Exca Lescence

[Exca Lescence @Excalescence]

@ThunderTschunk @babgi @gchampeau Donc t'as tout vu tout lu, tout lu tout chié mais tu ne vois pas un danger en Curtis yarvin, Peter thiel / Musk, Karp et tout ceux qui considère ouvertement la democracie et l'empathie comme des problèmes ? 🤡

[Amarillo @anyelamarillo]

🚨Lo echaron de TODOS los casinos de Las Vegas.

No por trampas.
Por matemáticas.
Se subió a un avión con 150.000 dólares.
Aterrizó en Hong Kong.
Empezó a apostar a caballos.

Se fue con casi mil millones.
Se llama Bill Benter.
Las carreras no eran suerte.
Eran blackjack.
Solo que con 120 variables.

Llegó con un socio, un bankroll y una computadora vieja.

La entrenó para una sola cosa:
calcular la probabilidad REAL de que cada caballo ganara.

Si su número era mejor que la cuota → apostaba.
Si no → ni la miraba.
Esa es toda la trampa:
Valor esperado.

EV = p · b − (1 − p)

Solo apuestas cuando ganar, a esas cuotas, vale más que perder.
Esta clase no se grabó para hacerse viral.

Un profesor del MIT la soltó en una pizarra.
Los alumnos pagan 80.000 dólares al año por estar en esa sala.
Tú la estás viendo gratis.

Todo quant.
Todo apostador serio.
Todo analista de hedge fund.

Empezó aquí.

Benter no tuvo suerte.
Vio esto.
Y sí hizo la tarea.

Casi nadie sabe que esta conferencia existe.

Mírala ahora.
Antes de que la bajen.

[Exca Lescence @Excalescence]

@Bifroxouuu @Gilles2LaTour @Guillaume_Royge @FrenchRapUS Je pense que ça en dit long sur ce que les gens sont prêt à accepter en matieres de vices de part le culture / religion. Le tabou du sexe plus grand que celui de la violence physique pour des conservateurs / "puritains" rattaché a l'islam n'a rien de nouveau

[Exca Lescence @Excalescence]

@Awraaaauu @RaminNasibov Oh I understand. The place of the line determine if the arrow or disc is concave or convex.

[Teknium 🪽 @Teknium]

The connectors catalog in Hermes now has access to a lot more tools!

Access Cloudflare, Datadog, Metabase, GitLab, Railway, DeepWiki and many more services and data sources with just one click!

And with our Tool Search tool, they wont waste any of your context when activated.

Enjoy!

[Quentin L · Système IA personnel @QuentinLecocq_]

Tu peux passer trois heures à construire un usage d’Hermes pour une tâche qui t’aurait pris trente minutes à réaliser toi-même.

L’agent fonctionne. Le résultat est correct. Mais tu as choisi une mauvaise tâche.

**Jour 19/21 de ma formation gratuite sur Hermes.**

Nous avons déjà travaillé sur les sources, les fichiers, la mémoire, les permissions, les sessions et les tâches planifiées.

Aujourd’hui, tu ne vas rien automatiser.

Tu vas choisir le premier usage d’Hermes qui mérite réellement d’entrer dans ton quotidien.

Le nombre de manipulations possibles constitue un mauvais critère.

Un bon premier usage doit revenir souvent, demander peu de contexte implicite et produire un résultat que tu peux contrôler rapidement.

Commence par noter trois tâches que tu effectues dans ton activité.

Évite les projets exceptionnels. Cherche plutôt les petites préparations qui reviennent chaque jour ou chaque semaine :

- examiner plusieurs sources ;
- extraire des informations précises ;
- comparer des documents ;
- préparer une synthèse ;
- transformer des notes en brouillon ;
- vérifier qu’un document respecte des critères définis.

