Umiejętności asystenta Hermes AI w rzeczywistych środowiskach produkcyjnych

Asystent AI Hermes, oficjalnie dokumentowany jako Hermes Agent, nie jest pozycjonowany jako prosty interfejs czatu.

Informacje dotyczące instalacji, konfiguracji dostawcy, piaskownicy narzędziowej oraz konfiguracji bramki sieciowej znajdziesz w przewodniku po asystencie AI Hermes. Codzienne powłoki CLI (hermes profile, hermes skills, hermes cron i powiązane polecenia) są podsumowane w krótkim przewodniku po CLI Hermes Agent. Niniejszy artykuł koncentruje się na architekturze umiejętności i profili, która określa zachowanie Hermesa po jego uruchomieniu. Szczegółowe informacje dotyczące tworzenia plików SKILL.md — pola frontmatter, układ katalogów, sekrety w przeciwieństwie do config.yaml oraz umiejętności, które znikają z poleceń slash — znajdziesz w [Przewodniku po tworzeniu umiejętności Hermes Agent — Struktura i najlepsze praktyki SKILL.md](https://www.glukhov.org/pl/ai-systems/hermes/authoring-hermes-skill/ “Tworzenie umiejętności Hermes z wykorzystaniem YAML frontmatter, progresywnym ujawnianiem, warunkową aktywacją, sekretami w przeciwieństwie do konfiguracji oraz rozwiązywaniem problemów z indeksowaniem.”}).

Oficjalna dokumentacja i repozytorium opisują samodoskonalącego się agenta z wbudowaną pętlą uczenia, która tworzy umiejętności na podstawie doświadczeń, udoskonala je podczas użytkowania, utrzymuje wiedzę między sesjami i działa na dowolnym sprzęcie, od taniych serwerów VPS po piaskownice w chmurze.

W kwietniu 2026 roku publiczne repozytorium GitHub pokazywało około 94,6 tys. gwiazdek, 13,2 tys. forków i najnowszą wersję oznaczoną jako v0.10.0 z dnia 16 kwietnia 2026 roku. Taka aktywność pozwala uznać projekt za szybko rozwijający się, dobrze przyjęty, a jednocześnie operacyjnie młody.

Ta podwójna natura ma znaczenie dla projektowania rozwiązań produkcyjnych. Hermes jest wystarczająco dojrzały, aby wspierać prawdziwą pracę, ale jednocześnie na tyle dynamiczny, że niechlujna konfiguracja szybko przestarzeje. Poniższy artykuł traktuje konfigurację i umiejętności jako pytanie o architekturę operacyjną, a nie jako listę funkcji.

Dlaczego Hermes wymaga architektury opartej na profilach

Umiejętności Hermesa to dokumenty wiedzy dostępne na żądanie. Korzystają z progresywnego ujawniania, dzięki czemu agent najpierw widzi kompaktowy indeks umiejętności i ładuje pełną treść tylko wtedy, gdy jest to potrzebne, co pozwala kontrolować zużycie tokenów, nawet gdy zainstalowanych jest wiele umiejętności. Każda zainstalowana umiejętność staje się poleceniem slash w CLI i interfejsach komunikacyjnych, a dokumentacja wyraźnie pozycjonuje umiejętności jako preferowany mechanizm rozszerzeń, gdy funkcjonalność można wyrazić za pomocą instrukcji, poleceń powłoki i istniejących narzędzi, zamiast tworzyć niestandardowy kod agenta.

Kłopot w środowisku produkcyjnym polega na tym, że Hermes traktuje umiejętności jako stan żyjący, a nie zamrożone pakiety. Wbudowane umiejętności, umiejętności zainstalowane z huba oraz umiejętności tworzone przez agenta znajdują się w katalogu ~/.hermes/skills/, a dokumentacja stwierdza, że agent może je modyfikować lub usuwać. Ten sam system udostępnia akcje tworzenia, łatanego, edycji, usuwania i zarządzania plikami pomocniczymi. Jest to potężne, ale oznacza również, że jeden nadmiernie rozbudowany agent „robiący wszystko” łatwo zamienia się w skrzynkę z proceduralnym śmieciem.

