ここで変わったこと、その重要性、そして Hermes Agent を自分のコンピュータで約 30 分で実行するための完全なステップバイステップガイドをお届けします。
5 月、NVIDIA はもっと注目されるべきブログ記事を公開しました。
見出しは RTX PC と新しい DGX Spark ワークステーション上で動作するハードウェア Hermes Agent についてです。しかし、その背後にある実際のストーリーはもっと大きなものです。
3 つの要素が同時に収束し、それらが組み合わさることで、これまで不可能だったことが可能になりました。
- Hermes Agent（Nous Research）は、経験から独自のスキルを作成し洗練させるオープンソースのエージェントフレームワークです。3 か月で GitHub スター数が 140,000 を超えました。OpenRouter によると、現在世界で最も使用されているエージェントです。
- Qwen 3.6（Alibaba）は、新しいオープンウェイトモデルで、35B バージョンは昨年の 120B モデルを上回り、27B はかつて 400B パラメータを必要としたものに匹敵します。約 20GB のメモリで動作します。
- DGX Spark（NVIDIA）は、128GB のユニファイドメモリと 1 ペタフロップスの AI 性能を備えたデスクサイズのワークステーションです。エージェントを 24 時間 365 日、継続的にローカルで実行するために設計されています。
これら 3 つを組み合わせると、机の上（データセンターではなく）に置かれ、継続的に（セッションごとではなく）動作し、ワークフローから学習して機能を蓄積し、データをどこにも送信せず、ハードウェア導入後は月額約 0 ドルで運用できる、パーソナル AI エージェントが手に入ります。
「 AI の行き先」についての議論は、通常、答えはクラウドにあると想定しています。これこそが、「いや、実際はそうではないかもしれない」と示す初めての信頼できる答えです。
この記事では、2 つのことを取り上げます。（1）なぜ Hermes が特に重要なのか、あなたが聞いたことのある他のエージェントフレームワークと構造的に何が違うのか、（2）約 30 分で自分自身のマシンで実行するための、完全で最新のステップバイステップガイドです。
セットアップ手順だけが必要な場合は、「実際の実行方法」セクションに進んでください。「なぜ」を先に知りたい場合、つまりセットアップを行う価値がある部分については、読み進めてください。
Hermes が実際に行うこと（重要な部分）
あなたが聞いたことのあるほとんどの「 AI エージェント」は、LLM 呼び出しのラッパーに過ぎません。タスクを与えれば実行し、別のタスクを与えれば最初からやり直します。昨日うまくいったことを忘れてしまいます。上達もしません。便利ではありますが、意味のある意味で本当の「エージェント」ではなく、単なる性格を持った関数です。
Hermes は、特定の技術的な方法で異なります。それは独自のスキルを記述します。
Hermes が複雑なタスク（例えば、「5 つの競合他社を調査し、比較表を作成する」）を完了すると、出力を渡すだけではありません。その手順をスキルファイルとしてディスクに保存します。次回、類似したことを依頼すると、最初からやり直すことはありません。自身のスキルを開き、それを実行し、うまくいったことといかなかったことに基づいて改善します。
これはマーケティング上の主張ではありません。Nous Research は、DSPy と GEPA（遺伝的パレート・プロンプト進化）を使用して Hermes 自身のスキル、ツールの説明、システムプロンプトを自動的に最適化するインフラストラクチャを提供しています。突然変異が評価され、最も優れたものが昇格します。改善は測定可能です。
独立したベンチマークがこれを裏付けています。20 以上の自己生成スキルを持つ Hermes 上で動作するエージェントは、新しいインスタンスと比較して、将来の類似タスクを完了する速度が約 40% 高速です。これは「出力が 40% 向上」という意味ではありません。「同じ結果を得るための時間とトークンが 40% 削減される」という意味です。
アーキテクチャにおけるキーワードは永続的です。Hermes はラップトップ、サーバー、 DGX Spark 上で継続的に実行され、そのメモリとスキルは蓄積されます。1 か月使用すると、あなたの Hermes は他の誰のものとも真に異なるものになります。あなたのコードベースを知っています。あなたの規則を知っています。あなたが説明をどのように好むかを知っています。
視覚的には、その違いは次のようになります。
上：典型的なチャットボットはセッション間ですべてを失います。下：Hermes は経験からスキルを記述し、あなたのパターンの記憶を構築します。能力は複利的に成長します。