Pour chacune de tes trois tâches, complète cette fiche :

> Tâche :
>
> Fréquence :
> quotidienne, hebdomadaire, mensuelle ou -occasionnelle
>
> Entrées nécessaires :
> documents, pages, messages ou informations à fournir
>
> Contexte implicite :
> ce qu’Hermes devrait connaître sans que ce soit écrit dans les entrées
>
> Résultat attendu :
> livrable précis que tu veux obtenir
>
> Contrôle :
> méthode permettant de vérifier rapidement le résultat
>
> Coût d’une erreur :
> faible, modéré ou élevé
>
> Action externe :
> aucune, création d’un brouillon, modification, envoi ou publication
>
> Temps manuel actuel :
> préparation, réalisation et contrôle compris

Envoie ensuite les trois fiches à Hermes avec cette consigne :

> "Je cherche un premier usage récurrent à te confier.

Compare les trois tâches décrites ci-dessous.

Pour chacune, analyse :

- sa fréquence ;
- la quantité de contexte implicite nécessaire ;
- la stabilité de ses entrées ;
- la précision du résultat attendu ;
- la facilité avec laquelle je peux contrôler le résultat ;
- le coût d’une erreur ;
- les actions externes qu’elle pourrait déclencher.

Écarte comme premier usage toute tâche :

- occasionnelle ;
- difficile à expliquer sans un long contexte ;
- dont les entrées changent complètement à chaque exécution ;
- dont le résultat est subjectif ou difficile à vérifier ;
- dont une erreur serait coûteuse ou difficile à corriger ;
- qui exige immédiatement un envoi, une publication ou une modification sensible.

Recommande une seule tâche.

Explique précisément pourquoi elle constitue le meilleur premier test.

Indique également la principale raison pour laquelle ce choix pourrait échouer.

Ne l’exécute pas. Ne crée aucun fichier, aucune tâche planifiée et aucune automatisation."

Ne prends pas la recommandation d’Hermes comme une décision définitive.

Fais passer la tâche retenue par six contrôles :

1. Revient-elle au moins chaque semaine ?
2. Peux-tu identifier ses entrées avant de commencer ?
3. Peux-tu décrire son résultat sans utiliser « quelque chose de pertinent » ou « une bonne synthèse » ?
4. Peux-tu vérifier ce résultat en quelques minutes ?
5. Une erreur reste-t-elle facile à corriger ?
6. La première version peut-elle s’arrêter sur un brouillon, sans action externe ?

Si une réponse est non, réduis le périmètre ou choisis une autre tâche.

« Organise toute mon activité chaque semaine » constitue par exemple un mauvais premier usage.

Hermes devrait connaître tes projets, tes priorités, tes contraintes, tes engagements et de nombreuses décisions récentes. Le résultat resterait subjectif et une erreur pourrait influencer ton organisation.

Tu peux réduire cette demande :

> "À partir de trois notes de projet fournies, prépare un brouillon de revue hebdomadaire contenant uniquement :

- les décisions explicitement prises ;
- les prochaines actions déjà formulées ;
- les informations manquantes.

Cite la note utilisée pour chaque élément.

N’ajoute aucune action et ne modifie aucun fichier."

Le second usage possède des entrées bornées, une sortie précise et un contrôle simple. Il peut être testé sans lui donner le droit de modifier tes notes ou d’envoyer le résultat.

Dernier contrôle : ne mesure pas seulement la vitesse d’Hermes.

Compte aussi le temps nécessaire pour préparer les entrées, expliquer le contexte, contrôler le résultat et corriger les erreurs.

Un usage exécuté en trente secondes n’apporte rien s’il exige ensuite vingt minutes de vérification.

L’exercice du jour est réussi si tu termines avec une seule tâche qui possède :

- un déclencheur clair ;
- des entrées identifiables ;
- un résultat défini ;
- des permissions bornées ;
- une méthode de contrôle ;
- une condition d’arrêt.

Ton premier usage ne doit pas démontrer tout ce qu’Hermes peut faire.

Il doit te donner une raison concrète de revenir la semaine suivante.