Rozwiązaniem są profile. Profile Hermesa to w pełni odizolowane środowiska, każde ze swoim własnym plikiem config.yaml, .env, SOUL.md, pamięcią, sesjami, umiejętnościami, zadaniami cron i bazą danych stanu. CLI przekształca również profil w alias polecenia, więc profil nazwany coder staje się coder chat, coder setup, coder gateway start i tak dalej. W praktyce sprawia to, że profile są prawdziwą jednostką odpowiedzialności produkcyjnej, a nie pojedyncza umiejętność.

Podstawowa konfiguracja produkcyjna

Podstawowa struktura jest zaskakująco czysta. Hermes przechowuje zachowanie niebędące sekretami w ~/.hermes/config.yaml, sekrety w ~/.hermes/.env, tożsamość w SOUL.md, trwałe fakty w memories/, wiedzę proceduralną w skills/, zadania harmonogramowe w cron/, sesje w sessions/ i dzienniki w logs/. Polecenie hermes config set przekierowuje klucze API do pliku .env, a wszystko inne do config.yaml, a dokumentowana kolejność pierwszeństwa to najpierw flagi CLI, następnie config.yaml, potem .env, a na końcu ustawienia domyślne. Jest to również najczystsza odpowiedź na często zadawane pytanie produkcyjne dotyczące podziału sekretów i konfiguracji.

Praktyczny układ wieloprofilowy zwykle wygląda mniej więcej tak, z jednym profilem na jedną odpowiedzialność, a nie jednym profilem na jedną osobę:

~/.hermes/profiles/
  eng/
  research/
  ops/
  execops/
  ml/

Ten wzorzec pasuje do tego, jak dokumentowane są profile Hermesa: każdy profil to jego własne odizolowane środowisko, a profile można klonować z konfiguracji bazowej, gdy użyteczne są wspólne wartości domyślne. Dokumentacja zaznacza również, że profile nie współdzielą pamięci ani sesji, a zaktualizowane umiejętności można synchronizować między profilami przy aktualizacji głównej instalacji.

Następną granicą produkcyjną jest wykonanie. Hermes obsługuje sześć backendów terminalowych – lokalny, Docker, SSH, Modal, Daytona i Singularity – a dokumentacja bezpieczeństwa opisuje model obrony w głębi, który obejmuje zatwierdzanie niebezpiecznych poleceń, izolację kontenerów, filtrowanie poświadczeń MCP, skanowanie plików kontekstowych, izolację między sesjami i oczyszczanie wejścia. Mówiąc inaczej, decyzja „profil najpierw” odpowiada na pytanie, kto jest właścicielem stanu, a decyzja o backendzie określa, gdzie dozwolone jest wykonywanie ryzykownych zadań.

Automatyzacja spoczywa na tej podstawie. Zadania cron Hermesa mogą przyłączać zero, jedno lub wiele umiejętności i uruchamiają się w świeżych sesjach agenta, zamiast dziedziczyć bieżący czat. Bramka komunikacyjna jest również procesem w tle, który zarządza sesjami, uruchamia zadania cron i przekierowuje wyniki z powrotem do platform takich jak Telegram, Discord, Slack, WhatsApp, Email, Matrix i innych. Oficjalny przewodnik MCP dodaje jeszcze jedną łatwo przeoczalną zasadę produkcyjną: najlepszym wzorcem nie jest łączenie wszystkiego, ale udostępnianie najmniejszej użytecznej powierzchni. W przypadku wieloagentowego wykonowania w stylu kolejki na samodzielnie hostowanych modelach, użyj [Kanban w Hermes Agent dla samodzielnie hostowanych przepływów pracy LLM](https://www.glukhov.org/pl/ai-systems/hermes/kanban-in-hermes/ “Skonfiguruj Hermes Kanban, aby bezpiecznie harmonogramować zadania wieloagentowe na samodzielnie hostowanych LLM za pomocą daemona dyspozytora, limitów przepustowości i partii opartych na cron.”}) jako towarzyszącej instrukcji. Jeśli Twoja konfiguracja produkcyjna umieszcza Hermesa na maszynie bez interfejsu graficznego, a operatorzy łączą się z klientów desktopowych, użyj [Konfiguracji serwera bezinterfejsowego i zdalnego pulpitu Hermes Agent](https://www.glukhov.org/pl/ai-systems/hermes/hermes-remote-backend-desktop/ “Uruchom agenta Hermes na serwerze bezinterfejsowym ze zdalnym dostępem do pulpitu, usługami systemd, separacją bramki i bezpiecznymi wzorcami ekspozycji sieciowej.”}) dla topologii sieci i usług.

