Hermes Agent, Nous Research ਦੁਆਰਾ released ਕੀਤਾ ਗਿਆ ਇੱਕ open-source AI assistant framework ਹੈ, ਜੋ developers ਨੂੰ ਆਪਣੀ ਮਸ਼ੀਨ ਜਾਂ server 'ਤੇ personal assistant ਚਲਾਉਣ ਅਤੇ ਲੋੜੀਂਦੇ ਕੋਈ ਵੀ tools ਜੋੜਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ। ਕੋਡ GitHub 'ਤੇ ਉਪਲਬਧ ਹੈ।
ਇੱਕ ਨਵਾਂ framework ਕਿਉਂ ਮਹੱਤਵਪੂਰਨ ਹੈ
ਜ਼ਿਆਦਾਤਰ consumer-facing assistants ਆਪਣੇ ਅੰਦਰੂਨੀ ਕੰਮਕਾਜ ਨੂੰ proprietary APIs ਦੇ ਪਿੱਛੇ ਛੁਪਾਉਂਦੇ ਹਨ। ਤੁਸੀਂ ਇੱਕ prompt ਭੇਜਦੇ ਹੋ, ਸੇਵਾ ਇਹ ਫੈਸਲਾ ਕਰਦੀ ਹੈ ਕਿ ਕਿਹੜੇ model ਨੂੰ ਕਾਲ ਕਰਨਾ ਹੈ ਅਤੇ ਕਿਹੜੇ ਕਾਰਜ ਕਰਨੇ ਹਨ, ਅਤੇ ਤੁਹਾਨੂੰ ਇੱਕ ਅਜਿਹਾ ਜਵਾਬ ਮਿਲਦਾ ਹੈ ਜਿਸਦੀ ਤੁਸੀਂ ਜਾਂਚ ਜਾਂ ਸੋਧ ਨਹੀਂ ਕਰ ਸਕਦੇ। ਉਹ ਮਾਡਲ ਆਮ ਉਪਭੋਗਤਾਵਾਂ ਲਈ ਕੰਮ ਕਰਦਾ ਹੈ ਪਰ ਉਹਨਾਂ developers ਲਈ ਨਿਰਾਸ਼ਾਜਨਕ ਹੁੰਦਾ ਹੈ ਜੋ workflows ਨੂੰ ਆਟੋਮੇਟ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹਨ, private data stores ਨਾਲ integrate ਕਰਨਾ ਚਾਹੁੰਦੇ ਹਨ, ਜਾਂ ਸਖ਼ਤ security policies ਲਾਗੂ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹਨ। Hermes Agent ਇਸ ਸਥਿਤੀ ਨੂੰ ਬਦਲ ਦਿੰਦਾ ਹੈ: ਇਹ user ਅਤੇ language model ਦੇ ਵਿਚਕਾਰ ਬੈਠਦਾ ਹੈ, ਫੈਸਲਾ ਲੈਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਸਾਹਮਣੇ ਲਿਆਉਂਦਾ ਹੈ ਅਤੇ ਤੁਹਾਨੂੰ ਕੋਈ ਵੀ “tools” – ਜਿਵੇਂ ਕਿ scripts, file-system commands, ਜਾਂ third-party services – ਜੋੜਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ, ਜਿਨ੍ਹਾਂ ਨੂੰ agent ਤੁਹਾਡੇ ਵੱਲੋਂ ਚਲਾ ਸਕਦਾ ਹੈ।
