Hermes Agent Builder Lab

De una idea a un agente que recuerda, usa tools y entrega.

Una experiencia práctica para construir un asistente en EC2, conectarlo a Telegram y ampliar sus capacidades con Composio.

Agenda

Del modelo al agente operativo.

01
Entender qué hace —y qué no hace— un LLM.
02
Diseñar prompts, contexto, criterios y verificaciones.
03
Distinguir chatbot, agente, tool, skill, plugin y MCP.
04
Conocer la arquitectura de Hermes Agent.
05
Crear una instancia segura en AWS EC2.
06
Instalar Hermes, elegir modelo y conectar Telegram.
07
Activar toolsets, memoria, cron y delegación.
08
Conectar Composio y seleccionar toolkits seguros.
09
Probar un flujo real, documentarlo y presentarlo.
Cambio de enfoque

No queremos un chat que impresione. Queremos un sistema que funcione.

Hermes combina modelo, memoria, instrucciones, herramientas y canales para convertir una conversación en trabajo verificable.

Chat aislado

Responde una pregunta y depende del contexto de ese momento.

Agente operativo

Recuerda, usa tools, trabaja por pasos y deja evidencia.

Como funciona un LLM

Un LLM no “sabe” como una persona. Calcula la siguiente pieza probable.

El modelo toma lenguaje, lo parte en piezas, mira el contexto y predice una salida que estadisticamente tiene sentido.

Texto

Tu pregunta, instrucciones y contexto.

→
Patrones

Relaciones aprendidas entre ideas, palabras y formatos.

→
Respuesta

Una salida probable, util, pero no infalible.

Evidencia técnica

Un agente se demuestra con un flujo que corre, no con una promesa.

La meta del laboratorio es construir un sistema pequeño, seguro y explicable: desde EC2 hasta una acción real ejecutada con una herramienta.

01Servidor

Ubuntu en EC2 con red y acceso controlados.

02Hermes

Modelo, memoria, tools y reglas configuradas.

03Canal

Telegram como interfaz cotidiana.

04Composio

Apps conectadas mediante OAuth y MCP.

05Prueba

Resultado, logs, límites y explicación.

Entrenamiento vs uso

Hay dos momentos distintos: aprender patrones y responder con contexto.

El entrenamiento crea un modelo que reconoce relaciones en lenguaje. En el uso diario, el modelo no “busca en su memoria humana”: recibe tu contexto y genera una respuesta probable.

01Datos

Mucho texto, codigo, ejemplos y formatos.

02Patrones

Aprende relaciones entre palabras, ideas y estructuras.

03Prompt

Tu pregunta le da objetivo, contexto y restricciones.

04Inferencia

Calcula una salida token por token.

05Revision

El humano verifica, corrige y decide.

Tokens y contexto

El modelo lee piezas de lenguaje, no ideas completas.

Esas piezas se llaman tokens. La “ventana de contexto” es la cantidad de tokens que el modelo puede mirar para responder.

Input

Lo que le das: pregunta, archivos, instrucciones, ejemplos.

Context window

El espacio mental disponible para trabajar.

Output

La respuesta generada token por token.

Como mejorar una respuesta

La calidad del output depende de la calidad del encargo.

Un buen encargo no es largo por ser largo. Es especifico: objetivo, audiencia, nivel, fuentes, criterios de exito y formato esperado.

Prompt flojo

  • “Explicame IA”
  • No dice para quien
  • No dice profundidad
  • No define resultado

Prompt fuerte

  • “Explicalo para estudiantes de secundaria”
  • Inclui analogia, ejemplo y quiz
  • Marcame dudas comunes
  • Hacelo verificable
Si no tienen Agent

ChatGPT normal tambien puede ser una fabrica de resultados.

La diferencia esta en dejar de pedir solo explicaciones y empezar a pedir estructuras que otras herramientas puedan ejecutar, publicar o convertir en producto.

Palabras

Explicaciones, ideas, resumenes, guiones y planes.

Estructuras

Tablas, checklists, JSON, prompts reutilizables y criterios.

Codigo

HTML, Apps Script, flujos n8n, scripts y prototipos publicables.

Pedir en codigo

Cuando pedis codigo, ChatGPT deja de ser solo texto y se vuelve constructor.

ChatGPT fue entrenado con mucho lenguaje, pero tambien con mucho codigo. Y todos los programas son codigo: paginas, automatizaciones, dashboards, formularios y bots.

Idea

“Quiero una pagina para mi proyecto.”

→
Codigo

HTML, CSS, JavaScript, Apps Script o JSON.

→
Publicacion

GitHub, Netlify, Cloudflare, Apps Script o n8n.

