Hermes Agent، یک چارچوب دستیار هوش مصنوعی متنباز که توسط Nous Research منتشر شده است، به توسعهدهندگان اجازه میدهد یک دستیار شخصی را روی ماشین یا سرور خود اجرا کنند و هر ابزاری را که نیاز دارند به آن متصل کنند. کد آن در GitHub موجود است.
چرا یک چارچوب جدید اهمیت دارد
بیشتر دستیارهای کاربرپسند، سازوکارهای داخلی خود را پشت APIهای اختصاصی پنهان میکنند. شما یک دستور (prompt) میفرستید، سرویس تصمیم میگیرد کدام مدل را فراخوانی کند و چه اقداماتی انجام دهد، و شما پاسخی دریافت میکنید که نمیتوانید آن را بازرسی یا اصلاح کنید. این مدل برای کاربران عادی مناسب است اما توسعهدهندگانی را که میخواهند جریانهای کاری را خودکار کنند، با ذخیرهسازهای داده خصوصی ادغام شوند یا سیاستهای امنیتی سختگیرانهای را اعمال کنند، ناامید میکند. Hermes Agent این روال را تغییر میدهد: این چارچوب بین کاربر و مدل زبانی قرار میگیرد، فرآیند تصمیمگیری را آشکار میکند و به شما اجازه میدهد «ابزارهای» دلخواه – مانند اسکریپتها، دستورات سیستمفایل یا سرویسهای شخص ثالث – را متصل کنید که عامل (agent) میتواند به نمایندگی از شما آنها را فراخوانی کند.
مزیت عملی آن فوری است. یک توسعهدهنده میتواند Hermes را راهاندازی کند، آن را به یک LLM محلی یا یک API مانند OpenRouter متصل کند و سپس از آن بخواهد یک فایل لاگ را با grep جستجو کند، یک ابزار تحلیل ایستا (static-analysis) را اجرا کند یا یک کانتینر Docker را بالا بیاورد. این عامل، بافتار (context) گفتگو را به خاطر میسپارد، تصمیم میگیرد کدام ابزار با درخواست مطابقت دارد و یک پاسخ ساختاریافته برمیگرداند. به طور خلاصه، این ابزار از چتباتهای «فقط پاسخگو» به دستیارهای «عملگرا» تغییر مسیر میدهد.
Hermes Agent چگونه ساخته شده است
- Core (هماهنگکننده) – هماهنگکنندهای که ورودی کاربر را دریافت میکند، تاریخچه گفتگو را دنبال میکند و بر اساس پیشنهاد مدل، ابزار مناسب را انتخاب میکند.
- Model (مدل) – مدل زبانی که قصد (intent) و اقدامات احتمالی را تولید میکند. شما میتوانید هر مدلی را که در اختیار دارید، از یک LLM متنباز که به صورت محلی میزبانی میشود تا یک نقطه پایانی (endpoint) ابری، متصل کنید.
- Tools (ابزارها) – پوششهای (wrappers) نازکی حول اقدامات قابل اجرا. یک ابزار ممکن است یک فایل را بخواند، یک REST API را فراخوانی کند یا یک دستور شل (shell command) را اجرا کند. اضافه کردن یک ابزار جدید به سادگیِ نوشتن یک تابع Python و ثبت آن در چارچوب است.
- Skills (مهارتها) – مجموعهای از ابزارهای مرتبط که قابلیتهای خاصِ یک حوزه را به عامل میبخشند، مانند کمک به مدیریت سیستم یا خودکارسازی بازبینی کد.
این معماری سه بخش اصلی را مجزا نگه میدارد: مدل فقط متن باقی میماند، هسته (core) جریان را مدیریت میکند و ابزارها کارهای سنگین را انجام میدهند. این جداسازی، تعویض اجزا را بدون از کار افتادن کل سیستم آسان میکند.
راهاندازی و اجرای Hermes
- Clone کردن مخزن –
git clone https://github.com/NousResearch/hermes-agent.git - ورود به دایرکتوری –
cd hermes-agent - نصب وابستگیها –
pip install -r requirements.txt - پیکربندی محیط – فایل
.env.exampleرا به.envکپی کنید و هرگونه کلید API مورد نیاز (برای OpenRouter یا سایر سرویسهایی که قصد استفاده از آنها را دارید) را وارد کنید. - اجرا – دستور
hermesرا از خط فرمان اجرا کنید.
گسترش دادن دستیار
اضافه کردن یک قابلیت جدید از یک الگوی سه مرحلهای پیروی میکند:
ملاحظات امنیتی
یک عامل هوش مصنوعی که میتواند دستورات را اجرا کند، مانند یک کاربر دارای سطح دسترسی بالا (privileged user) عمل میکند. افشای کلیدهای API در فایل .env یا دادن دسترسی بدون محدودیت به سیستمفایل به عامل، میتواند در صورت آسیبپذیری مدل یا نفوذ دستورات مخرب، یک راه ورود پشتی (backdoor) باز کند. این ریسک را با روشهای زیر کاهش دهید:
- اجرای عامل داخل یک کانتینر یا ماشین مجازی که از سرویسهای حیاتی جدا شده است.
- ذخیره اسرار (secrets) در متغیرهای محیطی و در صورت امکان، تنظیم آنها به حالت فقطخواندنی (read-only).
- محدود کردن ابزارهای ثبتشده به حداقل نیاز برای جریان کاری خود.
- بازرسی منظم لاگهای عامل برای شناسایی فراخوانیهای غیرمنتظره ابزارها.
موازنه: باز بودن در مقابل راحتی
باز بودن Hermes Agent به توسعهدهندگان کنترل کامل میدهد، اما این بدان معناست که تجربه آماده و بیدردسرِ دستیارهای میزبانیشده را از دست میدهید. شما باید بهروزرسانی مدل، مقیاسپذیری و وصلههای امنیتی را خودتان مدیریت کنید. تیمهایی که منابع DevOps اختصاصی ندارند، ممکن است همچنان سرویسهای مدیریتشده را ترجیح دهند.
برعکس، بازرسی هر مرحله از زنجیره تصمیمگیری میتواند برای شرکتهایی که با دادههای حساس سروکار دارند، تعیینکننده باشد. طراحی ماژولار، مشارکتهای جامعه (community) را دعوت میکند که میتواند اکوسیستم ابزار را سریعتر از هر فروشنده واحدی رشد دهد.
در حال حاضر، این چارچوب مسیری مشخص را برای هر کسی فراهم میکند که میخواهد یک دستیار هوش مصنوعی داشته باشد که روی سختافزار خودش اجرا شود، بتواند برای جریانهای کاری سفارشی شکل بگیرد و برای افرادی که آن را اجرا میکنند، شفاف باقی بماند. قدم بعدی ساده است: مخزن را کلون کنید، آن را بالا بیاورید و شروع کنید به آموزش دادن به دستیار جدیدتان برای انجام کارهایی که هر هفته ساعتها وقت شما را میگیرند.