Hermes Agent เปลี่ยนโฉม Local AI ไปตลอดกาล: วิธีใช้งานด้วยตัวเองแบบง่ายๆ

นี่คือสิ่งที่เปลี่ยนแปลงไป ทำไมมันถึงสำคัญ และคู่มือแบบทีละขั้นตอนที่สมบูรณ์ในการรัน Hermes Agent บนเครื่องคอมพิวเตอร์ของคุณเองในเวลาประมาณ 30 นาที

เมื่อเดือนพฤษภาคมที่ผ่านมา NVIDIA ได้เผยแพร่โพสต์บล็อกที่ควรจะถูกพูดถึงมากกว่านี้

พาดหัวข่าวเกี่ยวกับฮาร์ดแวร์ Hermes Agent ที่ทำงานบนพีซี RTX และเวิร์กสเตชัน DGX Spark ใหม่ แต่เรื่องราวที่แท้จริงเบื้องหลังนั้นใหญ่กว่านั้นมาก

สามสิ่งเพิ่งมาบรรจบกัน ซึ่งเมื่อรวมกันแล้วเปลี่ยนแปลงสิ่งที่เคยเป็นไปได้:

1. Hermes Agent (Nous Research) เฟรมเวิร์กเอเจนต์แบบโอเพนซอร์สที่สร้างและปรับปรุงสกิลของตัวเองจากประสบการณ์ ข้าม 140,000 ดาวบน GitHub ในสามเดือน ปัจจุบันเป็นเอเจนต์ที่ถูกใช้มากที่สุดในโลกตามข้อมูลของ OpenRouter
2. Qwen 3.6 (Alibaba) โมเดล open-weight ใหม่ ซึ่งรุ่น 35B ทำงานได้ดีกว่าโมเดล 120B ของปีที่แล้ว และรุ่น 27B ก็เทียบเท่ากับสิ่งที่เคยต้องใช้พารามิเตอร์ 400B ทำงานบนหน่วยความจำประมาณ 20GB
3. DGX Spark (NVIDIA) เวิร์กสเตชันขนาดเท่าโต๊ะที่มีหน่วยความจำแบบรวม 128GB และประสิทธิภาพ AI ระดับ 1 petaflop ออกแบบมาเพื่อรันเอเจนต์อย่างต่อเนื่อง ตลอด 24 ชั่วโมง 7 วัน ในเครื่อง

จับคู่สามสิ่งนี้เข้าด้วยกัน คุณจะได้เอเจนต์ AI ส่วนตัวที่อยู่บนโต๊ะทำงานของคุณ (ไม่ใช่ในดาต้าเซ็นเตอร์) ทำงานอย่างต่อเนื่อง (ไม่ใช่ทีละเซสชัน) เรียนรู้จากเวิร์กโฟลว์ของคุณและสะสมความสามารถ ไม่เคยส่งข้อมูลของคุณไปที่ใด และมีค่าใช้จ่ายประมาณ $0/เดือนในการดำเนินการหลังการติดตั้งฮาร์ดแวร์

การพูดคุยเกี่ยวกับ "ว่า AI กำลังจะไปทางไหน" มักจะสรุปว่าคำตอบคือคลาวด์ นี่คือคำตอบที่น่าเชื่อถือคำตอบแรกที่บอกว่า: จริงๆ แล้ว อาจจะไม่ใช่

บทความนี้ครอบคลุมสองสิ่ง: (1) เหตุใด Hermes ถึงมีความสำคัญโดยเฉพาะ อะไรที่แตกต่างทางโครงสร้างจากเฟรมเวิร์กเอเจนต์อื่นๆ ที่คุณเคยได้ยิน และ (2) คู่มือแบบทีละขั้นตอนที่สมบูรณ์และเป็นปัจจุบันในการรันมันด้วยตัวเองบนเครื่องของคุณในเวลาประมาณ 30 นาที

หากคุณต้องการเฉพาะขั้นตอนการติดตั้ง ให้ข้ามไปที่ส่วน "วิธีรันจริงๆ" หากคุณต้องการรู้ เหตุผล ก่อน ซึ่งเป็นส่วนที่ทำให้การติดตั้งคุ้มค่า ให้อ่านต่อ

สิ่งที่ Hermes ทำจริงๆ (ส่วนที่สำคัญ)

"เอเจนต์ AI" ส่วนใหญ่ที่คุณเคยได้ยินเป็นเพียงส่วนห่อหุ้ม (wrapper) รอบการเรียก LLM คุณให้งานพวกมัน พวกมันทำ คุณให้งานอื่น พวกมันเริ่มจากศูนย์ พวกมันลืมสิ่งที่ใช้ได้เมื่อวานนี้ พวกมันไม่ได้เก่งขึ้น พวกมันมีประโยชน์ แต่พวกมันไม่ใช่ เอเจนต์ จริงๆ ในความหมายที่มีนัยสำคัญใดๆ พวกมันเป็นฟังก์ชันที่มีบุคลิกภาพ