[Exca Lescence @Excalescence]

@_BabyyyGirl Girl your name is Jaynecia! Did you say dogsshit?

[Hanako @hanakoxbt]

Agents vs. Graphs, clearly explained!

spawning more agents is great, but it has a ceiling nobody says out loud:

five agents is a count. a graph is a shape. only one of them changes the answer.

point five agents at the same pile with the same window and they converge.

the first one writes a finding, the rest read it, and all five reports centre on the same thing. you paid five times for one opinion with four echoes.

Graph engineering fixes this by moving the decision up a layer: not how many agents, but who is allowed to look at what.

you need both. here's how it works:

↳ the count buys you throughput. five things happening instead of one
↳ the shape buys you coverage. five different things happening instead of the same one five times

Prompts → Context → Harness → Agents → Graphs

the node that does this is the splitter, and it decides more than any other node in the system.

cut a repository by folder and four workers audit the same three files. cut it by blast radius and each one sees something the others cannot.

the trick is being selective about what each lane is allowed to see.

separate contexts are not a nice-to-have, they are the mechanism.

if two agents are meant to produce different things, they must not share a window. if they are meant to produce the same thing, you did not need two agents.

one thing to know before you scale it.

a branch that throws does not reject the batch. it resolves to null, and that is the containment. which means your merge quietly receives a short list.

↳ filter the nulls before the merge, or one dead lane poisons the whole result
↳ never index a merge by position. eight good branches and one failure will shift everything by one, silently

skip that and the run looks like it worked. the output is just missing a lane, and nothing errored.

and the one that eats whole nights: multi-agent setups can use up to fifteen times the total tokens of a single chat, because every lane reloads its own core.

you are trading total tokens for a clean main window. usually the right trade, always a choice.

below i have quoted my full guide on graph engineering. it covers the three topologies, the verifier patterns, and where the gate should actually open.

save this and read it below ↓

[Shen Sean Chen @ShenSeanChen]

Hermes Agent by just crossed 200K GitHub stars in just a few months. I tested every claim in the @NousResearch project: memory, skills, cron, sub agents, all from Hermes Desktop App and WhatsApp.

The whole system is one loop:
message in → agent run → tools fire → loop ends → memory saved → skills grow

What surprised me:
No embeddings anywhere. Skills and user facts are plain text files.

Chat history is one local database. And it still compounds: the longer it runs, the harder it is to leave. The moat is memory, not the model.

I caught two gaps too: it never saved a non-complicated skill without being asked, and a cron bug. Details in the video.

Watch it, then save the harness diagram below. 🔖

You Can Build Anything. You Can Learn Anything. 💪

[Shen Sean Chen @ShenSeanChen]

Thanks! To others who are reading this:
I’m the author of all of these videos they sticked together without asking. They like to call me ‘ex-Google engineer’ or ‘this guy’. Follow ‘this guy’ and let’s chat. Original post is here: https://t.co/w7LSp050km

If you want to learn AI Agent Harness System with Loop, Memory and Eval, try this GitHub repo for Waku Agent (almost 1k stars): https://t.co/ujKqBC35YW

Original YouTube channel: https://t.co/rMP0jayfzz

I also run a community where I host Q&A sessions live biweekly and will share all of the original system design files: https://t.co/ISbbjGV5Pz

@X @elonmusk @benjitaylor @singhai @dinkin_flickaa please fix theft on X.

[Hermes Release Watch @HermesWatcher]

Hermes command cheat sheet. Save this. You’ll probably need it again.

The useful commands are spread across Desktop, CLI, messaging, and the terminal, which makes it easy to mix up what works where.

So I put the ones worth knowing into one reference, organized by session control, active work, models, skills, automation, recovery, and more.

Bookmark it and keep it around.