ਇਸਦਾ ਵਿਵਹਾਰਕ ਫਾਇਦਾ ਤੁਰੰਤ ਮਿਲਦਾ ਹੈ। ਇੱਕ developer Hermes ਨੂੰ ਲਾਂਚ ਕਰ ਸਕਦਾ ਹੈ, ਇਸਨੂੰ ਕਿਸੇ local LLM ਜਾਂ OpenRouter ਵਰਗੇ API ਵੱਲ ਮੋੜ ਸਕਦਾ ਹੈ, ਅਤੇ ਫਿਰ ਇਸਨੂੰ log file ਨੂੰ grep ਕਰਨ, static-analysis tool ਚਲਾਉਣ, ਜਾਂ Docker container ਸ਼ੁਰੂ ਕਰਨ ਲਈ ਕਹਿ ਸਕਦਾ ਹੈ। Agent ਗੱਲਬਾਤ ਦੇ context ਨੂੰ ਯਾਦ ਰੱਖਦਾ ਹੈ, ਫੈਸਲਾ ਕਰਦਾ ਹੈ ਕਿ ਕਿਹੜਾ tool ਬੇਨਤੀ ਦੇ ਅਨੁਕੂਲ ਹੈ, ਅਤੇ ਇੱਕ structured ਜਵਾਬ ਵਾਪਸ ਕਰਦਾ ਹੈ। ਸੰਖੇਪ ਵਿੱਚ, ਇਹ “answer-only” chatbots ਤੋਂ “action-oriented” assistants ਵੱਲ ਵਧਦਾ ਹੈ।
Hermes Agent ਕਿਵੇਂ ਬਣਾਇਆ ਗਿਆ ਹੈ
- Core – ਉਹ orchestrator ਜੋ user input ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ, conversation history ਨੂੰ ਟ੍ਰੈਕ ਕਰਦਾ ਹੈ, ਅਤੇ model ਦੇ ਸੁਝਾਅ ਦੇ ਅਧਾਰ 'ਤੇ ਉਚਿਤ tool ਚੁਣਦਾ ਹੈ।
- Model – ਉਹ language model ਜੋ intent ਅਤੇ ਸੰਭਵ ਕਾਰਜ ਪੈਦਾ ਕਰਦਾ ਹੈ। ਤੁਸੀਂ ਕਿਸੇ ਵੀ model ਨੂੰ ਜੋੜ ਸਕਦੇ ਹੋ ਜਿਸਦਾ ਤੁਹਾਡਾ ਕੰਟਰੋਲ ਹੋਵੇ, ਇੱਕ locally hosted open-source LLM ਤੋਂ ਲੈ ਕੇ ਇੱਕ cloud endpoint ਤੱਕ।
- Tools – executable actions ਦੇ ਆਲੇ-ਦੁਆਲੇ ਬਣੇ ਪਤਲੇ wrappers। ਇੱਕ tool ਕਿਸੇ ਫਾਈਲ ਨੂੰ ਪੜ੍ਹ ਸਕਦਾ ਹੈ, REST API ਨੂੰ ਕਾਲ ਕਰ ਸਕਦਾ ਹੈ, ਜਾਂ shell command ਨੂੰ ਚਲਾ ਸਕਦਾ ਹੈ। ਇੱਕ ਨਵਾਂ tool ਜੋੜਨਾ ਇੱਕ Python function ਲਿਖਣ ਅਤੇ ਇਸਨੂੰ framework ਨਾਲ register ਕਰਨ ਜਿੰਨਾ ਸੌਖਾ ਹੈ।
- Skills – ਸਬੰਧਤ tools ਦੇ ਸਮੂਹ ਜੋ agent ਨੂੰ domain-specific ਸਮਰੱਥਾਵਾਂ ਦਿੰਦੇ ਹਨ, ਜਿਵੇਂ ਕਿ system-administration ਸਹਾਇਤਾ ਜਾਂ code-review automation।
