▲РЕПО НЕТ В ОКНЕ 30D. ПОКАЗАН FINDING ИЗ ОКНА 1D (1 day) — РАНГ #664.
FINDING #664 · UNIT ID 1376380583
kerpopule/hermes-jev-skills
Jev-powered model routing, memory, compaction, skill selection, computer and browser use for Hermes agents (also Claude Code and Codex)
SURPRISE SCORE
0.00
Score Breakdown
SCORE = SURPRISE × ENGAGEMENT^0.7 × FRESHNESS × VISIBILITY × CONFIDENCE
SURPRISE = WINDOW STARS / DAYS / (AUDIENCE + FLOOR)
1% OF STARS IN ARCHIVE
Growth Telemetry
VELOCITY /D
11.00
ACCEL
0.00
RETENTION
0.0%
PEAK 2026-10-11 · FORK-RETENTION 0.0% · 11 STARS / WINDOW
Author Audience
AUDIENCE
141
FOLLOWERS
32
OWNER ★
1,106
Engagement Signals
FORKS
106
ISSUE AUTH
0
PR AUTH
0
UNIQUE STARGAZERS 11 / 11 (DIVERSITY 1.00)
Потенциал заработка
C45/100
СПРОС78
Спрос на agent infrastructure, снижение LLM-затрат, routing, memory и latency высокий; общий рынок AI agents быстро растёт, но TAM шире данной ниши.
ЗАХВАТ32
Основные функции уже закрываются зрелыми OSS и коммерческими продуктами; MIT-код легко форкнуть, а ключевая зависимость и часть ценности принадлежат Jev и agent ecosystems.
ДОСТУП62
MIT, Python 3.9+, stdlib-only и простая установка облегчают доступ, но проект очень молодой, имеет около 3 контрибьюторов, зависит от Jev API и не имеет registry-пакета.
«Заработок возможен через hosted control plane и enterprise-сервисы, но потенциал топит слабая защищённость и зависимость от Jev.»
Рыночный анализ · Обзор
MIT-набор интеграций для AI-агентов, который передаёт мелкие решения дешёвой decision-модели Jev.
Agent infrastructure / LLMOps / model routing / context engineering / agent memory / browser automationЗРЕЛОСТЬ · РАСТЁТ
ЯЗЫК
Python
ЛИЦЕНЗИЯ
MIT
РЕЕСТР
none
РЕЛИЗ
v0.18.0
КОНТРИБЬЮТОРЫ
3
Что делает
Проект добавляет в Hermes, Claude Code и Codex маршрутизацию моделей, фильтрацию памяти, компактизацию контекста, выбор skills, triage почты и выбор действий браузера или компьютера. Jev отвечает на типизированные вопросы, а основная модель выполняет сложную работу. При сбоях система работает в fail-open режиме и сохраняет безопасное поведение.
Какую боль решает
Снижает стоимость и задержки agent workloads, вынося вспомогательные решения из дорогих frontier-моделей в отдельный дешёвый decision layer.
Сценарии использования
- Маршрутизация простых запросов к дешёвым моделям, а сложных и рискованных — к более сильным.
- Фильтрация passages в памяти и локальная защита от prompt injection.
- Выбор turns для компактизации длинного диалога.
- Автоматический выбор установленного skill для текущего запроса.
- Выбор следующего действия в браузере или GUI из заранее разрешённой таблицы.
- Сортировка почты, определение срочности и необходимости участия человека.
- Работа в shadow mode для проверки маршрутизации до её включения.
Целевой пользователь
Разработчики AI-агентов, solo builders, LLMOps-инженеры и команды, использующие Hermes, Claude Code или Codex и оптимизирующие стоимость, latency и контекст.
Open-source аналоги
Унифицированный gateway к множеству LLM API, fallback, load balancing, cost tracking и logging; значительно сильнее в multi-provider инфраструктуре, но не покрывает memory filtering, skill selection и compaction через decision-модель.