Profil inżynierii oprogramowania

Najbardziej oczywistą osobowością Hermesa jest inżynier oprogramowania, który chce, aby agent zachowywał się mniej jak okno czatu, a bardziej jak powtarzalny operator repozytorium. Ten profil zwykle dba o uwierzytelnianie repozytorium, triaż problemów, tworzenie PR, recenzję kodu, debugowanie i wykonywanie oparte na planach. W katalogach Hermesa podstawowy pakiet wbudowanych umiejętności jest wyjątkowo spójny dla tego zadania: github-auth, github-issues, github-pr-workflow, github-code-review, code-review, plan, writing-plans, systematic-debugging i test-driven-development. Jeśli delegacja ma znaczenie, Hermes dostarcza również wbudowane umiejętności autonomicznych agentów, takie jak codex, claude-code, opencode i hermes-agent-spawning.

To, co czyni ten pakiet użytecznym, to nie żadna pojedyncza umiejętność. To sposób, w jaki umiejętności kodują procedury rozwojowe. github-pr-workflow obejmuje pełny cykl życia PR, github-issues formalizuje operacje na problemach, github-code-review i code-review czynią recenzję odrębnym etapem zamiast afterthoughtu, a systematic-debugging zapobiega skakaniu agenta do przedwczesnych poprawek. Odpowiada to również na praktyczne pytanie, które umiejętności asystenta AI mają największe znaczenie dla przepływów pracy kodowania. Najcenniejsze umiejętności to zwykle te, które zapinają higienę repozytorium i dyscyplinę recenzji, a nie te, które obiecują więcej surowej generacji kodu.

Delegacja Hermesa jeszcze więcej wzmacnia ten profil. Platforma może tworzyć odizolowane agenty potomne z własną rozmową, sesją terminala i zestawem narzędzi, a do rodzica zwracane jest tylko podsumowanie końcowe. Dla kodów źródłowych jest to czystsze dopasowanie niż wpychanie każdej pośredniej diff, śladu stosu i notatki z recenzji do jednej rozmowy. W terminach produkcyjnych profil inżynierski korzysta z wąskich zestawów umiejętności, odizolowanego backendu, takiego jak Docker lub SSH, oraz hojnego wykorzystywania delegacji, gdy szum kontekstowy zaczyna dominować.

Profil badawczy i wiedzy

Profil badawczy to miejsce, gdzie Hermes zaczyna czuć się inaczej niż zwykli asystenci. Wbudowane katalogi zawierają już arxiv, duckduckgo-search, blogwatcher, llm-wiki, ocr-and-documents, obsidian, domain-intel i ml-paper-writing, podczas gdy oficjalny katalog opcjonalny dodaje qmd, parallel-cli, scrapling i szerszą warstwę badawczą dla specjalizowanych domen. Ten stos obejmuje wyszukiwanie artykułów, monitorowanie źródeł, OCR, lokalne systemy notatek, rozpoznawanie domen, pisanie i hybrydowe wyszukiwanie, bez zmuszania wszystkiego do pojedynczego wzorca RAG.