また、言及に値するメモリアーキテクチャがあります。Hermes は 3 層システムを使用しています。永続的なメモ（あなたの好み、プロジェクトの規則、仕事上の人間関係）、検索可能なセッション履歴（発生したすべてのこと、検索用にインデックス化）、そして手続き的スキル（実際に学習されたワークフロー）です。この 3 層モデルは、他のフレームワークが 2 年間達成しようとしてきたものです。Hermes は、機能するものをリリースしました。
Hermes の構築方法
アーキテクチャを 1 枚の図で示します。
あなたは CLI またはメッセージングゲートウェイを介して Hermes と対話します。Hermes は作業の計画、ツールの呼び出し、スキルの記述を調整し、推論のためにローカルモデルサーバーを呼び出します。すべてはディスク上の ~/.hermes/ に保存されます。
図の中で注目すべき 3 つの点：
1 つ目： ローカルモデルサーバーは Hermes 自体とは別のコンポーネントです。Hermes はオーケストレーション層、つまりプランナー、ツールランナー、スキルライターです。モデル（推奨セットアップでは Qwen 3.6）が実際の思考を行います。これらは localhost 上の OpenAI 互換 API を介して接続されます。
2 つ目： スキルとメモリは ~/.hermes/ にあります。ディスク上のプレーンマークダウンファイルです。読むことも、編集することも、バックアップすることもできます。Anthropic、OpenAI、またはその他の企業が明日利用規約を変更しても、これは変わりません。それはあなたのものです。
3 つ目： ゲートウェイはオプションですが、変革をもたらします。 Hermes を Telegram や Slack に接続すると、「ラップトップ上の CLI ツール」ではなく、「どこからでもテキストメッセージを送信できる、私のパーソナル AI」として考えるようになります。
Qwen 3.6 がこれを可能にする理由
発表で見落とされがちな点は次のとおりです。 Hermes はモデルに依存しません。GPT、Claude、または任意のローカルモデルを指定できます。しかし、NVIDIA のブログ記事が特に Qwen 3.6 と組み合わせているのには理由があります。
ごく最近まで、本格的なエージェントワークフローをローカルで実行するには、2 つの妥協点のいずれかを受け入れる必要がありました。
- 小型で高速なモデルを使用すると、エージェントがマルチステップタスクでつまずくのを見守る
- 大型でスマートなモデルを使用すると、1 回の推論サイクルに 90 秒かかることを受け入れる
Qwen 3.6 がその計算式を変えました。35B モデルは、前世代の 120B パラメータモデルを約 3 分の 1 のメモリフットプリントで上回ります。27B の高密度モデルは、古い 400B パラメータモデルの精度に匹敵します。1 年足らずで、知能単位あたりの効率が 16 倍向上したことになります。
これが実際に意味することは次のとおりです。計画、タスク分解、独自スキルの記述、自己修正を行うのに十分なほどスマートなモデルが、20GB のメモリに収まるようになりました。これはハイエンドのコンシューマー GPU です。また、エージェント自体のための余裕を残して、単一の DGX Spark が快適に保持できる容量とまったく同じです。
閉じられたのはこのギャップです。昨年、「自己改善型ローカルエージェント」にはデータセンターのハードウェアが必要でした。今年は必要ありません。
これが一般ユーザーにとって意味すること
この発表に関するほとんどすべての報道は、エンタープライズ向けのニュースとして扱っています。しかし、そうではありません。これはコンシューマー向けインフラのニュースです。あなたが誰であるかに応じて、これが何を意味するかを以下に示します。
知識労働者の場合： 12 か月以内に、クラウドエージェントサービス（月額 30 ドル？）に加入するか、同等のローカルエージェントを自分のハードウェアで（セットアップ後は継続費用 0 ドル）実行するかの選択を迫られるでしょう。コンサルティング、医療、金融、法律など、プライバシーに配慮した業務においては、明白な選択肢になりつつあります。
開発者の場合： Hermes は MIT ライセンスのオープンソースです。現在お使いのラップトップに今日インストールして、 Qwen 3.6 を実行している LM Studio や Ollama と組み合わせることができます。 DGX Spark は必要ありません。ハードウェアの問題は、能力ではなく生活の質に関するものです。お持ちのものから始めてください。
