hermes-watch
Hermes Watch es un platforma de inspección y visualización de servidores AI, que permite ejecutar reglas de seguridad localmente sin depender de servicios cloud.
Ficha actualizada 22 sept 2026, 23:55 · upstream 22 sept 2026, 23:31 · release v0.4.1
Qué es hermes-watch
Descripción editorial construida a partir del repositorio, su documentación y sus señales de mantenimiento.
Hermes Watch es una plataforma de inspección y visualización de servidores AI que permite ejecutar reglas de seguridad localmente sin depender de servicios cloud externos. La herramienta combina un motor de detección basado en reglas con capacidades de razonamiento artificial, permitiendo a los administradores de sistemas realizar auditorías completas sobre sus infraestructuras locales.
El sistema se construye sobre una arquitectura monolítica que integra un backend en Python usando FastAPI y un frontend React. Se ejecuta directamente sobre el hardware del servidor objetivo mediante SSH o protocolos de red, eliminando la necesidad de enviar datos a un servicio externo. Esto garantiza que toda la información recopilada permanezca localmente, cumpliendo con principios de privacidad y seguridad.
La plataforma ofrece una interfaz gráfica basada en Grafana para visualizar métricas de salud del sistema, junto con un panel de diagnóstico que permite investigar las causas raíz de los problemas detectados mediante un flujo de trabajo guiado. Además, Hermes Watch incluye capacidades de comunicación bidireccional, permitiendo a la herramienta enviar datos al servidor objetivo y recibir respuestas en tiempo real.
Un componente destacado es el agente de IA, capaz de realizar consultas de diagnóstico sobre el sistema, interpretar resultados y generar reportes estructurados. La arquitectura soporta un modelo de propuesta de solución donde los administradores pueden aprobar o rechazar las recomendaciones antes de que se ejecuten acciones correctivas en la infraestructura.
- Auditoría de seguridad en servidores locales sin depender de servicios cloud
- Monitoreo continuo de salud del sistema con alertas automáticas
- Investigación de incidentes y análisis de causa raíz mediante IA
- Comunicación bidireccional entre la herramienta y el servidor objetivo
- Automatización de procesos de diagnóstico y resolución de problemas
- Auditoría de cumplimiento normativo con registros auditables
- Detección local sin enviar datos a un servicio externo, garantizando privacidad
- Motor de reglas basado en Python que permite lógica compleja y personalizada
- IA integrada para análisis profundo y generación de reportes estructurados
- Arquitectura monolítica con SQLite como base de datos, reduciendo dependencias externas
- Soporte para múltiples protocolos de diagnóstico (SSH, HTTP, TCP, DNS)
- Sistema de propuestas de solución que requiere aprobación antes de ejecución
- Requiere un servidor Linux con SSH configurado y acceso a la red del objetivo
- El agente de IA depende de una API externa (LLM) para consultas avanzadas, lo que introduce latencia y dependencia de servicios externos
- No incluye capacidades de escalabilidad horizontal ni autoescalado automático
- La persistencia de datos se realiza mediante un solo archivo SQLite, lo que puede ser ineficiente en entornos con muchos servidores
- El agente no tiene capacidad de autodiagnóstico autónomo sin intervención humana
Perfil de infraestructura
Estimación inicial derivada del repositorio y de los servicios detectados.
Despliegue detectado
Qué señales reales de instalación hemos encontrado.
Para instalar Hermes Watch, se recomienda usar la herramienta `install.sh` para una instalación rápida y automática. En Linux/Mac, se ejecuta el script de instalación junto con la compilación del frontend React. En Windows, se debe ejecutar manualmente las instrucciones correspondientes en PowerShell. En producción, se recomienda desplegar el backend como un servicio separado (por ejemplo, usando Docker) y el frontend como una aplicación SPA que consume los endpoints REST del backend. Se puede configurar el despliegue mediante systemd para la autostart automática del backend en servicios de Linux. Para optimizar el rendimiento, se debe mantener el archivo SQLite de datos en disco local y evitar operaciones de lectura excesivas sobre bases de datos grandes. En entornos con muchos servidores, se recomienda replicar los datos a un almacenamiento externo (como S3 o MinIO) para facilitar la
Stack y dependencias
Componentes inferidos a partir de manifests, configuración y documentación.
Puede sustituir a
Relaciones detectadas por el análisis del repositorio y su categoría.
Experiencia real de la comunidad
Ayuda a contrastar la estimación automática con instalaciones reales.
Todavía no hay datos comunitarios para este proyecto.