Ten profil to również najjaśniejsze miejsce do odpowiedzi na pytanie o pamięć w przeciwieństwie do umiejętności. Dokumentacja Hermesa definiuje pamięć jako fakty dotyczące użytkowników, projektów i preferencji, podczas gdy umiejętności przechowują procedury dotyczące tego, jak coś zrobić. Praca badawcza potrzebuje obu. Pamięć przechowuje to, co asystent już nauczył się o domenie i preferencjach czytelnika; umiejętności kodują powtarzalne procedury, takie jak „skanuj arXiv, podsumuj nowe artykuły i zapisz notatki do Obsidian”. To rozróżnienie ma znaczenie, ponieważ produkcyjne systemy badawcze zawodzą, gdy wszystko jest traktowane jako pamięć lub wszystko jest traktowane jako przepływ pracy. Hermes daje tym zmartczeniom osobne domy. Pełny obraz techniczny tego, jak działa pamięć – architekturze dwóch plików, limitach znaków, buforowaniu prefiksów i wszystkich ośmiu opcjach zewnętrznych dostawców – znajdziesz w [Systemie pamięci Hermes Agent](https://www.glukhov.org/pl/ai-systems/hermes/hermes-agent-memory-system/ “Dogłębny przewodnik techniczny po architekturze pamięci Hermes Agent – od ograniczonej pamięci rdzeniowej dwóch plików po 8 wtykowych zewnętrznych dostawców.”}).

Profil badawczy korzysta również w sposób nieproporcjonalny z cron. Zadania cron Hermesa mogą jawnie ładować umiejętności przed wykonaniem, a przewodniki automatyzacji podkreślają, że harmonogramowane monity muszą być w pełni samodzielne, ponieważ uruchamiają się w świeżych sesjach. Powtarzalny potok łączący blogwatcher, arxiv, obsidian lub llm-wiki jest więc bardziej niezawodny niż mgliste zadanie „sprawdź, co się zmieniło dzisiaj”. Mówiąc inaczej, profile badawcze działają najlepiej, gdy odkrywanie źródeł, zapisywanie notatek i długoterminowe przechowywanie są reprezentowane przez nazwane umiejętności, a nie ukryte w jednym długim monicie w języku naturalnym.

Profil automatyzacji i operacji

Profil operacyjny jest mniej elegancki, ale często bardziej wartościowy. To użytkownik, który chce, aby Hermes reagował na zdarzenia, inspekcjonował systemy, uruchamiał skryptowane sprawdzenia, przekierowywał wyjście do kanału i robił to wszystko, nie zamieniając hosta w zagrożenie. Hermes ma odpowiednie elementy konstrukcyjne dla tego stylu pracy: wbudowane webhook-subscriptions do aktywacji napędzanej zdarzeniami, wbudowane native-mcp i mcporter do narzędzi opartych na MCP oraz oficjalne opcjonalne umiejętności, takie jak docker-management, fastmcp, cli i 1password, gdy przepływ pracy rozszerza się na kontenery, niestandardowe serwery MCP lub wstrzykiwanie sekretów.

Powodem, dla którego ten pakiet działa, jest to, że każda umiejętność włada jedną granicą. webhook-subscriptions obsługuje przychodzące połączenia z zewnętrznych systemów. docker-management przekształcza czynności kontenerowe w nazwaną procedurę zamiast swobodnej gry w powłoce. fastmcp jest przydatny, gdy Hermes musi stać się orkiestratorem wokół nowych narzędzi MCP, a 1password utrzymuje obsługę sekretów jawną, zamiast ukrywać ją w historii powłoki lub plikach markdown. Oficjalne wskazówki MCP wzmacniają tę samą intuicję produkcyjną: łącz odpowiednią rzecz z najmniejszą użyteczną powierzchnią. Gdy ten profil operacyjny jest konsumowany przez interfejsy czatu mobilnego, szczegóły implementacyjne są omówione w [Kontrola głosowa Hermesa z telefonu](https://www.glukhov.org/pl/ai-systems/hermes/hermes-voice-control/ “Skonfiguruj kontrolę głosową Hermesa w Telegram i Discord za pomocą lokalnego Whisper i darmowego Edge TTS. Zawiera konfigurację, wskazówki dotyczące strojenia, przykłady i rozwiązywanie problemów.”}).