創業者や事業主の場合： これは SaaS エージェント市場全体に圧力をかけます。「 AI 搭載の X」を月額 20 ドルで販売するツールは、同じことを無料で行うローカルエージェントと競合することになります。防御可能な SaaS の展開は、ローカルでは複製できないネットワーク、データ、またはワークフローを持つものです。脆弱なものは、単に「ペンキを塗り直した Claude」に過ぎないものです。
セキュリティや規制産業に従事している場合： AI に関するデータ主権のストーリーは、はるかに強力になりました。「データを OpenAI に送信するため、この作業に AI を使用できない」と誰かに伝えることは、同等のエージェントが完全にオンプレミスで実行される場合、制約ではなくなります。
それでは、ほとんどの報道が省略している部分、つまりこれを実際に自分で実行する方法について説明します。
実際の実行方法（完全なセットアップ）
NVIDIA のブログ記事には、「GitHub リポジトリにアクセスし、ローカルモデルと組み合わせれば準備完了です。」とあります。その一文は、約 6 つの実際の決定事項と 3 つの潜在的な落とし穴を省略しています。ここでは、実際のセットアップを平易な英語で、落とし穴にも触れながら説明します。
必要なもの
始める前の正直なハードウェアの現実。 Hermes はリモート API（Anthropic、OpenAI、OpenRouter、Nous Portal）で実行できますが、それではほとんどの意味が失われます。このガイドで焦点を当てるローカルのみのセットアップの場合：
お使いのハードウェア - 現実的な体験
8GB RAM、統合グラフィックス - 動作に難儀します。代わりにクラウド API を使用してください。
16GB RAM、ミッドレンジ GPU（RTX 3060/4060） - 小型モデルで動作します。低速ですが使用可能です。
MacBook Pro M3/M4、32GB+ ユニファイドメモリ - Qwen 3.6 27B をスムーズに実行します。真に生産的です。
RTX 3090/4090 搭載デスクトップ - スイートスポット。 Qwen 3.6 35B をクラウドに近い品質で実行します。
NVIDIA DGX Spark または RTX PRO ワークステーション - NVIDIA の投稿が販売しようとしているもの。ほとんどの人にはオーバースペックです。
正直な線引き： ローカルで Qwen 3.6 27B 以上を実行できるなら、素晴らしい Hermes 体験が得られます。できない場合は、クラウド API ルート（はるかに簡単です）を使用してください。それがあなたのルートの場合は、最後のクラウド APIセクションに進んでください。
さらに必要なもの：
- macOS、Linux、または WSL2 を搭載した Windows 11（ Hermes は Unix 環境を必要とします。Windows ユーザーは WSL2 内で実行します）
- モデル用に少なくとも 20 GB の空きディスク容量
- 中断されない 30 分間
ステップ 1. ローカルモデルサーバーのインストール（15 分）
最も技術的でないパスは LM Studio です。最も技術的なパスは Ollama です。どちらも機能します。いずれかを選んでください。
オプション A LM Studio（非開発者におすすめ）
- lmstudio.ai にアクセスし、お使いの OS 用のインストーラをダウンロードします
- 他のアプリと同様にインストールします
- LM Studio を開き、Discover タブに移動します
- Qwen 3.6 27B（ハードウェアが対応できる場合は 35B）を検索します
- Q4 量子化バージョンを選択します。サイズと品質のバランスが最適です
- Download をクリックします。10 〜 15 分待ちます
- ダウンロードが完了したら、Developer タブ（古いバージョンでは "Local Server" と呼ばれます）に切り替えます
- Load Model をクリックし、ダウンロードした Qwen 3.6 モデルを選択します
- 重要：設定で、"Serve on Network" を有効にします（有効にしないと、WSL2 ユーザーがアクセスできません）
- Start Server をクリックします。デフォルトでは http://localhost:1234 で実行されます
動作していることを確認します。ブラウザを開き、http://localhost:1234/v1/models にアクセスします。ロードされたモデルをリストする JSON 応答が表示されるはずです。
オプション B Ollama（開発者におすすめ）
- ollama.com にアクセスし、インストーラをダウンロードします
- インストールします
- ターミナルを開き、次のコマンドを実行します。
1ollama pull qwen3.62ollama serve
- これにより Ollama がポート 11434 で起動し、 Qwen 3.6 モデルがダウンロードされます