ਇਹ architecture ਤਿੰਨਾਂ ਚਿੰਤਾਵਾਂ ਨੂੰ ਵੱਖ ਰੱਖਦੀ ਹੈ: model pure-text ਰਹਿੰਦਾ ਹੈ, core flow ਨੂੰ ਸੰਭਾਲਦਾ ਹੈ, ਅਤੇ tools ਮੁੱਖ ਕੰਮ ਕਰਦੇ ਹਨ। ਇਹ ਵੱਖਰੇਵੇਂ ਪੂਰੇ ਸਿਸਟਮ ਨੂੰ ਤੋੜੇ ਬਿਨਾਂ components ਨੂੰ ਬਦਲਣਾ ਆਸਾਨ ਬਣਾਉਂਦਾ ਹੈ।
Hermes ਨੂੰ ਚਾਲੂ ਅਤੇ ਚੱਲ ਰੱਖਣਾ
- Repo clone ਕਰੋ –
git clone https://github.com/NousResearch/hermes-agent.git - Directory ਵਿੱਚ ਜਾਓ –
cd hermes-agent - Dependencies install ਕਰੋ –
pip install -r requirements.txt - Environment configure ਕਰੋ –
.env.exampleਨੂੰ.envਵਿੱਚ ਕਾਪੀ ਕਰੋ ਅਤੇ ਕੋਈ ਵੀ ਲੋੜੀਂਦੀਆਂ API keys (OpenRouter ਜਾਂ ਉਹਨਾਂ ਹੋਰ services ਲਈ ਜੋ ਤੁਸੀਂ ਵਰਤਣ ਦੀ ਯੋਜਨਾ ਬਣਾ ਰਹੇ ਹੋ) ਦਰਜ ਕਰੋ। - Launch ਕਰੋ – command line ਤੋਂ
hermesਚਲਾਓ।
Assistant ਦਾ ਵਿਸਤਾਰ ਕਰਨਾ
ਇੱਕ ਨਵੀਂ ਸਮਰੱਥਾ ਜੋੜਨਾ ਤਿੰਨ-ਪੜਾਵੀ ਪੈਟਰਨ ਦੀ ਪਾਲਣਾ ਕਰਦਾ ਹੈ:
ਸੁਰੱਖਿਆ ਵਿਚਾਰ (Security considerations)
ਇੱਕ AI agent ਜੋ commands ਚਲਾ ਸਕਦਾ ਹੈ, ਇੱਕ privileged user ਵਾਂਗ ਕੰਮ ਕਰਦਾ ਹੈ। .env ਫਾਈਲ ਵਿੱਚ API keys ਨੂੰ ਪ੍ਰਗਟ ਕਰਨਾ ਜਾਂ agent ਨੂੰ ਬਿਨਾਂ ਕਿਸੇ ਰੋਕ-ਟੋਕ ਦੇ file-system access ਦੇਣਾ ਇੱਕ backdoor ਖੋਲ੍ਹ ਸਕਦਾ ਹੈ ਜੇਕਰ model ਨਾਲ ਛੇੜਛਾੜ ਕੀਤੀ ਜਾਂਦੀ ਹੈ ਜਾਂ ਜੇਕਰ ਕੋਈ ਮਾੜੇ (malicious) prompts ਅੰਦਰ ਆ ਜਾਣ। ਇਸ ਜੋਖਮ ਨੂੰ ਘਟਾਉਣ ਲਈ:
- ਮਹੱਤਵਪੂਰਨ services ਤੋਂ ਅਲੱਗ ਇੱਕ container ਜਾਂ virtual machine ਦੇ ਅੰਦਰ agent ਨੂੰ ਚਲਾਓ।