Ten profil to również najczystsze miejsce do odpowiedzi na pytanie, jak zaplanowane przepływy pracy AI pozostają niezawodne. Dokumentacja cron Hermesa mówi, że zadania uruchamiają się w świeżych sesjach, mogą przyłączać jedną lub więcej umiejętności i powinny używać samodzielnych monitów. Przewodnik rozwiązywania problemów z cron dodaje, że automatyczne uruchamianie zależy od licznika bramki, a nie od zwykłej sesji czatu CLI. Niezawodny wzorzec jest więc prosty, nawet jeśli implementacja nie jest: jawne umiejętności, jawny cel dostawy, samodzielny monit, odizolowany backend i bramka, która faktycznie działa.

Profil operacji wykonawczych

Istnieje cichsza, ale bardzo rzeczywista osobowość Hermesa, która wygląda jak szef sztabu, lider operacji lub mocno przeciążony założyciel firmy. Odpowiednie umiejętności są mniej błyszczące i bardziej biurowe: google-workspace, notion, linear, nano-pdf, powerpoint oraz wbudowana umiejętność himalaya do obsługi poczta e-mail, plus oficjalne opcjonalne umiejętności, takie jak agentmail, telephony i one-three-one-rule. Ta mieszanka daje Hermesowi dostęp do skrzynki odbiorczej, kalendarza, dokumentów, zadań, prezentacji, porządkowania PDF, strukturyzowanego frameworku komunikacji, a nawet przepływów pracy telefonicznych i SMS, gdzie to naprawdę ma znaczenie.

W tym przypadku przepływ jest ważniejszy niż katalog. google-workspace kotwiczy codzienną egzekucję. Notion i Linear zapobiegają temu, aby asystent stał się systemem rejestru zadań. one-three-one-rule jest zaskakująco użyteczny, ponieważ wsparcie decyzyjne jest często najtrudniejsze do standaryzacji, a ta umiejętność daje Hermesowi nazwaną procedurę dla propozycji zamiast generycznego zachowania „podsumuj to”. nano-pdf i powerpoint to rodzaj operacyjnych mnożników, które wyglądają mało, dopóki zespół nie zacznie codziennie dotykać prezentacji i plików PDF.

Funkcje komunikacji i głosu Hermesa sprawiają, że ten profil jest bardziej praktyczny, niż się wydaje na first look. Bramka może udostępniać agenta przez Slack, Telegram, Discord, WhatsApp, Email, Matrix i kilka innych kanałów, a stos głosowy obsługuje wejście mikrofonowe, odpowiedzi mówione w komunikatorach i żywe rozmowy głosowe na Discordzie. Dokumentacja zaznacza również, że jedna instancja Hermesa może obsługiwać wielu użytkowników za pomocą list dozwolonych i parowania DM, podczas gdy tokeny botów pozostają ekskluzywne dla pojedynczego profilu. Dlatego wdrożenie o dużej komunikacji zazwyczaj korzysta z co najmniej jednego dedykowanego profilu, zamiast dzielić tę samą tożsamość bota z inżynierią lub operacjami.

Profil platformy ML i danych

Hermes został stworzony przez laboratorium badawcze, a ta linia genealogiczna jest widoczna. Katalogi zawierają jupyter-live-kernel do pracy w stylu notatnika ze stanem, huggingface-hub do operacji na modelach i zbiorach danych, evaluating-llms-harness i weights-and-biases do ewaluacji i śledzenia eksperymentów, qdrant-vector-search do produkcyjnego magazynu RAG oraz dużą wbudowaną i opcjonalną warstwę MLOps z umiejętnościami takimi jak axolotl, fine-tuning-with-trl, modal-serverless-gpu, lambda-labs-gpu-cloud, flash-attention, tensorrt-llm, pinecone, qdrant i nemo-curator.

Tutaj istotne nie jest tylko szerokość. To, że umiejętności obejmują cały stos od iteracji w notatniku po kurację danych, ewaluację, wyszukiwanie wektorowe, fine-tuning i optymalizację wnioskowania. Dla użytkownika platformy ML Hermes przestaje czuć się jak asystent i zaczyna czuć się jak płaszczyzna sterowania, która może przenosić procedury przez cykl życia. jupyter-live-kernel obsługuje eksplorację iteracyjną, evaluating-llms-harness i weights-and-biases formalizują pomiar, a opcjonalne umiejętności obliczeniowe i optymalizacyjne pozwalają Hermesowi spójnie rozmawiać zarówno o eksperymentach, jak i wdrożeniach.

