metodologi Agile. Setiap iterasi menghasilkan versi skill yang lebih baik, lebih efisien, dan lebih relevan dengan kebutuhan nyata. Perbedaannya terletak pada pelakunya — bukan hanya manusia yang melakukan perbaikan, melainkan sistem itu sendiri yang secara aktif memperbaiki pengetahuannya.
Standar agentskills.io: Ekosistem Terbuka untuk Pengembang
Sistem skills ini tidak berdiri sendiri. Ia mengikuti standar agentskills.io yang terbuka dan ringan. Artinya, skill yang dibuat untuk platform ini juga kompatibel dengan asisten AI lain yang mengikuti standar yang sama. Ini membuka peluang berbagi pengetahuan lintas platform.
Prinsip dasar agentskills.io sederhana: sebuah skill adalah folder berisi SKILL.md dengan format yang terstandarisasi. Tidak ada framework berat, tidak ada dependency kompleks. Desain sederhana ini memastikan skill dapat dibuat, dibagikan, dan digunakan oleh siapa saja tanpa hambatan teknis yang berarti.
Kompatibilitas lintas platform ini sangat berarti dalam ekosistem asisten AI yang berkembang pesat. Sebuah skill yang dibuat untuk automasi testing, misalnya, dapat digunakan oleh berbagai asisten AI tanpa perlu modifikasi. Pengembang tidak perlu mengunci pengetahuan mereka dalam satu platform tertentu.
Standar terbuka ini juga mengurangi hambatan masuk bagi pengembang baru. Mereka tidak perlu mempelajari proprietary format atau API khusus — cukup menulis Markdown dengan struktur yang sudah didefinisikan. Kesederhanaan ini menjadi kunci adopsi luas di kalangan komunitas pengembang asisten AI. Hal ini selaras dengan tren pengembangan perangkat lunak open-source yang semakin dominan, seperti yang dibahas dalam cara membuat AI agent tentang bagaimana ekosistem terbuka mempercepat inovasi.
Keuntungan lain dari standar terbuka adalah kolaborasi lintas organisasi. Tim pengembang di berbagai perusahaan dapat berbagi skill yang sudah teruji tanpa khawatir tentang kompatibilitas. Model ini mempercepat siklus inovasi karena setiap tim tidak perlu membangun segalanya dari nol — mereka dapat memanfaatkan dan membangun di atas karya komunitas yang lebih luas.
Skills Hub: Marketplace Pengetahuan Lintas Platform
Platform ini dilengkapi dengan Skills Hub yang berfungsi sebagai pusat distribusi skills. Pengguna dapat menginstal skills dari berbagai sumber dalam satu perintah. Ekosistem ini mencakup sumber resmi, skills.sh, GitHub, ClawHub, serta URL langsung dari pengembang komunitas.
Sumber Skills yang Tersedia
- Sumber resmi: Skills yang dikurasi oleh tim Nous Research, diuji dan divalidasi untuk kompatibilitas penuh. Sumber ini menjadi tempat terbaik untuk memulai karena kualitasnya terjamin.
- skills.sh: Marketplace komunitas tempat pengembang berbagi skills yang telah mereka buat dan uji. Di sini Anda menemukan solusi kreatif untuk use case yang sangat spesifik.
- GitHub: Repository publik yang mengikuti format SKILL.md standar dapat diinstal langsung tanpa konfigurasi tambahan.
- ClawHub: Platform distribusi skills tambahan dengan kurasi khusus untuk kategori tertentu.
- URL langsung: Skill yang di-host secara mandiri dapat diinstal dari URL apapun, memungkinkan organisasi membangun distribusi skill internal.
Skill Bundles: Efisiensi dalam Satu Perintah
Alih-alih menginstal skill satu per satu, pengguna dapat memanfaatkan Skill Bundles untuk menggabungkan beberapa skills terkait dalam satu perintah slash. Cara ini mempercepat setup environment untuk use case tertentu — misalnya bundle untuk full-stack development yang mencakup skills untuk frontend, backend, database, dan deployment sekaligus.
Selain itu, conditional activation berdasarkan toolsets yang tersedia memastikan skill hanya aktif jika asisten digital memiliki tool yang diperlukan untuk menjalankannya. Jika sebuah skill membutuhkan terminal tapi ia tidak memiliki akses ke terminal, skill tersebut tidak akan dimuat — menghemat resources dan menghindari error yang tidak perlu.