[Shen Sean Chen @ShenSeanChen]

𝗜 𝗯𝗿𝗼𝗸𝗲 𝗱𝗼𝘄𝗻 𝘁𝗵𝗲 𝗲𝗻𝘁𝗶𝗿𝗲 𝗔𝗜 𝗮𝗴𝗲𝗻𝘁 𝗺𝗲𝗺𝗼𝗿𝘆 𝗹𝗮𝘆𝗲𝗿: 𝗵𝗼𝘄 𝘁𝗼 𝘀𝘁𝗼𝗿𝗲 𝗶𝘁, 𝗳𝗶𝗻𝗱 𝗶𝘁, 𝗮𝗻𝗱 𝗸𝗲𝗲𝗽 𝗶𝘁 𝗰𝗹𝗲𝗮𝗻, 𝗶𝗻 𝗿𝗲𝗮𝗹 𝗰𝗼𝗱𝗲.

Free 30 min course on AI agent harness memories. Whiteboard first, then SQLite vs @mem0ai vs @zep_ai vs LangMem on the same facts.

🌟 Github Repo: https://t.co/dzS2f2Jdh1
💻 Join our Community: https://t.co/NMcEekLrmd

Most people bolt a vector database onto a chatbot and call it memory. The actual layer is four operations:
Store → Retrieve → Consolidate → Retire

@NousResearch Hermes and my own Waku Agent run zero embeddings. Plain text and one SQLite file. Open it, it's yours.

Retire is the one nobody implements. Deleting a fact and invalidating a fact are not the same system.

Full video in the first reply 👇
0:00 - Why every LLM call starts with amnesia
2:31 - Store memory as text, tables, or graphs
5:04 - Find it 4 ways: do nothing, keyword, RAG, Graph RAG
7:29 - Maintain it: add, delete, retire, attribute, reflect
9:47 - Build the whole thing in plain text and SQLite
13:13 - Add a vector store only when you actually need one
14:38 - Row memory vs graph memory vs temporal graph
21:03 - Run the code for all 5

You Can Build Anything. You Can Learn Anything. 💪

[Exca Lescence @Excalescence]

@Apar_maker @ShenSeanChen Thank you very much.
Tired of grifters who use other people content and expertise to sell their shitty courses etc.

[Exca Lescence @Excalescence]

@CamFrmDaLou Whatever makes you feel comfortable and confident. All we want is to see you blossom.
We believe in you. Don't betray yourself on the way up beautiful soul. 🙏

[Exca Lescence @Excalescence]

@0xEronn Hate account that upload videos without crediting the original author. Muting and blocking...

[Exca Lescence @Excalescence]

@RCJonX The woman on the left is like:
Pardon my stitches but whay is he talking about? 👀

[Jokker @0xJokker]

🔴 BOMBAZO: Unos chinos acaban de humillar toda la industria de video con IA de PAGO

Subes una foto
Subes un audio

Y te genera un video de una persona hablando en sincro que aguanta minutos

Se llama LongCat-Avatar

Es open source y encima GRATIS

Lo que antes necesitabas camara, estudio y edicion ahora sale de un repo

Te dejo el repo en los comentarios

[YanXbt @IBuzovskyi]

HERMES AGENT HAS 4 MEMORY LAYERS.
MOST USERS ONLY KNOW ABOUT 1.
THE OTHER 3 ARE WHY SOME AGENTS
GET SMARTER EVERY MONTH AND YOURS DOESN'T.

LAYER 1: USER.MD (who you are)

~/.hermes/memories/USER.md

the agent builds a profile of you over time.
your role, your stack, your communication style,
your goals. capped at ~1,375 characters.

the cap is the point. forces the agent
to keep only what matters about you.
not a diary. a compressed identity.

you don't write this. the agent does.
but you SHOULD read it monthly.

hermes memory status

open the file. delete what's wrong.
"user prefers Python" (you mentioned it once).
"user works at [old company]" (3 months outdated).
one wrong fact = wrong assumptions every session.

