Comparatif des agents AI open source : OpenClaw, Hermes, Prime Agent, OpenCode...
Le 5 août 2026, Prime Intellect a rendu public Prime Agent, un harness de coding autodéfini capable de réécrire ses propres prompts, ses propres compétences (skills) et même ses propres sub-agents pendant qu'il travaille. La nouvelle a rapidement fait le tour des newsletters du secteur, non pas tant pour le score déclaré sur le benchmark ARC-AGI-3 (95,5 %, supérieur au seuil humain de référence), que pour une question plus dérangeante : qu'est-ce qui distingue réellement, aujourd'hui, un agent d'un autre ? Il y a peu, il suffisait de regarder le modèle sous le capot, GPT, Claude, Gemini, DeepSeek, open source ou propriétaire. Avec les agents de nouvelle génération, cette logique a volé en éclats.
Un agent moderne n'est plus seulement un modèle qui répond à une question. C'est un système qui ajoute de la mémoire persistante entre deux sessions, des outils pour lire et écrire des fichiers, un accès à un terminal, un navigateur à piloter, des sub-agents qui travaillent en parallèle, un scheduler qui décide quand agir sans que personne ne le lui demande, des skills qui s'accumulent au fil du temps, un état à maintenir cohérent et, dans certains cas, la capacité de modifier ses propres règles de fonctionnement. Le modèle reste le moteur, mais la carrosserie, le volant et les freins constituent désormais un projet en soi, déterminant ce que ce moteur peut réellement mémoriser, exécuter et apprendre.
Il convient de dissiper immédiatement un malentendu fréquent autour du mot "gratuit". Autre chose est le logiciel open source, autre chose est l'installation self-hosted sans coûts de licence, autre chose est l'utilisation de modèles gratuits ou payants via API, et autre chose encore est l'utilisation de modèles exécutés en local. Ce sont des variables indépendantes qui se combinent de différentes manières. OpenCode, l'un des agents de coding que nous verrons, je l'ai utilisé avec succès à plusieurs reprises tant avec des modèles gratuits comme DeepSeek Flash qu'avec des modèles locaux exposés via LM Studio : le coût de l'agent est nul, le coût opérationnel dépend du modèle choisi et du matériel disponible, et non d'un abonnement au logiciel qui orchestre le tout.
Trois familles, pas un classement unique
Comparer directement OpenClaw et OpenHands n'aurait guère de sens, un peu comme comparer un majordome polyvalent à un chef de chantier spécialisé dans un seul métier. Il convient de distinguer trois familles avant même de se pencher sur les fonctionnalités individuelles : les assistants personnels autonomes, conçus pour rester toujours disponibles, accumuler des informations au fil du temps et recevoir des requêtes de plusieurs canaux (OpenClaw, Hermes Agent) ; les agents de coding et de recherche (research), orientés vers l'écriture de code, l'exploration de dépôts (repositories) et l'automatisation de tâches techniques (Prime Agent, OpenCode, OpenHands, Goose) ; et les harness de référence, plus utiles pour comprendre les architectures sous-jacentes que pour un usage quotidien (Pi, Letta).
OpenClaw, le majordome présent sur plusieurs canaux
OpenClaw est une passerelle (gateway) multi-canal qui connecte des applications de messagerie comme Telegram, Slack, WhatsApp, Discord ou iMessage à un agent AI toujours actif. L'utilisateur installe un processus unique Gateway sur sa machine ou sur un serveur, et ce processus devient le pont entre les conversations quotidiennes et un assistant capable d'exécuter des commandes shell, de lire et de modifier des fichiers, de naviguer sur le web, de gérer des conteneurs et de faire appel à des API externes. La documentation officielle décrit le cœur du système comme un cycle agentique traversant quatre phases, de l'assemblage du contexte à l'inférence du modèle, en passant par l'exécution des outils et la persistance de l'état.
