Hermes Agent, Nous Research tarafından yayınlanan açık kaynaklı bir yapay zeka asistanı çerçevesi olup, geliştiricilerin kendi makinelerinde veya sunucularında kişisel bir asistan çalıştırmalarına ve ihtiyaç duydukları tüm araçları sisteme entegre etmelerine olanak tanır. Kodlar GitHub üzerindedir.

Yeni bir çerçevenin önemi

Tüketici odaklı asistanların çoğu, iç işleyişlerini tescilli API'lerin arkasına gizler. Siz bir istem (prompt) gönderirsiniz, servis hangi modelin çağrılacağına ve hangi eylemlerin gerçekleştirileceğine karar verir ve siz de inceleyemeyeceğiniz veya değiştiremeyeceğiniz bir yanıt alırsınız. Bu model sıradan kullanıcılar için işe yarasa da, iş akışlarını otomatikleştirmek, özel veri depolarıyla entegre olmak veya katı güvenlik politikaları uygulamak isteyen geliştiriciler için sinir bozucudur. Hermes Agent bu senaryoyu tersine çevirir: kullanıcı ile dil modeli arasında konumlanarak karar verme sürecini açığa çıkarır ve ajanın sizin adınıza çağırabileceği betikler, dosya sistemi komutları veya üçüncü taraf hizmetler gibi rastgele "araçlar" eklemenize olanak tanır.

Pratik avantajı ise anında hissedilir. Bir geliştirici Hermes'i başlatabilir, onu yerel bir LLM'ye veya OpenRouter gibi bir API'ye yönlendirebilir ve ardından bir günlük (log) dosyasını grep yapmasını, bir statik analiz aracı çalıştırmasını veya bir Docker konteyneri başlatmasını isteyebilir. Ajan, konuşma bağlamını hatırlar, hangi aracın isteğe uygun olduğuna karar verir ve yapılandırılmış bir yanıt döndürür. Kısacası, "sadece yanıt veren" sohbet robotlarından "eylem odaklı" asistanlara geçiş yapar.

Hermes Agent nasıl inşa edilmiştir

  • Core (Çekirdek) – kullanıcı girdisini alan, konuşma geçmişini takip eden ve modelin önerisine göre uygun aracı seçen orkestratör.
  • Model – niyeti ve olası eylemleri oluşturan dil modeli. Yerel olarak barındırılan açık kaynaklı bir LLM'den bulut uç noktasına (endpoint) kadar kontrol ettiğiniz herhangi bir modeli sisteme bağlayabilirsiniz.
  • Tools (Araçlar) – yürütülebilir eylemlerin etrafındaki ince sarmalayıcılar (wrappers). Bir araç bir dosyayı okuyabilir, bir REST API'yi çağırabilir veya bir kabuk (shell) komutu çalıştırabilir. Yeni bir araç eklemek, bir Python fonksiyonu yazmak ve bunu çerçeveye kaydetmek kadar basittir.
  • Skills (Yetenekler) – ajana sistem yönetimi yardımı veya kod inceleme otomasyonu gibi alana özgü yetenekler kazandıran ilgili araç koleksiyonları.

Mimari, üç temel konuyu birbirinden ayrı tutar: model saf metin olarak kalır, çekirdek akışı yönetir ve araçlar ağır iş yükünü üstlenir. Bu ayrım, tüm sistemi bozmadan bileşenleri değiştirmeyi kolaylaştırır.

Hermes'i kurma ve çalıştırma

  1. Depoyu klonlayın – git clone https://github.com/NousResearch/hermes-agent.git
  2. Dizine girin – cd hermes-agent
  3. Bağımlılıkları yükleyin – pip install -r requirements.txt
  4. Ortamı yapılandırın – .env.example dosyasını .env olarak kopyalayın ve gerekli API anahtarlarını (OpenRouter veya kullanmayı planladığınız diğer servisler için) girin.
  5. Başlatın – komut satırından hermes komutunu çalıştırın.

Asistanı genişletme

Yeni bir yetenek eklemek üç adımlı bir düzeni takip eder:

Güvenlik hususları

Komut yürütebilen bir yapay zeka ajanı, ayrıcalıklı bir kullanıcı gibi hareket eder. API anahtarlarını .env dosyasında açıkça paylaşmak veya ajana kısıtlanmamış dosya sistemi erişimi vermek, modelin ele geçirilmesi veya kötü niyetli istemlerin sızması durumunda bir arka kapı açabilir. Riski şu şekilde azaltın:

  • Ajanı, kritik servislerden izole edilmiş bir konteyner veya sanal makine içinde çalıştırmak.
  • Gizli bilgileri ortam değişkenlerinde saklamak ve mümkün olan yerlerde bunları salt okunur olarak ayarlamak.
  • Kayıtlı araçları iş akışınız için gereken minimum düzeyle sınırlamak.
  • Beklenmedik araç çağrılarını tespit etmek için ajanın günlüklerini (loglarını) düzenli olarak denetlemek.

Takas: Açıklık ve kolaylık arasındaki denge

Hermes Agent'ın açıklığı geliştiricilere tam kontrol sağlar, ancak bu aynı zamanda barındırılan (hosted) asistanların sunduğu "tak-çalıştır" deneyiminden feragat etmeniz gerektiği anlamına gelir. Model güncellemelerini, ölçeklendirmeyi ve güvenlik yamalarını kendiniz yönetmelisiniz. Özel DevOps kaynakları olmayan ekipler, yönetilen bir servisi tercih etmeye devam edebilir.

Aksine, karar zincirinin her adımını denetlemek, hassas verilerle uğraşan işletmeler için belirleyici olabilir. Modüler tasarım, topluluk katkılarını teşvik ederek araç ekosisteminin tek bir satıcıdan çok daha hızlı büyümesini sağlayabilir.

Şimdilik bu çerçeve, kendi donanımında çalışan, özel iş akışlarına uyacak şekilde şekillendirilebilen ve onu çalıştıran kişiler için şeffaf kalan bir yapay zeka asistanı isteyen herkes için somut bir yol sunuyor. Bir sonraki adım basit: depoyu klonlayın, çalıştırın ve yeni asistanınıza her hafta saatlerinizi harcadığınız görevleri nasıl yapacağını öğretmeye başlayın.