Framework для обучения, serving и оценки LLM routers; сильнее в learned routing и benchmark-подходе, но не является готовым plugin-набором для agent harnesses и не покрывает память или GUI.
Production-oriented routing layer для heterogeneous inference, Kubernetes и mixture-of-models; сильнее в fleet-level routing infrastructure.
Локальный semantic/vector router с encoder-моделями, multimodal routes и vector stores; более автономен, но основан преимущественно на semantic similarity, а не на typed decision API Jev.
Специализированный memory layer для AI-агентов с OSS-движком и платной Platform; сильнее в persistent memory, storage и production adoption.
Широкий stateful orchestration framework с durable execution, checkpoints, memory, human-in-the-loop и multi-agent workflows.
Специализированный browser agent и automation stack с cloud-инфраструктурой; решает саму задачу управления браузером, а не только выбор следующего разрешённого действия.
Позиционирование
Нишевая интеграция и ранний first mover вокруг Jev и Hermes, объединяющая routing, memory selection, compaction, skill selection и safe browser/computer actions. Проект не является лидером OSS-рынка и уступает крупным аналогам по adoption, экосистеме и глубине отдельных модулей.
Коммерческие аналоги
Унифицированный API и marketplace для доступа к моделям, выбора провайдера и auto-routing.
Публично заявлены 500+ моделей и 80+ providers; компания публично сообщала о привлечении $113 млн.
Free$0 для free models
Pay-as-you-go5,5% platform fee плюс стоимость моделей
Enterprisecustom
AI gateway с fallback, retries, load balancing, observability, prompt management, guardrails и routing.
Компания объявляла о $15 млн Series A.
Developer$0
Production$49/month
Enterprisecustom
Managed memory layer для AI-агентов с add/retrieve API, graph memory, analytics и enterprise deployment.
Компания заявляет adoption у тысяч разработчиков.
Hobby$0
Starter$19/month
Pro$249/month
Enterprisecustom
Temporal context graph и agent memory для ingestion, retrieval, observations, context assembly и Memory MCP Server.
Заявлен масштаб до миллионов context graphs на deployment.
Free$0
Flex$125/month
Flex Plus$375/month
Enterprisecustom
Memory API, persistent second brain и plugins для Claude Code, Cursor, Hermes и других agent tools.
Компания сообщала о $3 млн pre-seed и клиентах, отправляющих много миллиардов токенов в неделю.
Free$0, включает $5 credits/month
Pro$19/month
Max$100/month
Scale$399/month
Enterprisecustom
Cloud browser infrastructure, browser sessions, proxies, agent runs, search/fetch APIs, identity и runtime для browser agents.
Компания объявляла о $40 млн Series B.
Free$0/month
Developer$20/month
Startup$99/month
Scalecustom
Managed browser agents и browser runtime с execution, residential proxies и model gateway.
На сайте проекта указаны 116 тыс. GitHub stars и 8,5 млн downloads/month.
Minimum top-up$5
Browser time$0,02/hour
Agentsстоимость модели плюс 20% service fee
Enterprisecustom
Agent engineering platform для tracing, evaluation, deployment, sandboxes, gateway, cost controls, fallbacks и memory/state management через LangGraph.
LangChain сообщала о $125 млн funding, использовании 35% Fortune 500, 90 млн monthly downloads для LangChain/LangGraph и более 1 млрд событий в день в LangSmith.
Developer$0/seat
Plus$39/seat/month
Enterprisecustom
Текущая монетизация проекта
Доказательств собственной коммерциализации проекта автором не найдено. В README нет homepage, registry-пакета, hosted offering или платной поддержки. Проект требует TypeSafe API key, поэтому текущая upstream-монетизация, вероятно, находится у поставщика Jev, а не у автора репозитория.
Коммерческий потенциал
ПОТЕНЦИАЛ · СРЕДНИЙ
На самом MIT-пакете заработать трудно; реалистичный путь — hosted agent optimization platform, enterprise self-hosted edition, support, evals и pricing вокруг измеряемой экономии LLM-затрат.