Le projet a connu une croissance hors norme. Après son relancement sous le nom d'OpenClaw en janvier 2026, il a dépassé les 200 000 étoiles sur GitHub en quelques semaines, devenant l'un des dépôts les plus suivis de l'année, non seulement pour l'utilité de l'outil mais parce qu'il a imposé un pattern architectural que d'autres projets ont par la suite adopté ou explicitement cité.
Ses points forts sont en phase avec cette approche : un vaste écosystème de compétences (skills) et d'intégrations, des sessions persistantes qui survivent aux redémarrages, des tâches récurrentes programmables via cron et des webhooks, ainsi qu'un accès réel au shell, au navigateur et au système de fichiers (file system) qui le rend plus proche d'un assistant opérationnel que d'un chatbot amélioré.
C'est précisément cette envergure qui constitue également sa limite la plus évidente. Plus un agent touche de surfaces, plus la surface qu'un attaquant peut exploiter s'agrandit, et ce n'est pas un hasard si le cas OpenClaw est devenu ces derniers mois un véritable laboratoire pour la recherche sur la sécurité des agents AI, comme nous le verrons dans une section dédiée. Quiconque l'installe en pensant à un assistant toujours actif qui contrôle les notifications, exécute des scripts et travaille depuis Telegram sans jamais être redémarré doit s'attendre à une configuration complexe et à une surface d'attaque à gérer avec soin, et non à un système isolé (sandboxed) prêt à l'emploi.
Hermes Agent, l'agent qui écrit ses propres procédures
Hermes Agent est le projet open source de Nous Research, un laboratoire qui s'est taillé une solide réputation ces dernières années dans le domaine des modèles linguistiques ouverts. L'élément qui le distingue n'est pas tant la richesse de ses intégrations que son cycle d'apprentissage fermé : après une activité complexe, typiquement lorsque plusieurs appels à des outils différents sont nécessaires, l'agent peut écrire de manière autonome une nouvelle skill, la réutiliser lors des sessions suivantes, la corriger lorsqu'elle s'avère obsolète ou erronée, et conserver tout cela sous forme de connaissances persistantes entre deux conversations.
Le projet a atteint plus de 215 000 étoiles sur GitHub et adjoint au moteur principal un système satellite d'évolution, hermes-agent-self-evolution, qui applique des techniques de recherche évolutive pour optimiser automatiquement les prompts, les skills et les comportements du système, un travail présenté sous forme d'oral paper à l'ICLR 2026. Au-delà du jargon technique, l'idée est simple : au lieu de se contenter de répondre, l'agent observe ses propres traces d'exécution, comprend pourquoi quelque chose n'a pas fonctionné et propose de meilleures variantes, grâce à un mécanisme qui rappelle de près la sélection naturelle plutôt qu'une simple règle d'optimisation statique.
Ses points forts sont la mémoire persistante, la création automatique de skills, le support de nombreuses plateformes de messagerie et d'environnements de développement, ainsi qu'une approche multi-fournisseur (multi-provider) qui ne lie pas l'utilisateur à un seul fournisseur de modèles. Sa limite est tout aussi claire et est admise par les documents du projet eux-mêmes : la qualité du système dépend entièrement de la qualité des skills qu'il construit, et un cycle d'apprentissage qui ne distingue pas une procédure efficace d'une procédure seulement en apparence fonctionnelle risque de consolider les erreurs au lieu de les corriger. C'est un peu le problème que le roman La Maison des feuilles de Mark Z. Danielewski met en scène sur le plan narratif : une structure qui s'écrit elle-même peut se développer de manière fascinante, mais aussi perdre le fil si personne ne vérifie où mène chaque nouvelle pièce.
Prime Agent, quand le contexte devient une variable
Si Hermes incarne l'apprentissage par les skills, Prime Agent représente une idée plus radicale encore, appliquée non pas au comportement mais à l'architecture même de l'agent. Le projet repose sur deux concepts techniques qu'il convient de traduire en termes simples. Le premier, dont j'ai parlé il y a quelques mois ici sur le portail, est le Recursive Language Model, l'idée selon laquelle le contexte d'une conversation ne doit pas être traité comme un flux de texte fixe à compresser lorsqu'il devient trop long, mais comme une variable Python sur laquelle le modèle peut agir par programmation, exactement comme il le ferait avec n'importe quelle autre donnée. Le second est le Continual Harness, la partie du système qui permet à l'agent de modifier de manière traçable et réversible ses instructions complémentaires, sa mémoire, ses skills et même les spécifications des sub-agents qu'il utilise, sur la base de ce qu'il a appris en cours d'exécution.
