Obsah
Související
AI agenti už nemusí pouze čekat na další příkaz uživatele. Hermes Agent od Nous Research dokáže samostatně plnit vícekrokové úkoly, pracovat s externími nástroji a uchovávat informace mezi jednotlivými relacemi. Jeho nejzajímavější funkcí je ale schopnost učit se z dokončených úloh a vytvářet si z nich znovu použitelné dovednosti. Podívejme se, jak Hermes Agent funguje, co všechno umí a kde může najít praktické využití.
Co je Hermes Agent
Hermes Agent je open-source AI agent vyvíjený společností Nous Research. Projekt je dostupný pod licencí MIT a jeho zdrojový kód je zveřejněný na GitHubu, píše web Digital Ocean.
Nejde přitom pouze o rozhraní pro komunikaci s jazykovým modelem. Hermes kombinuje LLM s nástroji pro práci s webem, terminálem a soubory, automatizací prohlížeče, pamětí, plánováním úloh nebo dalšími agenty. Prostřednictvím Model Context Protocolu (MCP) lze jeho možnosti dále rozšiřovat o externí služby.
Díky tomu může například:
- vyhledávat a zpracovávat informace z internetu,
- pracovat se soubory,
- spouštět příkazy v terminálu,
- upravovat kód,
- automatizovat práci v prohlížeči,
- vytvářet a používat vlastní dovednosti,
- delegovat části práce dalším agentům,
- spouštět naplánované úlohy,
- využívat externí nástroje přes MCP.
Zásadní rozdíl oproti klasickému chatbotu tedy spočívá v tom, že odpověď nemusí být výsledkem jediného požadavku na jazykový model. Agent může úkol rozdělit na několik kroků, postupně používat různé nástroje a pokračovat, dokud není práce dokončena.
Jak Hermes Agent funguje a co všechno dokáže
Hermes Agent kombinuje několik funkcí, které mu umožňují pracovat samostatněji než běžný AI chatbot. Nejde pouze o generování odpovědí. Agent může využívat nástroje, uchovávat informace, učit se pracovní postupy nebo rozdělovat složitější úkoly mezi další agenty.
1) Učí se z předchozí práce – Hermes využívá mechanismus self-improving skill loop, díky kterému může osvědčené pracovní postupy ukládat jako takzvané skills a později je znovu využít. Pokud například pravidelně připravuje release notes, může si osvojit postup pro získání a filtrování Git commitů i strukturu výsledného dokumentu. Při dalším úkolu tak nemusí začínat od začátku.
2) Pamatuje si důležité informace – díky persistent memory může Hermes uchovávat vybrané informace i mezi jednotlivými relacemi. Může jít například o používané technologie, nastavení projektu nebo preference uživatele. Paměť přitom uchovává především kontext a informace, zatímco skill představuje konkrétní naučený pracovní postup.
3) Pracuje s externími nástroji – agent není omezený pouze na generování textu. Může vyhledávat na webu, pracovat se soubory a terminálem, automatizovat prohlížeč nebo využívat vision a generování obrázků. Při plnění úkolu může sám vyhodnotit, který nástroj potřebuje, a postupně přecházet od získání informací přes jejich analýzu až k vytvoření výsledného výstupu.
4) Dokáže zapojit další agenty – složitější zadání může Hermes rozdělit na menší úkoly a jejich zpracování předat subagentům. Při analýze trhu může například jeden vyhledávat konkurenci, druhý zpracovávat ceny a další analyzovat dostupná data. Hlavní agent následně jednotlivé výsledky spojí.
5) Podporuje Model Context Protocol – prostřednictvím MCP lze Hermes propojit s dalšími nástroji a datovými zdroji. Agent tak není odkázaný pouze na své základní funkce a jeho možnosti lze podle potřeby rozšiřovat o další externí služby.
6) Automatizuje opakované úkoly – podpora cron úloh umožňuje nastavit činnosti, které se mají spouštět automaticky v určitou dobu nebo intervalu. Hermes tak může například pravidelně připravovat reporty, provádět rešerše, kontrolovat změny na webu, zpracovávat data nebo spouštět skripty.
V praxi se tyto schopnosti mohou vzájemně kombinovat. Hermes tak může dostat komplexnější zadání, rozdělit ho na jednotlivé kroky, vybrat potřebné nástroje, část práce delegovat a následně vytvořit výsledný výstup.
Pokud při tom vznikne užitečný pracovní postup, může jej navíc uložit jako skill a využít při příštím podobném úkolu. Právě propojení autonomie, paměti a opakovaně použitelných dovedností odlišuje Hermes od klasických AI chatbotů.
Kde může Hermes Agent běžet
Hermes není navázaný pouze na jedno konkrétní prostředí. Oficiální dokumentace uvádí podporu několika backendů pro práci s terminálem, včetně lokálního systému, Dockeru, SSH nebo serverless prostředí.
K dispozici je rovněž desktopová aplikace pro Windows, macOS a Linux. Samotný Hermes výkonnou GPU nepotřebuje, pokud využívá model přes externí API.
Při lokálním provozu AI modelu ale nároky rostou. Menším modelům může stačit 8 GB RAM, zatímco u větších se doporučuje alespoň 32 GB. GPU není povinná, ale výrazně urychluje práci. Hermes je zdarma a open-source, takže výsledné náklady závisí hlavně na použitém modelu, API nebo vlastním či pronajatém hardwaru.
Zajímavým scénářem je provoz na vlastním VPS nebo cloudovém serveru. Agent potom může fungovat jako nepřetržitě dostupná služba a vykonávat naplánované nebo dlouhotrvající úkoly i v době, kdy je uživatelův počítač vypnutý.
Pro takové nasazení lze využít například cloudový server ZonerCloudu, který umožňuje provozovat vlastní aplikace a služby na české cloudové infrastruktuře a přizpůsobit výpočetní prostředky požadavkům konkrétního projektu.
Hermes Agent vs. OpenClaw
Hermes Agent se částečně překrývá s projekty, jako je OpenClaw. Oba přístupy míří k AI agentům, kteří mohou běžet dlouhodobě, používat externí nástroje a komunikovat prostřednictvím různých platforem.
Rozdíl je především v jejich zaměření. Podle srovnání DigitalOcean klade Hermes větší důraz na učení z předchozích úloh, vytváření vlastních skills a opětovné využívání získaných postupů. OpenClaw je více orientovaný na široké propojení agenta s nástroji a prostředím uživatele.
Nejde proto nutně o přímé alternativy ve všech scénářích. Hermes je zajímavý především tam, kde se stejné nebo podobné pracovní postupy opakují a agent může postupně využívat zkušenosti získané během předchozí práce.
Od chatbotů k dlouhodobým AI pracovníkům
Hermes Agent dobře ukazuje, kam se vývoj agentní AI posouvá. Samotná kvalita jazykového modelu už není jediným rozhodujícím faktorem. Stále důležitější je infrastruktura okolo něj – paměť, nástroje, plánování, automatizace, delegování práce a schopnost uchovávat získané zkušenosti.
Právě self-improving skill loop patří k nejzajímavějším částem projektu. Místo toho, aby agent při každém spuštění začínal prakticky od nuly, může postupně budovat vlastní knihovnu pracovních postupů.
Hermes Agent tak představuje další krok od klasického modelu „uživatel položí otázku a AI odpoví“ k systémům, kterým lze zadat celý úkol. Agent si následně naplánuje postup, použije potřebné nástroje, případně deleguje část práce a získané zkušenosti může využít při příštím podobném zadání.
