Cambiar de OpenClaw a Hermes Agents: mi flujo de trabajo actual con IA
Aprende a dividir Project Aria, Agent Stack Daily y entrenamientos adaptativos entre agentes Hermes en un M3 y un DGX Spark, usando Fable para los principales cambios arquitectónicos.
Me siguen preguntando cómo está conectado mi entorno de IA en este momento, así que aquí va la versión corta: mi flujo de trabajo ha pasado oficialmente de OpenClaw a una arquitectura distribuida de agentes Hermes, con Fable haciendo el trabajo pesado para las reconstrucciones integrales. Actualmente, el Proyecto Aria, el informe matutino de fitness, los entrenamientos adaptativos y el pipeline del podcast Agent Stack Daily funcionan todos con agentes Hermes repartidos entre un nodo M3 Max y un nodo DGX Spark.
Para quienes estén decidiendo entre estas herramientas, la elección depende de la escala de la tarea y de la ubicación de sus datos. Si está haciendo una reconstrucción desde cero o un cambio arquitectónico en múltiples archivos, Fable es la opción superior por sus capacidades de planificación. Sin embargo, para las operaciones diarias e incrementales y los disparadores dependientes de datos, un agente Hermes local es más eficiente. Aunque he trasladado la mayoría de las operaciones a Hermes, mantengo OpenClaw en estado de espera debido a algunas preocupaciones persistentes de fiabilidad con la conectividad de la API de OpenAI en Hermes.
Dónde reside la infraestructura ahora mismo
La transición fuera de OpenClaw no fue por falta de potencia, sino por una mejor segmentación. Mi entorno actual está repartido entre dos máquinas principales, lo que me permite separar los datos personales de los entornos de producción de cara al público. La instancia de OpenClaw sigue estando en mi máquina local, pero está esencialmente inactiva: una red de seguridad por si la pila más nueva se topa con un muro.
- M3 Max (Máquina local): Este es el centro de la telemetría personal. Ejecuta el agente Hermes responsable del seguimiento fitness del Proyecto Aria, el generador de entrenamientos adaptativos y todo el pipeline del podcast Agent Stack Daily. Como el M3 es donde consumo mis datos, tiene sentido que el agente viva aquí.
- DGX Spark (Nodo de cómputo): Este agente Hermes se encarga del trabajo pesado de las actualizaciones del sitio web y de la parte del lado del servidor del seguimiento histórico del Proyecto Aria. Ubicarlo en el Spark garantiza que las actualizaciones de cara al público no saturen los recursos de mi máquina local.
Esa división importa porque cambia fundamentalmente la "personalidad" de cada agente. El agente del M3 es altamente personal: elabora mi informe matutino, planifica mi entrenamiento y renderiza el audio del podcast. El agente del Spark funciona más como un servidor de producción, centrado en la estabilidad y el despliegue del sitio.
El informe matutino: convertir datos en acción
Cada mañana, el agente Hermes en el M3 envía un resumen diario a mi Telegram. No es solo una notificación; es la entrada principal para el entrenamiento físico del día. Agrega datos de las últimas 24 horas para proporcionar una clara "Luz verde" o "Luz roja" sobre la intensidad del entrenamiento.
Un informe típico tiene este aspecto:
Mañana Toby. Recuperación 76%, HRV 25 ms, frecuencia cardíaca en reposo 75 tras 8h 6m de sueño con una eficiencia del 92%. Carga Whoop 2,4. Ratio de carga 0,9. Objetivo de pasos 12.600. Ayer: 14.490 pasos frente a un objetivo de 14.700. Recuperación con tendencia 76% frente a 71% a siete días, 62% a veintiocho días. Luz verde cardio. Entrena según la señal de recuperación.
Este informe actúa como el prompt para que Project Aria seleccione el entrenamiento del día. No es un panel de vanidad que miro e ignoro. Si la tendencia de recuperación sube, Aria aumenta el volumen. Si el ratio de carga está descompensado o la eficiencia del sueño es baja, el entrenamiento se reduce. Aria ejecuta de verdad la señal de recuperación, eliminando el «ego» de mis decisiones de entrenamiento.
Cómo Project Aria automatiza las decisiones de entrenamiento
Desde que regresé de problemas de salud recientes, he trasladado a Aria todas las decisiones de selección de ejercicios y volumen. Ya no dedico tiempo a elegir movimientos o rangos de repeticiones. Aria utiliza la misma lógica que empleaba mi antiguo entrenador personal—trabajo de volumen de 20 RM (Repetición Máxima), movimientos accesorios, preparación y vuelta a la calma—pero la selección específica es totalmente dinámica.
