What is GEPA?

Generalized Experience-based Procedural Acquisition (Adquisición Procedimental Generalizada Basada en Experiencia) — mecanismo de auto-mejora para agentes de IA que crea habilidades reutilizables a partir de finalizaciones exitosas de tareas y las refina mediante uso, popularizado por el framework Hermes Agent de Nous Research.

Definition

GEPA (Generalized Experience-based Procedural Acquisition) es un mecanismo de auto-mejora para agentes de IA que convierte experiencias de tareas exitosas en 'habilidades' reutilizables que el agente puede invocar en tareas futuras similares. En lugar de que cada tarea comience desde cero, un agente con GEPA acumula una biblioteca de habilidades derivadas de sus propias finalizaciones exitosas — y las habilidades mismas se refinan mediante uso repetido, volviéndose más rápidas y confiables con el tiempo.

El patrón fue introducido por Nous Research en su framework Hermes Agent (lanzado en febrero de 2026, publicado como un paper Oral de ICLR 2026). Las habilidades son código o prompts estructurados legibles para el LLM, así que son inspeccionables y editables en lugar de pesos aprendidos opacos. Los resultados empíricos de Nous muestran agentes Hermes obteniendo aproximadamente 40% más velocidad en tareas repetidas después de construir 20+ habilidades auto-generadas.

Why It Matters

La mayoría de los sistemas de agentes tratan cada tarea como independiente — un agente que resuelve un problema complejo hoy repite la mayor parte del mismo razonamiento mañana en un problema similar. GEPA cambia esto haciendo de la experiencia acumulada del agente un artefacto de primera clase: las habilidades se persisten, se refinan y se reutilizan.

Key Takeaways

Los agentes GEPA crean habilidades reutilizables a partir de finalizaciones exitosas de tareas
Las habilidades son código inspeccionable o prompts estructurados — no pesos aprendidos opacos
Agentes Hermes demuestran ~40% de aceleración en tareas repetidas después de 20+ habilidades acumuladas
El patrón habilita auto-mejora sin fine-tuning continuo
Las habilidades pueden exportarse como datos de fine-tuning, creando un bucle de mejora compuesta

How Ertas Helps

Al desplegar Hermes Agent o frameworks similares habilitados con GEPA en producción, Ertas Studio admite el siguiente bucle en la cadena de mejora: exportar la biblioteca de habilidades GEPA acumulada del agente como datos de entrenamiento, luego ajustar el modelo base subyacente con su propio conocimiento procedimental auto-generado.