Спрос и рынок
Рынок AI agents оценивается в анализе как быстрорастущий: приведён ориентир $7,84 млрд в 2025 году и $52,62 млрд к 2030 году при CAGR 46,3%. Адресуемый рынок именно agent decision infrastructure существенно меньше; реалистичнее рассчитывать на небольшой B2B SaaS или profitable developer tool, чем на платформу масштаба LangSmith или OpenRouter.
Ров / защищённость
Сейчас moat слабый: код и отдельные функции легко копируются, а decision layer построен поверх доступного Jev API. Потенциальная защита может появиться из глубокой интеграции с agent harnesses, privacy/fail-open архитектуры, независимых evals, policy datasets и накопленной telemetry о качестве решений и экономии.
Модели монетизации
- managed hosting / hosted agent optimization platform
- enterprise self-hosted edition и VPC deployment
- usage-based pricing за routed decisions и agent operations
- value-based pricing от подтверждённой экономии на LLM spend
- платная поддержка и enterprise onboarding
- консалтинг и интеграция с Hermes, Claude Code, Codex и корпоративными gateway
- платные вертикальные skill packs и eval suites
Что нужно, чтобы сделать продукт
- Добавить backend abstraction для Jev, локальных small models, vLLM, OpenRouter, LiteLLM и rules-based fallback.
- Провести независимые evals routing quality, cost savings, latency, confidence calibration и safety error rates.
- Сделать production packaging: PyPI или другой registry, стабильный API, compatibility matrix, changelog, signed releases и upgrade tests.
- Построить enterprise layer с multi-tenancy, RBAC, SSO, audit logs, retention controls, quotas, metrics и SLA.
- Выбрать один коммерческий wedge, предпочтительно model routing плюс evals и cost dashboard.
- Сформировать telemetry и policy datasets, которые нельзя легко скопировать одним форком.
- Добавить privacy/compliance controls, self-hosted deployment, BYOK и data residency.
⚖ ЛИЦЕНЗИЯ · МОЖНО ЛИ КОММЕРЦИАЛИЗИРОВАТЬ
MIT не препятствует коммерциализации: разрешены коммерческое использование, модификация, распространение, закрытые производные продукты и SaaS. Нужно сохранить copyright и текст лицензии, а также отдельно проверить лицензии сторонних компонентов, условия TypeSafe API, privacy obligations, trademarks и ограничения upstream-моделей и provider APIs.
Риски и подводные камни
ВЫСОКИЙЗАВИСИМОСТЬ ОТ АВТОРА
Проект зависит от TypeSafe Jev; изменение цены, API, rate limits, early-access условий или доступности модели может обесценить значительную часть функциональности.
ВЫСОКИЙЮР. СЕРАЯ ЗОНА
Routing, memory, skill descriptions и mail content могут отправляться в облачный API даже при redaction; для regulated workloads нужны DPA, локальный backend и retention controls.
ВЫСОКИЙКОНКУРЕНЦИЯ
Routing, memory, orchestration и browser execution уже представлены зрелыми OSS и коммерческими продуктами с большими сообществами и капиталом.
ВЫСОКИЙЗАВИСИМОСТЬ ОТ АВТОРА
Репозиторий создан 18 сентября 2026 года, содержит около 3 контрибьюторов и имеет потенциально низкий bus factor.
СРЕДНИЙЗАВИСИМОСТЬ ОТ АВТОРА
Проект зависит от public plugin seams Hermes и изменяющихся интерфейсов Claude Code и Codex.
СРЕДНИЙМАЛЫЙ РЫНОК
Agent decision layer ещё не закрепился как самостоятельная бюджетная категория, несмотря на рост общего рынка AI agents.
СРЕДНИЙПРОЧЕЕ
Заявленные latency, cost и recall-метрики основаны на ранних собственных измерениях и требуют независимых benchmark и production case studies.