Contoh Implementasi: Membuat Skill untuk Automasi Deployment
Untuk memberikan gambaran nyata tentang bagaimana skills bekerja, berikut contoh implementasi skill automasi deployment yang dapat dibuat secara manual atau secara otonom oleh sistem ini. Format ini mengikuti standar SKILL.md yang dapat langsung digunakan.
---
name: api-integration-checklist
description: "Checklist integrasi API REST untuk aplikasi production"
tags: [backend, api, devops]
tools: [terminal, web]
---
API Integration Checklist
Validasi Environment
- Pastikan API key sudah dikonfigurasi di environment variables
- Verifikasi endpoint URL sesuai dengan environment target
- Pastikan SSL certificate valid dan tidak expired
Testing Endpoints
- Jalankan health check untuk semua endpoint yang akan digunakan
- Validasi response schema menggunakan tools validasi JSON
- Pastikan rate limiting sudah dikonfigurasi dengan benar
Monitoring Setup
- Aktifkan logging untuk semua request dan response
- Konfigurasi alerting untuk error rate di atas threshold
- Pastikan metrics endpoint mengembalikan data yang akuratContoh di atas menunjukkan bagaimana sebuah skill dapat mengotomatiskan seluruh alur deployment dari tahap verifikasi hingga eksekusi. Sistem yang memuat skill ini dapat langsung menjalankan deployment tanpa perlu instruksi langkah demi langkah dari pengguna. Pola seperti ini sangat berguna bagi tim pengembang yang ingin menstandardisasi workflow deployment mereka.
Ketika sistem ini menjalankan skill ini dan menemukan bahwa ada langkah yang perlu diperbaiki — misalnya penambahan health check setelah deployment — ia dapat memperbarui skill tersebut secara otomatis. Pembaruan ini kemudian tersedia untuk penggunaan di masa mendatang, menciptakan siklus perbaikan berkelanjutan yang meningkatkan kualitas workflow seiring waktu.
External Skill Directories dan Berbagi Lintas Platform
Salah satu keunggulan mengikuti standar agentskills.io adalah kemampuan untuk berbagi skills dengan tools AI lain yang kompatible. External skill directories memungkinkan pengembang mempublikasikan skills mereka dan diakses oleh berbagai asisten AI — tidak hanya satu platform.
Model ini menciptakan ekosistem pengetahuan yang terdesentralisasi. Pengembang cukup membuat skill sekali dalam format SKILL.md, lalu skill tersebut dapat dimanfaatkan oleh berbagai asisten AI — termasuk Claude dan solusi lain yang mendukung standar yang sama. Ini mengurangi duplikasi upaya dan mempercepat inovasi lintas platform.
Ketersediaan lebih dari 70 bundled skills yang siap pakai menjadi bukti nyata bahwa ekosistem ini sudah matang. Skills tersebut mencakup berbagai use case — mulai dari GitHub workflow, deployment, hingga analisis data. Pengembang baru dapat langsung memanfaatkan skills yang ada tanpa perlu memulai dari awal.
Model berbagi pengetahuan seperti ini mirip dengan bagaimana package manager bekerja di ekosistem pemrograman. Sama seperti npm atau pip memudahkan berbagi library, Skills Hub memudahkan berbagi pengetahuan asisten AI. Perbedaannya terletak pada konten — yang dibagikan bukan kode eksekutable, melainkan instruksi dan pengetahuan yang membimbing dalam menjalankan tugas.
Bagi pengembang yang bekerja di stack fullstack atau backend, konsep distribusi pengetahuan ini sangat mudah dipahami. Mekanisme skill sharing dalam platform ini pada dasarnya adalah evolusi dari pola-pola yang sudah ada — seperti package registries, shared libraries, dan internal documentation systems — tetapi dioptimalkan untuk konteks asisten AI.
// Advertisement
Masa Depan AI dengan Kemampuan Self-Improving
Konsep self-improving asisten AI bukan sekadar tren sesaat. Platform ini menunjukkan bahwa AI dapat belajar dari pengalaman, menyimpan pengetahuannya, dan terus berkembang tanpa intervensi manusia yang berlebihan. Sistem skills menjadi jembatan antara kemampuan AI yang statis dan visi asisten yang benar-benar adaptif.
Ke depannya, kita bisa mengharapkan perkembangan dalam beberapa aspek krusial. Pertama, kemampuan sistem ini untuk membuat skill yang semakin kompleks dan bernilai tinggi — termasuk skill yang mampu mengoordinasikan beberapa asisten AI secara bersamaan untuk menyelesaikan tugas yang sangat kompleks. Kedua, ekosistem berbagi skill yang semakin luas dan saling terhubung lintas organisasi. Ketiga, integrasi yang lebih dalam antara skills dan workflow development yang ada di berbagai toolchain populer.