En pratique, au lieu de s'en remettre à une liste statique d'outils prédéfinis, le modèle travaille au sein d'un noyau IPython persistant et peut écrire du code pour appeler des outils, lancer des sub-agents sous forme de fonctions imbriquées et conserver des informations en dehors de la fenêtre de contexte active, de sorte que les sessions très longues ne perdent pas l'accès à ce qui s'est passé au début.
Sur le plan des résultats, Prime Intellect revendique un score de 95,5 % sur ARC-AGI-3 en utilisant Opus 5, au-dessus du seuil de référence humain publié pour ce benchmark, ainsi que des performances compétitives sur des tâches à contexte long en consommant moins de tokens que les harness traditionnels. Ce sont des chiffres intéressants, mais ils doivent être accueillis avec la prudence que méritent tous les benchmarks déclarés directement par ceux qui développent le produit : ils sont utiles pour indiquer une direction, mais ne constituent pas un verdict définitif tant que des reproductions indépendantes n'ont pas été réalisées.
Les limites sont tout aussi réelles. La courbe d'apprentissage est plus raide que celle d'un assistant de coding classique, le projet est encore jeune par rapport à des outils plus matures, et la capacité même d'auto-modification qui rend Prime Agent intéressant peut amplifier des comportements incorrects tout autant que des comportements corrects. L'exécution du code Python et des commandes s'effectue de toute façon avec les privilèges de l'utilisateur qui le lance, de sorte que la responsabilité de l'isolation de l'environnement incombe entièrement à celui qui le configure.
OpenCode, OpenHands et Goose : trois voies différentes vers le code
Si OpenClaw, Hermes et Prime Agent misent sur la mémoire, l'apprentissage et les architectures récursives, OpenCode, OpenHands et Goose restent plus ancrés sur le terrain pratique du développement logiciel, chacun avec sa propre personnalité.
OpenCode est probablement le plus adapté pour représenter le point de vue du développeur qui souhaite une liberté de choix sans renoncer à un minimum de structure. Utilisable depuis le terminal, un IDE ou une application de bureau, il propose des agents spécialisés pour la planification et l'implémentation, supporte les sub-agents et le protocole MCP, et se montre compatible avec plusieurs fournisseurs de modèles. Lors des tests directs menés avec cet outil, le logiciel a fonctionné sans problème tant avec des modèles gratuits de bon niveau comme DeepSeek Flash qu'avec des modèles locaux exposés via LM Studio, confirmant ainsi que le coût réel dépend presque toujours du modèle choisi et du matériel disponible, et non d'un abonnement au logiciel d'orchestration. Le revers de la médaille est qu'il n'est pas conçu comme un assistant personnel toujours actif, que la mémoire à long terme n'est pas son fort et que la configuration des fournisseurs nécessite parfois des interventions manuelles.
OpenHands évolue sur un registre plus proche d'une plateforme d'ingénierie agentique que d'un outil personnel en ligne de commande. Les agents qu'il orchestre peuvent lire et modifier du code, exécuter des commandes, travailler directement sur les fichiers d'un dépôt (repository) et s'intégrer aux outils typiques du cycle de développement, de la résolution automatique des tickets à l'écriture de tests en passant par le refactoring. C'est l'outil le plus indiqué pour ceux qui souhaitent expérimenter avec de véritables équipes d'agents logiciels, mais il exige en retour une infrastructure plus structurée et une supervision attentive lorsque les tâches deviennent pleinement autonomes.