СРЕДНИЙКОММОДИТИЗАЦИЯ
Отсутствие registry-пакета, homepage и hosted продукта увеличивает friction после первоначального интереса.
СРЕДНИЙКОММОДИТИЗАЦИЯ
При низкой стоимости decision calls самостоятельная наценка может быть недостаточной без control plane, аналитики, безопасности или pricing от подтверждённой экономии.
Достоверность разбора
УВЕРЕННОСТЬ · НИЗКАЯgpt-5.5 · 2026-09-25 · ОКНО 7D
Оговорки / что не проверено
- Все коммерческие цены, лимиты, объёмы пользователей, funding, downloads, GitHub stars и заявленные масштабы взяты из собранного анализа и не перепроверялись в рамках этой сериализации.
- Заявления OpenRouter, Portkey, Mem0, Zep, Supermemory, Browserbase, Browser Use и LangChain о funding, клиентах, Fortune 500, downloads, токенах и масштабе не подтверждены двумя независимыми источниками для каждого показателя.
- Оценка рынка AI agents, включая $7,84 млрд в 2025 году, $52,62 млрд в 2030 году и CAGR 46,3%, основана на одном приведённом отраслевом источнике; связь этих цифр с адресуемым рынком данной библиотеки является аналитическим допущением.
- Оценка расходов на generative AI в $644 млрд в 2025 году приведена из одного источника и описывает более широкий рынок, а не конкретный сегмент agent decision infrastructure.
- Точные значения звёзд OSS-аналогов и их сравнительное позиционирование приведены в собранном анализе, но не подтверждены дополнительным источником.
- Статус проекта как open-source adoption/portfolio project или хобби, а также отсутствие собственной монетизации автора выведены из README и предоставленных данных; GitHub Sponsors, коммерческие договорённости и закрытые продажи не проверялись.
- Цена Jev порядка $0,042 за 1 млн input tokens указана как upstream reference и требует проверки по актуальному аккаунту TypeSafe; unit economics на ней строить без дополнительной проверки нельзя.
- Вывод о том, что redaction и fail-open архитектура обеспечивают достаточную безопасность, является интерпретацией README, а не независимым security audit или compliance certification.
- Оценки demand, capture, access и итоговый score 54/100 являются аналитическим мнением, а не внешней рыночной метрикой.
- Дата создания репозитория, число контрибьюторов, отсутствие topics, homepage и registry, а также показатели воронки приняты из предоставленных фактов без дополнительной проверки.
- Утверждения о качестве Jev, calibration, latency, recall и cost основаны преимущественно на README и собственных evals проекта; независимые production benchmarks не предоставлены.
- Юридический вывод относится к MIT-лицензии самого репозитория; совместимость сторонних компонентов, API terms, trademarks, provider terms и модели данных требуют отдельной юридической проверки.
ИСТОЧНИКИ (30)
Why This Is A Finding
kerpopule/hermes-jev-skills собрал 11 звёзд за окно, тогда как у автора всего 32 подписчиков — эффективная аудитория ≈ 141. Это даёт surprise-индекс 0.0607 (звёзды относительно охвата автора, а не в абсолюте). Удержание форков 0.0% и 0 внешних контрибьюторов отделяют реальный инструмент от разовой вспышки. Акселерация положительная — рост ещё не выдохся.
Related Findings
RANKS ABOVE 83% OF 3924 FINDINGS
METRICS IN CONTEXT
MEDIAN ACROSS ALL 3924 FINDINGS · Δ vs MEDIAN · PERCENTILE = SHARE RANKED BELOW
METRICVALUEMEDIANΔ MEDPERCENTILE
SCORE0.010.00+0.01ABOVE 83%
VELOCITY11.009.00+2.00ABOVE 55%
RETENTION0.0%0.0%0.0 PPABOVE 0%
FORKS106410-303ABOVE 28%
SURPRISE0.060.01+0.05ABOVE 84%