Hermes dan Membangun Agent yang Bekerja Mandiri

Sebagian besar chatbot AI berhenti di jawaban. Untuk kerja nyata — menulis skrip, memindahkan berkas, menjalankan perintah, memantau service — yang dibutuhkan bukan teks, tapi eksekusi. Hermes Agent dari Nous Research dibangun untuk itu: agent yang menjalankan tugas teknis multi-langkah secara mandiri di infrastruktur lokal dengan akses ke terminal, file system, dan browser. Artikel ini catatan pemakaian nyata, bukan klaim dari brosur fitur.

Mengapa butuh agent yang bekerja mandiri

Tugas rutin di homelab sifatnya berulang: backup, monitoring, update, riset, menulis laporan. Solusi klasiknya script cron dan catatan manual, tapi keduanya rawan lupa dan butuh disiplin. Hermes menawarkan lapisan di atasnya: agent yang bisa diberi instruksi tingkat tinggi — misalnya “kumpulkan temuan riset ini dan tulis ringkasannya” — lalu memecahnya sendiri menjadi langkah-langkah, memilih tool yang tepat, mengeksekusi, dan melaporkan hasil. Bedanya dengan chatbot biasa ada di dua hal: alat (tool) yang benar-benar berjalan, dan memori prosedural yang membuat eksekusi itu bisa diulang dan diperbaiki.

Cara kerja: agent loop, tools, dan memori

Inti Hermes adalah agent loop. Di setiap sesi, sistem membangun prompt, lalu beriterasi: model dipanggil dengan daftar tool yang tersedia; jika model meminta pemanggilan tool, tool dijalankan dan hasilnya dikembalikan ke model; iterasi berlanjut sampai jawaban final. Konteks yang mendekati batas token dikompresi otomatis agar sesi panjang tetap berjalan. Di atas loop itu ada beberapa mekanisme yang membuatnya berguna untuk pekerjaan jangka panjang:

Toolset bawaan: terminal, operasi file, web search dan browser, vision, eksekusi Python, delegasi subagent, memory, dan cron. Toolset bisa diaktifkan atau dimatikan per platform, jadi permukaan serangnya bisa dipersempit.
Skills (SKILL.md): prosedur langkah-demi-langkah yang disimpan sebagai berkas dan dimuat lagi di sesi berikutnya. Ketika agent menyelesaikan masalah yang rumit atau dikoreksi, pengetahuan itu bisa dipersist. Skills terakumulasi, dan agent makin baik di tugas yang sama.
Persistent memory: fakta tentang lingkungan, preferensi, dan pelajaran disimpan lintas sesi, sehingga konteks tidak perlu diulang dari nol setiap kali.
Delegation: subagent terisolasi untuk pekerjaan paralel via delegate_task, berguna untuk memecah riset atau verifikasi tanpa membanjiri konteks sesi utama.
Cron dan gateway: jadwal recurring (bahkan mode tanpa LLM untuk script watchdog), plus koneksi ke platform messaging seperti Telegram dan Discord; satu agent bisa melayani banyak permukaan.
Profiles: beberapa instance independen dengan config, sesi, skills, dan memori terpisah, cocok untuk memisahkan peran kerja.

Deployment dan supervisi systemd

Hermes dipasang dengan installer resmi ke direktori ~/.hermes:

curl -fsSL https://hermes-agent.nousresearch.com/install.sh | bash

Konfigurasi awal lewat wizard hermes setup, dan pemilihan model atau provider lewat hermes model. Hermes tidak terkunci pada satu vendor: mendukung OpenRouter, Anthropic, OpenAI, DeepSeek, hingga model lokal, dan model bisa diganti tanpa mengubah hal lain.

Untuk menjalankan Web Dashboard secara kontinu di port 9119, buat user systemd service di ~/.config/systemd/user/hermes-dashboard.service. %h di ExecStart otomatis mengacu ke home directory user:

[Unit]
Description=Hermes Agent Web Dashboard
After=network.target

[Service]
ExecStart=%h/.hermes/hermes-agent/venv/bin/hermes dashboard --no-open
Restart=always
RestartSec=5

[Install]
WantedBy=default.target

Jalankan service:

systemctl --user enable --now hermes-dashboard.service

Akses dashboard perlu dibatasi ke jaringan privat (misalnya Tailscale), karena antarmukanya mengontrol agent dengan akses penuh ke host.

Kelebihan yang saya rasakan

Eksekusi nyata, bukan saran: perintah dijalankan, berkas diedit, dan setiap hasil tool kembali sebagai bukti, jadi pekerjaan selesai dalam satu alur.
Pembelajaran lewat skills: prosedur yang sudah terbukti benar tersimpan, tugas berulang tidak perlu dijelaskan ulang dari awal.
Konteks lintas sesi: memori persisten plus riwayat sesi yang bisa dicari, sehingga pekerjaan yang tertunda bisa dilanjutkan tanpa kehilangan konteks.
Fleksibilitas model dan provider: ganti model untuk tugas berat atau murah tanpa mengubah konfigurasi lain.
Satu agent, banyak permukaan: CLI, messaging, jadwal cron, dan subagent paralel dikelola dari instance yang sama.

Kontra dan keterbatasan

Biaya token nyata: agent jauh lebih boros token daripada chatbot sekali jawab, karena setiap langkah memanggil model. Pemakaian harian perlu dipantau, apalagi jika memakai API berbayar.
Akses tool berarti akses host: command destruktif dijaga lewat konfirmasi, tapi pada akhirnya agent berjalan dengan izin penuh. Operasi yang tidak bisa dibatalkan tetap butuh review manual.
Kualitas ditentukan model: perencanaan langkah hanya sebaik model di belakangnya. Untuk tugas kritis, pilihan model adalah keputusan nyata, bukan detail.
Batas konteks: sesi panjang bergantung pada kompresi, dan konteks terkompresi bisa kehilangan detail kecil yang relevan.
Bukan pengganti pengawas: untuk keputusan irreversibel atau tugas di luar jangkauan tool, manusia tetap yang memutuskan.

Kesimpulan

Di satu mesin homelab dengan pemakaian pribadi, Hermes membantu karena perbedaan utamanya nyata: eksekusi, bukan sekadar jawaban, plus memori prosedural yang terakumulasi. Tapi ia bukan pengganti disiplin operasional — tetap butuh model yang dipilih dengan sadar, anggaran token, dan review untuk aksi berisiko. Jika fondasi script dan cron sudah ada, Hermes adalah lapisan yang membuat pekerjaan itu lebih mudah diarahkan dan dipantau dari satu tempat.