LAYER 2: MEMORY.MD (what the agent learned)

~/.hermes/memories/MEMORY.md

agent-curated notes about your projects,
preferences, environment, workflows.
capped at ~2,200 characters.

the agent decides what goes here
based on conversation patterns.
not because you said "remember this."
because it noticed something worth keeping.

entries get timestamped automatically:
<!-- written 2026-08-10 -->

keep the timestamps. the agent uses them
to decide which entries are still relevant.

same rule: read monthly. delete outdated facts.
the agent doesn't prune on its own.
when memory is full, new writes get rejected
instead of silently dropping old ones.

LAYER 3: SESSION SEARCH (full conversation archive)

~/.hermes/state.db

every CLI and messaging session stored in SQLite
with FTS5 full-text search.

the agent searches its own past:
"what did we discuss about the auth migration?"
it queries the database. returns actual messages.
no LLM summarization. no truncation.
real conversations from weeks ago.

memory = critical facts always in context.
session search = historical lookup when needed.

most users don't know this exists.
the agent uses it automatically when you reference
something from a past conversation.

LAYER 4: EXTERNAL MEMORY PROVIDERS (8 options)

beyond the built-in files, Hermes ships with
8 external memory provider plugins:

Honcho: dialectic reasoning + deep user modeling.
derives implicit patterns you don't articulate.

Hindsight: shared memory bank across agents.
Hermes remembers → Codex knows. and vice versa.

Mem0: semantic search + auto-consolidation.

OpenViking: graph-based memory with entity linking.

Holographic: vector similarity recall.

RetainDB: hierarchical knowledge tree.

ByteRover: local-first with cloud sync.

Supermemory: semantic search + profile recall.

one active at a time. built-in memory
(USER.md + MEMORY.md) stays alongside it.

hermes memory setup
(interactive picker + configuration)

hermes memory status
(check what's active)

HOW THEY STACK:

layer 1 (USER.md): always in system prompt.
who you are. updated by the agent.

layer 2 (MEMORY.md): always in system prompt.
what the agent learned. updated by the agent.

layer 3 (session search): queried on demand.
full conversation history in SQLite.

layer 4 (external provider): runs in background.
prefetches relevant memories before each turn.
syncs conversation after each response.

layers 1-3 are free and built-in.
layer 4 is optional and extends the system.

WHAT MOST PEOPLE GET WRONG:

MISTAKE 1: never reading memory files.
open USER.md and MEMORY.md right now.
Desktop app: sidebar → Memory.
CLI: cat ~/.hermes/memories/USER.md

wrong facts compound. one bad entry
= wrong assumptions on every future session.

MISTAKE 2: thinking bigger memory = better.
bounded memory works better than unlimited.
2,200 characters forces curation.
unlimited memory encourages dumping everything
and never cleaning up.

MISTAKE 3: confusing memory with session search.
memory = facts that should ALWAYS be in context.
session search = historical lookups when needed.
put your API server address in memory.
don't put last Tuesday's debugging session.

MISTAKE 4: two agents sharing one home directory.
memory writes are automatic.
two writers sharing ~/.hermes/ compound entries
neither of them authored.
give each agent its own profile.
shared memory = use an external provider (layer 4).

SECURITY:

every memory entry scanned before acceptance.
prompt injection attempts = blocked.
credential exfiltration = blocked.
SSH backdoors = blocked.
invisible Unicode characters = blocked.
exact duplicates = rejected automatically.

your memory files are injected into the system prompt.
that's why security scanning is non-negotiable.

5-MINUTE MONTHLY CLEANUP:

1. hermes memory status (check what's active)
2. open USER.md. delete outdated facts. 1 minute.
3. open MEMORY.md. delete stale entries. 2 minutes.
4. check timestamps. anything older than 60 days
with no recent reference = candidate for removal.
5. done. sharper agent for 30 days.

[Exca Lescence @Excalescence]

@Rio_To_Mars Why are you defending a pedo?