Prompting practico

Un buen prompt no es largo. Es completo.

De las presentaciones de prompting: el patron que mas mejora respuestas es darle a la IA el encargo completo y pedirle que no avance si falta informacion.

01Objetivo

Que queres lograr.

02Contexto

Para quien, por que y con que datos.

03Formato

Tabla, codigo, slide, guion o checklist.

04Criterio

Como se ve un buen resultado.

05Preguntas

Que te pregunte antes de inventar.

La forma mas sencilla

Cuando no sabes escribir el prompt, pedile a la IA que te entreviste.

Esta es la tecnica mas facil para principiantes: pedir el resultado y luego pedirle a ChatGPT todas las preguntas necesarias antes de producirlo.

Plantilla: Quiero crear [resultado]. Antes de hacerlo, haceme todas las preguntas necesarias para entender objetivo, publico, contexto, fuentes, formato, estilo y criterios de exito. Cuando tengas suficiente informacion, proponeme un plan y despues produci la primera version.
Probabilidad, no verdad

Un LLM optimiza coherencia. Vos tenes que verificar verdad.

Por eso las alucinaciones son peligrosas: una respuesta puede tener estructura perfecta, tono seguro y datos falsos.

Lo que hace bien

  • Organizar lenguaje
  • Explicar conceptos
  • Comparar opciones
  • Crear borradores

Lo que vos haces

  • Verificar fuentes
  • Definir criterio
  • Corregir errores
  • Tomar responsabilidad
Por que parece inteligente

Parece inteligente porque trabaja con contexto, patrones y lenguaje.

Si el contexto es pobre, la respuesta suele ser generica. Si el contexto tiene objetivo, audiencia, criterios y formato, el resultado mejora.

Contexto

Que sabe el modelo antes de responder.

Criterio

Lo que vos usas para dirigir y revisar.

Limitaciones

Un LLM puede ayudar a pensar, pero no reemplaza criterio.

Puede inventar

A veces produce datos falsos con mucha seguridad.

Puede no preguntar

Responde cuando deberia pedir mas contexto.

Puede debilitarte

Si solo pedis respuestas finales, pensas menos.

La pregunta correcta: como hago que la IA me entrene para entender, producir y decidir mejor.

Mejora cognitiva

IA bien usada: mejora cognitiva.

Te hace mejores preguntas, te exige explicar, te da feedback y te muestra puntos ciegos.

IA mal usada: deuda cognitiva.

Dejas que la herramienta piense por vos. Copias sin entender, aceptas sin revisar y perdes habilidad.

Entrenador de cerebros

No lo uses solo como solucionador. Usalo como entrenador.

Un entrenador no juega por vos: te exige, te corrige, te pone ejercicios y te ayuda a mejorar.

Preguntas

Que te evalúe antes de darte la respuesta.

Feedback

Que detecte fallas en tu argumento.

Practica

Que cree ejercicios y suba la dificultad.

Delegar bien

Delegar proceso, no responsabilidad.

Si delegar

  • Resumir material
  • Organizar notas
  • Preparar quizzes
  • Crear borradores
  • Buscar errores

No delegar

  • Entender por vos
  • Inventar fuentes
  • Decidir sin revisar
  • Hacer trampa
  • Tu criterio final
Aprender haciendo

Hermes convierte la práctica en una secuencia observable.

No basta con ver una demo. Cada estudiante instala, configura, prueba, corrige y explica un agente propio.

Preparar

Definir propósito, usuario, datos y límites.

Construir

Configurar infraestructura, modelo y tools.

Demostrar

Ejecutar un flujo y enseñar la evidencia.

Proyecto demostrable

Un interés se vuelve proyecto cuando el agente produce algo revisable.

Elegí un problema pequeño y concreto. El agente debe investigar, organizar o ejecutar un paso útil; el humano decide y verifica.

Research assistant

Busca fuentes, extrae datos y entrega un resumen con enlaces.

Project assistant

Convierte objetivos en tareas, documentos y seguimiento.

Operations assistant

Consulta apps conectadas y prepara una acción para aprobación.

Diseñar desde el objetivo

El agente cambia según la evidencia que querés producir.

Aprender

Tutor, preguntas, ejercicios y feedback.

Investigar

Fuentes, comparación y síntesis verificable.

Construir

Archivos, código, documentación y deploy.

Operar

Apps, calendarios, mensajes y flujos con aprobación.

Contexto técnico

Hermes necesita un entorno claro para actuar con criterio.

El modelo no adivina tu organización. Definí instrucciones, fuentes, permisos, herramientas disponibles y condiciones de éxito.

01Propósito

Qué problema resuelve y para quién.