全員がつまずく重要な Ollama 設定： Ollama はデフォルトで非常に低いコンテキストウィンドウ（多くの場合 4K トークン）に設定されています。 Hermes には少なくとも 64K が必要です。実行前にこれを設定してください。
1export OLLAMA_HOST=0.0.0.02ollama run qwen3.6 -c 65536
-c 65536 はコンテキストを 64K に設定します。これがないと、システムプロンプトとツールスキーマだけで小さなウィンドウを埋めてしまうため、 Hermes は起動時にモデルを拒否します。
ステップ 2. Hermes Agent のインストール（5 分）
Hermes には 1 行のインストールスクリプトが付属しています。ターミナルから次のコマンドを実行します。
1GitHub → NousResearch/hermes-agent → scripts/install.sh
Windows の場合は、WSL2 内からこれを実行します（最初にスタートメニューから Ubuntu/Debian を開いてください）。
スクリプトは以下を行います。
- Hermes CLI をマシンにダウンロードします
- ローカルデータディレクトリ（通常は ~/.hermes/）をセットアップします
- 必要な依存関係（Node.js など）がまだない場合はインストールします
完了したら、シェルをリロードします。
1source ~/.bashrc # または ~/.zshrc（シェルによって異なります）
インストールを確認します。
1hermes --version
バージョン番号が表示されれば、準備完了です。
ステップ 3. Hermes をローカルモデルに接続する（5 分）
ここで多くのセットアップガイドがあいまいにします。正確な流れは次のとおりです。
次のコマンドを実行します。
1hermes model
プロバイダのメニューが表示されます。一番下までスクロールし、"Custom endpoint (self-hosted / vLLM / etc.)" を選択します。
次に、以下を入力します。
- URL: LM Studio を使用した場合は、http://localhost:1234/v1 と入力します。Ollama を使用した場合は、http://localhost:11434/v1 と入力します。
- API Key: Enter キーを押してスキップします（ローカルサーバーには必要ありません）。
- Model name: LM Studio の場合：ロードしたモデルの正確なファイル名です（LM Studio の "My Models" タブで確認します）。Ollama の場合：qwen3.6（またはプルしたもの）です。
これで完了です。 Hermes がローカルモデルを使用するように設定されました。
重要：64K コンテキストウィンドウの要件
Hermes には少なくとも 64K トークンのコンテキストが必要です。これは誰もが初めてつまずく点です。起動時に "Model context too small" のようなエラーが表示された場合、修正は Hermes 側ではなく、モデルサーバー側で行います。
- LM Studio: モデルをロードするときに、詳細設定を展開し、コンテキスト長を 65536 以上に設定します。
- Ollama: モデル実行時に
-c 65536を渡します。 - llama.cpp:
-ctx-size 65536を使用します。
これがないと、他の何も機能しません。スキップしないでください。
ステップ 4. 最初の Hermes セッションを実行する（5 分）
ターミナルで次のコマンドを実行します。
1hermes
これで対話型の Hermes セッションが開始されます。初回実行時、 Hermes はいくつかのオンボーディング質問をします。モデルの選択を確認し、オプションでゲートウェイ（Telegram、Discord、Slack など。今はスキップできます）を接続すると、準備完了です。
Hermes の実際の機能を試す最初のタスクを試してみましょう。
「2026 年におけるエージェンティック AI フレームワークの現状を、オープンソースエコシステムに焦点を当てて調査してください。学んだことをスキルとして保存し、次回に活用できるようにしてください。」
何が起こるか見てみましょう。 Hermes は以下のことを行います。
- 質問をサブタスクに分解します
- 必要に応じて並行作業のためにサブエージェントを生成します
- ウェブを検索し、ソースを読み、統合します
- 構造化された応答を生成します
- 基礎となる手順をスキルとしてディスクに保存します（~/.hermes/skills/ で確認できます）