- secrets ਨੂੰ environment variables ਵਿੱਚ ਸਟੋਰ ਕਰੋ ਅਤੇ ਜਿੱਥੇ ਸੰਭਵ ਹੋਵੇ ਉਹਨਾਂ ਨੂੰ read-only 'ਤੇ ਸੈੱਟ ਕਰੋ।
- registered tools ਨੂੰ ਤੁਹਾਡੇ workflow ਲਈ ਲੋੜੀਂਦੇ ਘੱਟੋ-ਘੱਟ ਸੰਖਿਆ ਤੱਕ ਸੀਮਤ ਰੱਖੋ।
- ਅਣਪਛਾਤੇ tool invocations ਦਾ ਪਤਾ ਲਗਾਉਣ ਲਈ agent ਦੇ logs ਦੀ ਨਿਯਮਤ ਰੂਪ ਵਿੱਚ auditing ਕਰੋ।
ਤਬਾਦਲਾ (Trade-off): ਖੁੱਲ੍ਹਾਪਣ ਬਨਾਮ ਸਹੂਲਤ
Hermes Agent ਦਾ ਖੁੱਲ੍ਹਾਪਣ developers ਨੂੰ ਪੂਰਾ ਕੰਟਰੋਲ ਦਿੰਦਾ ਹੈ, ਪਰ ਇਸਦਾ ਮਤਲਬ ਇਹ ਵੀ ਹੈ ਕਿ ਤੁਸੀਂ hosted assistants ਦਾ turnkey ਅਨੁਭਵ ਗੁਆ ਲੈਂਦੇ ਹੋ। ਤੁਹਾਨੂੰ model updates, scaling, ਅਤੇ security patches ਖੁਦ ਪ੍ਰਬੰਧਿਤ ਕਰਨੇ ਪੈਣਗੇ। ਉਹ ਟੀਮਾਂ ਜਿਨ੍ਹਾਂ ਕੋਲ ਸਮਰਪਿਤ DevOps ਸਰੋਤ ਨਹੀਂ ਹਨ, ਉਹ ਅਜੇ ਵੀ managed service ਨੂੰ ਤਰਜੀਹ ਦੇ ਸਕਦੀਆਂ ਹਨ।
ਇਸਦੇ ਉਲਟ, ਸੰਵੇਦਨਸ਼ੀਲ ਡੇਟਾ ਸੰਭਾਲਣ ਵਾਲੀਆਂ enterprises ਲਈ ਫੈਸਲਾ ਲੈਣ ਵਾਲੀ ਲੜੀ ਦੇ ਹਰ ਕਦਮ ਦੀ auditing ਕਰਨਾ ਨਿਰਣਾਇਕ ਹੋ ਸਕਦਾ ਹੈ। ਮਾਡਿਊਲਰ ਡਿਜ਼ਾਈਨ community contributions ਨੂੰ ਉਤਸ਼ਾਹਿਤ ਕਰਦਾ ਹੈ, ਜੋ ਕਿਸੇ ਵੀ ਸਿੰਗਲ vendor ਨਾਲੋਂ ਤੇਜ਼ੀ ਨਾਲ tool ecosystem ਨੂੰ ਵਧਾ ਸਕਦਾ ਹੈ।
ਫਿਲਹਾਲ, ਇਹ framework ਉਹਨਾਂ ਸਾਰਿਆਂ ਲਈ ਇੱਕ ਠੋਸ ਰਸਤਾ ਪੇਸ਼ ਕਰਦਾ ਹੈ ਜੋ ਅਜਿਹਾ AI assistant ਚਾਹੁੰਦੇ ਹਨ ਜੋ ਉਹਨਾਂ ਦੇ ਆਪਣੇ hardware 'ਤੇ ਚੱਲਦਾ ਹੈ, bespoke workflows ਦੇ ਅਨੁਕੂਲ ਬਣਾਇਆ ਜਾ ਸਕਦਾ ਹੈ, ਅਤੇ ਉਹਨਾਂ ਲੋਕਾਂ ਲਈ ਪਾਰਦਰਸ਼ੀ ਰਹਿੰਦਾ ਹੈ ਜੋ ਇਸਨੂੰ ਚਲਾਉਂਦੇ ਹਨ। ਅਗਲਾ ਕਦਮ ਸੌਖਾ ਹੈ: repo clone ਕਰੋ, ਇਸਨੂੰ ਚਲਾਓ, ਅਤੇ ਆਪਣੇ ਨਵੇਂ assistant ਨੂੰ ਉਹ ਕੰਮ ਕਰਨਾ ਸਿਖਾਉਣਾ ਸ਼ੁਰੂ ਕਰੋ ਜਿਨ੍ਹਾਂ 'ਤੇ ਤੁਸੀਂ ਹਰ ਹਫ਼ਤੇ ਕਈ ਘੰਟੇ ਬਿਤਾਉਂਦੇ ਹੋ।