02Contexto

Archivos, memoria y conocimiento del proyecto.

03Tools

Qué puede leer, crear o modificar.

04Frenos

Aprobaciones, límites y privacidad.

05Evidencia

Cómo comprobamos que terminó bien.

Resultado del trabajo

Hermes convierte instrucciones en entregables y recibos.

InvestigarFuentes, comparaciones y decisiones documentadas.
ConstruirArchivos, código, reportes y artefactos editables.
OperarAcciones en apps conectadas con verificación posterior.
RecordarMemoria útil para continuar sin empezar de cero.
De chatbot a agente

Chatbot responde. Hermes recuerda, planifica y usa herramientas.

La diferencia no es solo el modelo. Es la arquitectura alrededor del modelo.

Mensaje

Objetivo, contexto y restricciones.

→
Hermes

Razona, consulta memoria y elige tools.

→
Resultado

Acción, archivo, respuesta y evidencia.

Arquitectura mínima

Modelo + instrucciones + memoria + tools + gateway.

Modelo

Comprende lenguaje, decide el siguiente paso y redacta.

Instrucciones

Definen rol, tono, reglas y criterios de salida.

Memoria

Conserva continuidad útil entre sesiones.

Tools

Permiten buscar, leer, ejecutar, crear y conectar.

Gateway

Lleva el agente a Telegram, Discord, Slack, WhatsApp, Signal o email.

Human-in-the-loop

Aprueba decisiones sensibles y verifica resultados.

Agente confiable

La inteligencia sirve cuando la arquitectura es gobernable.

Hermes separa conversación, memoria, herramientas, sesiones y ejecución. Eso permite observar, limitar y mejorar el sistema.

Sesión

Contexto activo y límites de una conversación.

Workspace

Archivos, proyectos y fuentes de trabajo.

Perfil

Modelo, memoria, toolsets, permisos y canales.

Observabilidad

Lo serio no es que el agente actúe. Es que podamos explicar qué hizo.

Cada flujo debe dejar trazabilidad suficiente para responder cuatro preguntas.

Qué recibió

Prompt, archivos y contexto.

Qué eligió

Plan, modelo y herramienta.

Qué cambió

Archivo, app, registro o mensaje.

Cómo verificó

Lectura posterior, prueba o recibo.

Instrucciones de sistema

La constitución del agente define cómo piensa y hasta dónde llega.

Una buena instrucción no solo describe personalidad: establece autoridad, fuentes, límites, escalamiento y criterios de finalización.

Rol: asistente de investigación para estudiantes. Objetivo: producir respuestas verificables con fuentes. Tools: web y archivos; no enviar mensajes externos. Freno: pedir aprobación antes de cualquier cambio. Cierre: entregar resultado, evidencia y próximo paso.
Memoria

Hermes no guarda “todo”. Organiza continuidad útil.

La memoria sirve cuando distingue perfil, decisiones durables, contexto del proyecto y conversación temporal.

Usuario

Preferencias, objetivos y forma de trabajar.

Proyecto

Decisiones, enlaces, estado y próximos pasos.

Sesión

Lo necesario para resolver el trabajo actual.

Hermes Agent

Hermes le da cuerpo operativo a un modelo.

Puede vivir en una laptop o una VM, conversar por varios canales, ejecutar tools, programar tareas y delegar trabajo.

Canales

CLI, Telegram, Discord, Slack, WhatsApp, Signal y email.

Toolsets

Web, terminal, archivos, browser, media y automatización.

Skills

Procedimientos reutilizables que capturan experiencia.

Delegación

Subagentes para trabajos paralelos y aislados.

De conversación a workspace

Una sesión de Hermes puede convertirse en un espacio de trabajo.

El agente combina archivos, herramientas, memoria y ejecución para mantener un proyecto en movimiento.

Archivos

Lee, compara, crea y corrige entregables.

Terminal

Ejecuta comandos y valida resultados.

Browser

Navega interfaces cuando una API no basta.

Cron

Programa tareas con entrega por canal.

Human-in-the-loop

El humano no desaparece. Se mueve al punto de decisión.

Puede avanzar solo

  • Leer archivos
  • Investigar fuentes
  • Preparar borradores
  • Ejecutar pruebas reversibles

Debe pedir aprobación

  • Enviar mensajes
  • Publicar o comprar
  • Modificar datos sensibles
  • Eliminar o sobrescribir
Cómo dirigirlo

Tratalo como asistente técnico: objetivo, autoridad, evidencia y cierre.

01Resultado

Qué debe quedar terminado.

02Fuentes

Qué puede usar como verdad.

03Autoridad

Qué puede hacer sin preguntar.