Analiza la carga BJJ de ayer, mis métricas actuales de recuperación y con qué intensidad entrené en sesiones anteriores para seleccionar los movimientos. Esto es crucial porque Aria me obliga a hacer las partes del entrenamiento que normalmente me saltaría: la preparación y la vuelta a la calma. Por ejemplo, ayer me asignó círculos de brazos sentado—un ejercicio de flexibilidad que me resultó increíblemente difícil, mientras que mi esposa lo superó con facilidad. Sin que el agente «tuviera las riendas», probablemente lo habría sustituido por algo más fácil. Al cederle el control a Aria, me aseguro de que mi entrenamiento aborde debilidades en lugar de simplemente reforzar fortalezas.
Agent Stack Daily: el podcast orientado al consumidor
El otro componente importante en el M3 es el pipeline del podcast Agent Stack Daily. Lo construí porque quería un resumen diario de noticias en un formato que pudiera consumir durante mi rutina matutina. Este es un software «orientado al consumidor»; yo soy el oyente principal. Escucho la versión generada cada mañana antes de que se publique.
Este bucle de retroalimentación interna es lo que mantiene la calidad. Si el agente hace un mal trabajo con el resumen o la edición de audio, el episodio simplemente no se publica. Como yo soy mi propio guardián de la calidad, el listón de calidad se mantiene alto. Este cambio—de la producción de contenido a la utilidad personal—ha cambiado cómo evalúo el rendimiento de los agentes. Si no me resulta útil a mí, no le resultará útil a la audiencia.
La división multi-agente: Fable frente a Hermes
Tras meses de pruebas, he establecido una regla clara sobre cuándo usar cada herramienta.
Esto evita la frustración de intentar forzar a un agente "generalista" a realizar un trabajo especializado.
| Tipo de tarea | Herramienta | Razonamiento estratégico |
|---|---|---|
| Reconstrucciones a gran escala o nuevas funcionalidades | Fable | Mejor con contexto de múltiples archivos y planificación arquitectónica amplia. |
| Corrección de errores y operaciones diarias | Hermes (Local) | Ejecución más rápida; tiene acceso directo al código local. |
| Generación adaptativa de entrenamientos | Hermes (M3) | Ubicado junto a los datos biométricos y el activador del informe matutino. |
| Actualizaciones de producción del sitio web | Hermes (Spark) | Gestiona la pila del sitio sin competir por los recursos locales. |
| Lógica compleja de Project Aria | Fable + Hermes | Fable planifica la lógica; Hermes ejecuta las actualizaciones diarias. |
Hoy ocurrió un ejemplo práctico: inicialmente pensé que Agent Stack Daily requería un cambio arquitectónico importante, así que envié la tarea a Fable. Resultó ser un simple error de interfaz donde se cortaban las historias. Aquello era una solución de nivel Hermes. Fable es genial para cuando no conoces el alcance del impacto de un cambio, pero una vez que el camino está claro, Hermes es la herramienta más eficiente para ediciones quirúrgicas.
Limitaciones actuales y preocupaciones de fiabilidad
Aunque la migración a Hermes ha sido en gran medida exitosa, todavía no he eliminado OpenClaw por dos motivos concretos. Primero, las actualizaciones de Hermes rompen ocasionalmente los flujos de trabajo existentes, lo que requiere intervención manual. Segundo, me he encontrado con caídas intermitentes en la conexión con la API de OpenAI dentro del entorno del agente Hermes, un problema que rara vez veía con OpenClaw.
La fiabilidad es la métrica más importante para cualquier herramienta que rige tu vida diaria. Si un agente no consigue generar el informe matutino, toda la cadena de entrenamiento se interrumpe. Actualmente estoy monitorizando de cerca estas caídas de conexión. Si persisten, podría revertir ciertas tareas críticas de registro de datos al entorno más estable de OpenClaw.
Recomendación: ¿Quién debería usar esta configuración?
Si gestionas un sistema multi-agente, la conclusión es dejar de buscar "el agente único y verdadero". Usa Fable cuando la tarea sea grande, complicada e implique múltiples archivos. Usa los agentes Hermes cuando la tarea sea local, incremental y necesite reaccionar a los datos diarios.
Para quienes usan la IA en el ámbito del fitness: el agente debe vivir donde viven los datos. Si la lógica de tus entrenamientos no reacciona a tus datos biométricos en tiempo real, basta con un plan estático. Pero si quieres un sistema que te obligue a hacer el trabajo "aburrido": la movilidad y los enfriamientos, necesitas un agente reactivo que controle todo el proceso de toma de decisiones.
Mantente en el bucle como consumidor principal; es la única forma de asegurarse de que la IA realmente está resolviendo tus problemas en lugar de simplemente generar más ruido.
El segmento completo del flujo de trabajo está en el vídeo fuente. No es asesoramiento médico, legal, financiero ni de formación: solo el estado actual de las máquinas en mi escritorio.