最後のステップが、 Hermes をチャットボットと区別するものです。次回、関連する調査タスクを Hermes に依頼すると、先ほど作成したスキルを見つけて再利用します。
終了したら /exit と入力します。
ステップ 5. 魔法が実際に起こったことを確認する
Hermes の価値提案は自己改善のループです。それが機能していることを確認します。
1ls ~/.hermes/skills/
1 つ以上の .md ファイルが表示されるはずです。これらは Hermes の学習済み手順です。任意のテキストエディタで開いてください。手順、使用されたツール、うまくいったことに関するメモを含む、構造化されたワークフローが表示されます。
これがキラーフィーチャーです。1 か月使用すると、このディレクトリには 20 〜 50 のスキルが蓄積され、それぞれが Hermes が特定の種類のタスクをあなたのために実行する方法を学習した方法を捉えています。これらのスキルにより、その後のすべてのタスクがより高速かつ正確になります。
NVIDIA の投稿で言及されている「あなたが誰であるかの深まるモデル」は、~/.hermes/memory/ にあります。あなたの好み、プロジェクト、繰り返し発生するパターンです。これらのファイルも開いてください。プレーンマークダウンです。必要に応じて、自分で読んだり編集したりすることもできます。
オプション：ゲートウェイに接続する
あまり言及されていない機能： Hermes はメッセージングアプリからアクセスできます。次のコマンドを実行します。
1hermes gateway
Telegram、Discord、Slack、WhatsApp、Signal、メールのオプションが表示されます。
最も簡単にセットアップできるのは Telegram です。
- Telegram で @BotFather を検索し、新しいボットを作成します。トークンが発行されます。
- Hermes がトークンを尋ねたら、貼り付けます。
- 完了です。これで、Telegram からボットにメッセージを送信すると、 Hermes が応答します。これはローカルマシン上でローカルモデルを使用して実行されています。
この瞬間、セットアップは「コンピュータ上の CLI ツール」から「私のパーソナル AI」へと変わります。ラップトップが自宅で作業をしている間、スマートフォンからテキストメッセージを送信できます。
起こりうる問題（最も一般的なセットアップの問題 5 つ）
問題 1：起動時に "Model context too small" エラーが発生する。 修正方法：モデルサーバーでコンテキストを少なくとも 64K に設定します（ステップ 3 参照）。これは最も一般的な失敗です。
問題 2： Hermes がローカルモデルに接続できない。 修正方法：モデルサーバーが実行中でアクセス可能であることを確認します。curl <http://localhost:1234/v1/models>（LM Studio）または curl <http://localhost:11434/v1/models>（Ollama）でテストします。JSON が返ってきた場合はサーバーは正常です。 Hermes の URL 設定を再確認してください。
問題 3：WSL2 が Windows ホストのモデルサーバーにアクセスできない。 修正方法：Windows 11 22H2+ で、WSL2 ミラーリングネットワークモードを有効にします。または、Windows ホスト上ではなく、WSL2 内部でモデルサーバーを実行します。
問題 4： Hermes が遅い。 修正方法：ほぼ間違いなく、 Hermes ではなくモデルが原因です。より小さなモデル（Qwen 3.6 8B など）またはより積極的な量子化（Q6 ではなく Q4）を試してください。 CPU のみの場合は、遅さを想定してください。このワークロードは GPU を必要とします。
問題 5： Hermes がセッション間で「忘れる」。 修正方法：~/.hermes/ に実際にファイルがあることを確認します。空の場合は、インストールが正しく完了していません。インストールスクリプトを再実行してください。
クラウド API ショートカット（ハードウェアがローカル対応できない場合）
お使いのマシンが 27B 以上のモデルをどうしても実行できず、それでも Hermes を試したい場合：
- ステップ 1、3、および「コンテキスト」に関するメモをスキップします
- Hermes をインストールした後（ステップ 2）、
hermes modelを実行します - クラウドプロバイダ（OpenRouter、Nous Portal、または Anthropic が最もスムーズです）を選択します
- API キーを追加します
- 残りのセットアップは同じです。 Hermes は引き続きローカルマシン上で実行されますが、思考のためにクラウドモデルを呼び出します