Di tingkat komunitas, pertumbuhan jumlah skills yang berkontribusi dari pengembang independen menciptakan efek jaringan yang kuat. Semakin banyak skills yang tersedia, semakin menarik platform ini bagi pengembang baru, yang pada gilirannya menciptakan lebih banyak skills berkualitas tinggi. Siklus positif ini menjadi motor penggerak utama ekosistem.
Bagi pengembang yang tertarik memulai, langkah pertama yang paling praktis adalah menjelajahi ketersediaan skills melalui Skills Hub. Mulai dengan skills yang sudah ada, rasakan bagaimana sistem ini belajar dan beradaptasi, lalu perlahan membuat skills custom untuk use case spesifik Anda. Perjalanan menuju asisten AI yang self-improving dimulai dari satu skill sederhana.
Transformasi dari asisten AI statis ke asisten yang terus berkembang bukan lagi pertanyaan "apakah" tapi "kapan." Dengan ekosistem skills yang sudah matang dan standar terbuka yang didukung komunitas luas, fondasi untuk masa depan asisten AI yang self-improving sudah tersedia. Tinggal bagaimana kita sebagai pengembang memanfaatkannya secara bertanggung jawab.
Tren ini juga sejalan dengan evolusi framework modern yang semakin mengadopsi pendekatan modular dan extensible. Konsep yang sama dengan bagaimana Next.js 16 memungkinkan customisasi mendalam melalui plugin system — framework ini melakukan hal serupa tetapi dalam domain asisten AI. Keduanya menekankan pada ekosistem terbuka yang memungkinkan komunitas berkontribusi dan berinovasi.
Sumber Referensi
- Dokumentasi Hermes Agent — Sistem Skills: https://hermes-agent.nousresearch.com/docs/user-guide/features/skills/ — Penjelasan lengkap tentang arsitektur skills dan cara kerjanya
- NVIDIA Blog — Self-Improving AI Agents: https://blogs.nvidia.com/blog/rtx-ai-garage-hermes-agent-dgx-spark/ — Analisis NVIDIA tentang potensi self-improving agents
- GitHub Repository: https://github.com/NousResearch/hermes-agent — Source code dan komunitas pengembang
- agentskills.io — Standar Terbuka: https://agentskills.io/home — Spesifikasi format SKILL.md untuk asisten AI
- SSOJet — Overview Self-Evolving Skills: https://ssojet.com/blog/hermes-agent-self-evolving-skills — Ringkasan fitur self-evolving skills
Pertanyaan Umum (FAQ)
Apa perbedaan utama asisten AI ini dengan asisten AI lainnya?
Solusi tersebut memiliki loop pembelajaran bawaan yang memungkinkannya membuat dan memperbaiki skills secara otonom. Kebanyakan asisten AI beroperasi dengan konteks statis, sedangkan platform ini menyimpan pengalaman kerjanya dan menggunakannya kembali di masa mendatang.
Apakah skill yang dibuat untuk platform ini bisa digunakan di asisten AI lain?
Ya, karena platform ini mengikuti standar agentskills.io yang terbuka. Skill dengan format SKILL.md kompatibel dengan berbagai asisten AI lain yang mendukung standar yang sama.
Bagaimana cara mengontrol agar sistem tidak membuat skill secara sembarangan?
Platform ini menyediakan fitur write approval gate yang memungkinkan pengguna mengatur tingkat otonomi. Anda dapat mengonfigurasi apakah sistem memerlukan persetujuan sebelum membuat atau mengubah skill.
Berapa banyak skills yang sudah tersedia secara default?
Platform ini hadir dengan lebih dari 70 bundled skills yang siap pakai. Skills tersebut mencakup berbagai domain mulai dari GitHub workflow, deployment, analisis data, hingga automasi testing.
Apakah progressive disclosure benar-benar menghemat biaya penggunaan token?
Tentu. Dengan hanya memuat skill saat dibutuhkan, sistem menghindari overhead memuat semua pengetahuan ke dalam konteks sekaligus. Strategi ini secara efektif mengurangi jumlah token yang dikonsumsi per sesi interaksi.
Image Attribution
// Advertisement
VyuApp Studio
Bespoke web engineering — Garut, ID