Goose, développé par Block, mise quant à lui sur une approche locale et généraliste. Il tourne sur la machine de l'utilisateur, prend en charge différents modèles via le protocole MCP et se prête à des tâches hétérogènes allant du coding à la recherche technique, de l'écriture à l'analyse de données. Il est moins centré sur le self-improvement qu'Hermes ou Prime Agent, et sa sécurité dépend directement des privilèges qui lui sont accordés, un rappel utile : l'exécution locale réduit certains risques liés à l'exposition sur Internet, mais ne correspond pas automatiquement à un environnement sécurisé.
Pi et Letta, deux références architecturales
Deux projets méritent une mention distincte, non pas parce qu'ils rivalisent directement avec les six autres, mais parce qu'ils aident à mieux les appréhender.
Pi est un harness minimal pour agents de coding, construit autour de l'idée inverse d'OpenClaw ou d'Hermes : plutôt que d'offrir un maximum de fonctionnalités prêtes à l'emploi, il fournit une base extensible via des skills, des extensions et des packages, laissant au développeur le soin de composer l'environnement dont il a réellement besoin. Il est intéressant de noter que l'interface de terminal de Pi est réutilisée par d'autres projets de la liste, y compris Prime Agent, ce qui montre que dans l'écosystème des agents open source, certains composants finissent par devenir des infrastructures partagées plutôt que la propriété d'un seul produit.
Letta s'attaque quant à lui de front au problème de la mémoire et de l'état persistant, en proposant une plateforme conçue pour construire des agents stateful dont l'état peut être géré, inspecté et développé au fil du temps. C'est un excellent point de repère pour distinguer la simple conservation d'un historique de conversation du véritable apprentissage procédural, la différence qui sépare un agent qui se souvient de ce qui s'est passé d'un agent qui tire réellement des enseignements de cette expérience.
Le comparatif en un tableau
Les valeurs ci-dessous sont des évaluations comparatives qualitatives basées sur la documentation et l'utilisation directe des produits, et non des scores issus de benchmarks scientifiques standardisés.
Sécurité, le cas OpenClaw comme leçon pour tous
Un chatbot traditionnel produit du texte, un agent produit des actions : il exécute des commandes, lit et modifie des fichiers, accède à des dépôts, navigue sur le web, envoie des messages, appelle des API, lance des processus, installe des compétences (skills). Le risque ne dépend donc pas uniquement de la qualité du modèle sous-jacent, mais de la combinaison entre le modèle, les outils accordés, les privilèges, la mémoire et les contenus externes que le système est en mesure de lire.
OpenClaw est devenu, presque malgré lui, le cas d'école le plus cité pour comprendre cette dynamique, tout simplement parce qu'il concentre au sein d'un même environnement un très grand nombre de ces capacités. Un groupe de recherche de la Texas A&M University a publié en mars 2026 une taxonomie systématique s'appuyant sur 190 alertes de sécurité déposées contre le framework, organisées par niveau architectural et par type de violation de la confiance, identifiant notamment des scénarios combinant plusieurs vulnérabilités de gravité modérée jusqu'à obtenir l'exécution de code non authentifié sur le processus hôte (host). D'autres travaux indépendants ont évalué à quel point les compétences installables via le marketplace du projet pouvaient s'avérer risquées : une étude a estimé que plus d'un tiers des compétences intégrées par défaut présentent un niveau de risque élevé ou critique, tandis qu'une analyse de la plateforme de marketplace a détecté plus de mille packages considérés comme malveillants, soit environ un sur cinq parmi ceux disponibles. De tels chiffres doivent toujours être considérés comme la photographie d'un instant précis plutôt que comme un jugement permanent sur le projet, car le paysage évolue rapidement au gré des correctifs publiés par les développeurs.
Au-delà des chiffres spécifiques, les risques décrits par ces travaux se divisent en quelques catégories récurrentes : la prompt injection provenant d'une page web visitée par l'agent ou d'un message reçu sur un canal de messagerie, l'exfiltration de données sensibles vers l'extérieur, les compétences de tiers masquant des comportements nuisibles, un accès trop large au système de fichiers, des identifiants d'API exposés par erreur, des instances de gateway accessibles directement depuis Internet, des actions exécutées sans confirmation explicite de la part de l'utilisateur, et enfin la confusion entre les instructions données par l'utilisateur et celles qui arrivent masquées dans les données traitées par l'agent, un problème de fond qu'aucun outil n'a encore entièrement résolu.