この方法はトークンごとにコストがかかり、無料ではありませんが、モデルをローカルで実行できないハードウェア上でエージェント体験（メモリ、スキル、自己改善）を得ることができます。
正直な懸念事項
これが一夜にしてすべてを変えると考える前に、考慮すべき 3 つの点があります。
自己改善には失敗モードがあります。 Hermes をより良くする同じループが、それをより奇妙にする可能性もあります。自身のプロンプトを最適化するエージェントは、静かにあなたの実際の目標から逸脱する可能性があります。Nous Research はガードレール（回帰テスト、評価ゲート、「悪い突然変異をブロックする」ワークフロー）を提供していますが、これらのガードレールには積極的なメンテナンスが必要です。 Hermes を導入して監視をやめると、それが微妙に間違った動作を始めていることに気付かないかもしれません。
セキュリティは実際の問題です。 独自のスキルを記述し、MCP サーバーをインストールし、あなたのマシン上でコードを実行するエージェントは、新たな攻撃対象領域です。スキルポイズニング、取得したコンテンツを介したプロンプトインジェクション、悪意のあるツールなど、これらは理論上の懸念事項ではありません。エージェントをフレンドリーなアシスタントではなく、実行可能ソフトウェアとして扱ってください。
ハードウェアのストーリーにはまだ粗い部分があります。 DGX Spark は実際の製品ですが、高価で供給が制約されており、ほとんどのレビュアーはまだ実際に触れていません。ラップトップ上の Hermes のストーリーは今日では問題ありません。 DGX Spark 上の Hermes のストーリーは、四半期をかけて成熟する必要があります。
これらはいずれも、より大きなテーゼを損なうものではありません。これらは、誠実な実践者であれば誰でも知っておくべき注釈にすぎません。
今週末に実際に行うこと
Hermes が初めてで、適切なハードウェアをお持ちの場合、私が取るルートは次のとおりです。
- LM Studio + Qwen 3.6 27B をインストール 15 分
- Hermes をインストール 5 分
- Hermes を LM Studio 用に設定 5 分
- コンテキストウィンドウを 65536 に設定（落とし穴） 1 分
- 最初のタスクを実行 5 分
- その後、1 週間は他のことはすべて無視します。 実際の仕事で Hermes を毎日使用してください。スキルディレクトリが埋まっていくのを見守ってください。
まだ最適化、カスタマイズ、ゲートウェイの追加は試みないでください。 Hermes の要点は自己改善のループであり、それは実際のタスクに長期間使用した場合にのみ機能します。最初の 1 週間は微調整ではなく使用に費やしてください。
2 週目までには、これが仕事のやり方を変えるエージェントフレームワークなのか、それともあなたのハードウェアやユースケースに適さないのかがわかるでしょう。どちらの結果も有用なデータです。
大局的な視点
2 年間、支配的なナラティブは次のとおりでした。 AI は大型化することで向上し、大型化はクラウドを意味する。その含意は、本格的な AI はどこか別の場所に存在し、あなたの仕事はそれを呼び出すことであるというものです。
Hermes + Qwen 3.6 + DGX Spark は、初めての信頼できる対抗ナラティブです。本格的な AI はあなたの机の上に置くことができます。それは自己改善できます。それは継続的に実行できます。それは、クラウドシステムには決して入れないあなたに関する情報を知ることができます。 かつてローカル AI を趣味のプロジェクト（遅く、愚かで、扱いにくい）にしていた妥協は、四半期ごとに消え去っています。
これはクラウド AI を駆逐するものではありません。フロンティアモデルは引き続きデータセンターに存在するでしょう。最も困難な推論は、依然として大規模に行われるでしょう。しかし、エージェント作業の 80% を占めるパターン追従、ワークフロー実行、コンテキスト保持は、あなたのマシンに移行しつつあります。
つまり、多くのことが下流で変化します。「 AI 搭載 SaaS」の競争上の堀は薄くなります。エンタープライズにとってのデータ主権のストーリーは容易になります。個人にとってのプライバシーの下限は高くなります。エージェントの実行コストは、「リクエストごと」から「すでに所有しているハードウェアに償却」へと変わります。
この発表は、単一のデータポイントです。しかし、それが位置する軌道は、エージェンティック AI において現在最も重要なものであり、 Hacker News 以外のほとんど誰もそのように解釈していません。
それが誰もあなたに教えていない部分です。
これが役に立ったなら - 私の telegram チャンネルをフォローしてください：