To również profil, gdzie umiar ma największe znaczenie. Ponieważ opcjonalny katalog MLOps jest tak duży, produkcyjna konfiguracja Hermesa do pracy ML zazwyczaj korzysta z bycia zdeterminowanym co do zakresu. Profil inżynierii platformy, który włada ewaluacją i wdrożeniem, nie potrzebuje zainstalowanych wszystkich frameworków szkoleniowych. Profil badawczy, który włada artykułami i systemami notatek, nie potrzebuje każdej umiejętności bazy danych wektorowych. Hermes może przenosić ogromne inwentarze umiejętności, ale użyteczność produkcyjna nadal wynika ze zwężania aktywnej powierzchni.

Gdzie umiejętności stają się obciążeniem

Najsilniejszą częścią systemu umiejętności Hermesa jest również miejsce, gdzie konfiguracje produkcyjne idą nie tak. Hermes może przeglądać i instalować umiejętności z wbudowanego katalogu, oficjalnego katalogu opcjonalnego, skills.sh Vercel, dobrze znanych punktów końcowych umiejętności, bezpośrednich repozytoriów GitHub i społecznościowych źródeł w stylu marketplace. Model bezpieczeństwa rozróżnia źródła builtin, official, trusted i community, uruchamia skany bezpieczeństwa dla umiejętności zainstalowanych z huba i pozwala na --force tylko dla niebezpiecznych bloków polityki. Niebezpieczna werdykt skanu pozostaje zablokowana. Hermes ujawnia również metadane źródłowe, takie jak URL repozytorium, instalacje tygodniowe i sygnały audytu podczas inspekcji. To solidny model zaufania, ale nie zastępuje smaku.

Istnieje również limit tego, co można poprosić od umiejętności. Dokumentacja Hermesa jest wyraźna, że umiejętności są preferowanym wyborem, gdy zadanie można wyrazić jako instrukcje plus polecenia powłoki plus istniejące narzędzia, podczas gdy wtyczki są bardziej uczciwą abstrakcją dla niestandardowych narzędzi, hooków i zachowań cyklu życia. Przewodnik po wtyczkach nawet pokazuje, jak wtyczka może opakować własną umiejętność. W produkcji oznacza to, że umiejętności najlepiej traktować jako wielokrotnoście wykorzystania procedury, a nie jako wymuszoną zastawkę dla właściwego projektu narzędzia lub wtyczki.

Społeczność i wsparcie wyglądają zdrowo, ale nie usuwają prędkości zmian. Dokumentacja Hermesa kieruje użytkowników do Discord, GitHub Discussions, Issues i Skills Hub, a publiczne repozytorium pokazuje częste wydania i duży ślad wkładu. Operacyjne wnioski są proste: aktualizacje są częścią systemu, a nie zdarzeniem zewnętrznym. Prawdziwa konfiguracja produkcyjna zakłada, że profile, umiejętności i założenia przepływów pracy będą ewoluować, a następnie używa izolacji i wąskich pakietów umiejętności, aby zmiany pozostawały lokalne, gdy nieuniknionym przybywają.

Hermes działa najlepiej, gdy umiejętności są traktowane jako umowy proceduralne wokół wyraźnie oddzielonych profili. Moment, w którym jeden profil staje się agentem inżynierskim, asystentem badawczym, pracownikiem operacyjnym, botem skrzynki odbiorczej i platformą ML naraz, system przestaje się kumulować i zaczyna wyciekać odpowiedzialności. Czysty wzorzec produkcyjny polega mniej na posiadaniu większej liczby umiejętności, a bardziej na nadawaniu każdemu profilowi opisu pracy, który naprawdę może utrzymać.

Ten artykuł jest częścią klastrowej Systemy AI, która obejmuje samodzielnie hostowanych asystentów, architekturę wyszukiwania, lokalną infrastrukturę LLM i obserwowalność.