Cette leçon ne concerne pas seulement OpenClaw, elle concerne toute la famille de produits décrits dans cet article, chacun avec sa propre déclinaison du risque. Avec Hermes Agent, une compétence générée automatiquement peut devenir une procédure persistante sans que personne ne l'ait jamais passée en revue ligne par ligne, ce qui rend nécessaires des mécanismes de révision, de versionnement et de rollback. Avec Prime Agent, un harness capable de s'auto-modifier peut consolider une stratégie efficace tout autant qu'un raccourci indésirable, le problème classique du reward hacking appliqué à l'architecture plutôt qu'au seul comportement. Avec OpenCode, le risque principal concerne l'accès à l'espace de travail (workspace), au terminal et aux serveurs MCP connectés, et il est toujours conseillé de faire des tests dans des dépôts isolés avant d'accorder des privilèges étendus. Avec OpenHands, les tâches logicielles entièrement autonomes nécessitent des conteneurs dédiés, des branches distinctes, des suites de tests automatiques et une approbation humaine avant toute fusion (merge). Avec Goose, enfin, il convient de rappeler que l'exécution locale ne garantit pas automatiquement la sécurité : un agent ayant accès à la machine de l'utilisateur peut tout de même endommager des données ou des configurations, même sans jamais toucher à Internet.
Il en découle une checklist pratique qui vaut pour quiconque souhaite expérimenter l'un de ces outils, quel qu'il soit.
Conclusions, sans vainqueur
Chercher un vainqueur absolu parmi ces huit projets reviendrait à méconnaître ce que sont devenus les agents AI au cours de cette année. Il est plus judicieux de raisonner par scénario. OpenClaw reste le choix le plus naturel pour ceux qui recherchent une automatisation personnelle présente sur plusieurs canaux de messagerie simultanément. Hermes Agent est le projet le plus intéressant pour quiconque souhaite observer de près un véritable cycle d'apprentissage fait de mémoire et de compétences qui s'accumulent. Prime Agent représente aujourd'hui le point d'expérimentation le plus avancé sur l'architecture même du harness, avec tous les risques et toutes les promesses que cela comporte. OpenCode offre le meilleur équilibre pour le développement quotidien, en particulier pour ceux qui souhaitent rester libres d'alterner entre modèles gratuits, locaux ou payants. OpenHands s'adresse à ceux qui font face à des workflows logiciels complexes exigeant plusieurs agents coordonnés. Goose demeure le choix le plus flexible pour ceux qui recherchent un agent local généraliste sans trop de contraintes architecturales. Pi s'adresse directement à ceux qui préfèrent construire leur propre harness en partant de zéro. Letta, enfin, reste la référence la plus utile pour quiconque souhaite étudier sérieusement ce que signifie, pour un système logiciel, avoir véritablement de la mémoire.
Le véritable bond en avant accompli par les agents AI ces derniers mois ne consiste pas seulement à passer d'un modèle plus petit à un modèle plus puissant, il consiste à bâtir autour du modèle un environnement capable de se souvenir, d'utiliser des outils, de coordonner des activités, de se rétablir après des erreurs et, dans certains cas, de modifier sa propre manière de travailler. Plus cette autonomie grandit, cependant, plus la sécurité, l'audit et le contrôle humain cessent d'être des fonctions accessoires à ajouter ultérieurement, pour devenir partie intégrante de l'architecture dès le premier jour.
Note technique : les données sur les vulnérabilités, l'adoption et les benchmarks citées dans cet article proviennent de sources publiques disponibles au moment de la publication. S'agissant d'un secteur en évolution très rapide, il est conseillé de vérifier l'état d'avancement de chaque projet avant tout choix opérationnel, notamment en ce qui concerne les correctifs de sécurité.