04Frenos

Qué requiere aprobación.

05Prueba

Cómo demuestra que terminó.

Frontera personal

Un asistente poderoso necesita límites visibles.

No compartir

  • Contraseñas o llaves privadas
  • Tokens en chats o capturas
  • Información ajena sin permiso
  • Datos que no necesita

Sí construir

  • Permisos mínimos
  • Cuentas separadas
  • Aprobaciones para writes
  • Registro de acciones
Toolsets de Hermes

No existe una tool mágica. Existe una caja bien seleccionada.

Web

Buscar, extraer y contrastar información.

Terminal & files

Comandos, procesos, lectura y edición.

Browser & media

Automatización visual, visión, imagen y voz.

Agent ops

Memoria, cron, skills, clarificación y delegación.

Composio

Composio conecta Hermes con las apps donde ya vive el trabajo.

Gestiona autenticación y expone acciones como tools. Hermes decide cuándo usarlas; el humano controla cuentas, permisos y aprobaciones.

Hermes

Entiende el objetivo y selecciona una acción.

→
Composio

Resuelve conexión, toolkit y autenticación.

→
App

Devuelve datos o ejecuta el cambio autorizado.

Cadena de capacidades

El modelo piensa en lenguaje.

Hermes organiza el trabajo. Composio conecta aplicaciones. Los toolkits convierten intención en acciones concretas.

La cadena completa

Modelo → Hermes → MCP → Composio → toolkit → tool → app → verificación.

Cloudflare entra cuando el proyecto necesita publicarse y vivir fuera de la demo.

AWS puede apoyar infraestructura; Cloudflare sirve para hosting/deploy visible, dominios y publicar artifacts web.

Despliegue en EC2

De una cuenta AWS a un agente disponible 24/7.

01EC2

Ubuntu 24.04, t3.medium y disco cifrado.

02Acceso

SSH desde My IP y llave .pem protegida.

03Hermes

Instalación, modelo, memoria y toolsets.

04Gateway

Telegram conectado y servicio persistente.

05Composio

MCP remoto, OAuth y tools seleccionadas.

Dentro de Composio

No son “plugins” genéricos: son toolkits, conexiones y tools.

Cada toolkit representa una aplicación; cada cuenta conectada autoriza un alcance; cada tool ejecuta una operación específica.

Toolkit

Gmail, Google Drive, Calendar, GitHub, Notion, Slack y más.

Connected account

La cuenta exacta y sus permisos OAuth.

Tool

Buscar correo, crear evento, leer archivo o abrir issue.

Toolkits para el laboratorio

Empezamos con lectura. Los writes llegan después de aprobar.

Google Drive

Encontrar archivos, leer metadatos y descargar fuentes.

Gmail

Buscar y resumir mensajes sin enviarlos.

Calendar

Consultar disponibilidad antes de crear eventos.

GitHub

Leer repos, issues y estado antes de escribir.

Principio: descubrir → inspeccionar esquema → probar lectura → pedir aprobación → escribir una vez → verificar.

Diseño del flujo

Primero se diseña el criterio. Después se conectan tools.

Identidad

Qué agente estamos construyendo.

Fuentes

Qué datos puede consultar.

Protocolo

Qué pasos debe seguir siempre.

Aprobación

Qué acciones nunca toma solo.

Práctica 1

Crear el agente en Hermes.

Instrucciones

Rol, objetivo, tono, límites y criterio de éxito.

→
Memoria

Usuario, proyecto, decisiones y continuidad.

→
Tools

Toolsets de Hermes y MCP de Composio.

Práctica 2

Cada estudiante conecta una app y prueba un flujo completo.

Business student

Drive → encontrar evidencia → crear brief.

Research student

Web → contrastar fuentes → entregar síntesis.

Product student

GitHub → leer issue → proponer plan y prueba.

Prueba de calidad

Si no lo podés explicar, verificar y repetir, todavía no está listo.

Problema

Qué necesidad concreta resolvimos.

Proceso

Qué instrucciones y tools usamos.

Evidencia

Qué archivo, acción o recibo demuestra el resultado.

Fin del laboratorio

Un agente inicial, una integración real y una forma más inteligente de trabajar.

Hermes

Instalado y accesible por Telegram.

Toolsets

Activados con el mínimo necesario.

Composio

Una cuenta conectada y una tool probada.

Demo

Flujo, evidencia, límites y explicación.

Brain
trainer
Cierre

Las ideas avanzan cuando un agente puede convertirlas en trabajo verificable.

Hermes aporta el sistema. Composio abre las conexiones. Vos aportás el criterio, la responsabilidad y el propósito.