Hermes แตกต่างออกไปในทางเทคนิคที่เฉพาะเจาะจง: มันเขียนสกิลของมันเอง

เมื่อ Hermes ทำงานที่ซับซ้อนเสร็จ เช่น "ค้นคว้าคู่แข่งห้ารายและทำการเปรียบเทียบ" มันไม่เพียงส่งผลลัพธ์ให้คุณเท่านั้น มันบันทึก ขั้นตอนการดำเนินการ เป็นไฟล์สกิลไว้ในดิสก์ ครั้งต่อไปที่คุณขอสิ่งที่คล้ายกัน มันจะไม่เริ่มต้นใหม่ มันจะเปิดสกิลของมันเอง รันมัน และปรับปรุงมันตามสิ่งที่ใช้ได้ผลและไม่ได้ผล

นี่ไม่ใช่คำกล่าวอ้างทางการตลาด Nous Research จัดส่งโครงสร้างพื้นฐานที่ใช้ DSPy + GEPA (Genetic-Pareto Prompt Evolution) เพื่อปรับปรุงสกิล คำอธิบายเครื่องมือ และ system prompt ของ Hermes โดยอัตโนมัติ การกลายพันธุ์จะถูกประเมิน สิ่งที่ดีที่สุดจะถูกเลื่อนขั้น การปรับปรุงสามารถวัดผลได้

เกณฑ์มาตรฐานอิสระสนับสนุนสิ่งนี้: เอเจนต์ที่ทำงานบน Hermes ด้วยสกิลที่สร้างขึ้นเอง 20+ สกิล ทำงานที่คล้ายกันในอนาคตได้เร็วกว่าโดยประมาณ 40% เมื่อเทียบกับอินสแตนซ์ใหม่ นั่นไม่ใช่ "ผลลัพธ์ที่ดีขึ้น 40%" นั่นคือ "ใช้เวลาและโทเค็นน้อยลง 40% เพื่อให้ได้ผลลัพธ์เดียวกัน"

คำสำคัญในสถาปัตยกรรมคือ ความคงอยู่ (persistent) Hermes ทำงานอย่างต่อเนื่องบนแล็ปท็อปของคุณ บนเซิร์ฟเวอร์ บน DGX Spark และหน่วยความจำและสกิลของมันก็สะสม หลังจากใช้งานหนึ่งเดือน Hermes ของคุณจะแตกต่างจากของคนอื่นจริงๆ มันรู้โค้ดเบสของคุณ มันรู้ธรรมเนียมปฏิบัติของคุณ มันรู้ว่าคุณชอบให้อธิบายสิ่งต่างๆ อย่างไร

เมื่อมองเห็น ความแตกต่างเป็นแบบนี้:

บน: แชทบอททั่วไปสูญเสียทุกอย่างระหว่างเซสชัน ล่าง: Hermes เขียนสกิลจากประสบการณ์และสร้างความทรงจำเกี่ยวกับรูปแบบของคุณ ความสามารถทวีคูณ

นอกจากนี้ยังมีสถาปัตยกรรมความทรงจำที่ควรกล่าวถึง: Hermes ใช้ระบบสามชั้น บันทึกถาวร (Persistent notes) (ความชอบของคุณ ธรรมเนียมปฏิบัติของโปรเจกต์ ใครเป็นใครในชีวิตการทำงานของคุณ) ประวัติเซสชันที่ค้นหาได้ (Searchable session history) (ทุกสิ่งที่เกิดขึ้น ถูกจัดทำดัชนีเพื่อการเรียกค้น) และ สกิลเชิงขั้นตอน (Procedural skills) (เวิร์กโฟลว์ที่เรียนรู้จริงๆ) โมเดลสามชั้นนี้คือสิ่งที่เฟรมเวิร์กอื่นๆ พยายามทำให้สำเร็จมาเป็นเวลาสองปี Hermes จัดส่งสิ่งที่ใช้การได้จริง

วิธีที่ Hermes ถูกสร้างขึ้น

นี่คือสถาปัตยกรรมในภาพเดียว:

คุณพูดคุยกับ Hermes ผ่าน CLI หรือเกตเวย์การส่งข้อความ Hermes จัดการการวางแผนงาน การเรียกเครื่องมือ การเขียนสกิล และเรียกเซิร์ฟเวอร์โมเดลท้องถิ่นสำหรับการอนุมาน ทุกอย่างคงอยู่ที่ ~/.hermes/ บนดิสก์ของคุณ

สามสิ่งที่ควรสังเกตในแผนภาพ:

หนึ่ง: เซิร์ฟเวอร์โมเดลท้องถิ่นเป็นส่วนที่แยกจาก Hermes เอง Hermes คือชั้นการจัดการงาน (orchestration layer) ตัววางแผน ตัวรันเครื่องมือ และตัวเขียนสกิล โมเดล (Qwen 3.6 ในการตั้งค่าที่แนะนำ) ทำหน้าที่คิดจริงๆ พวกมันเชื่อมต่อกันผ่าน API ที่เข้ากันได้กับ OpenAI บน localhost

สอง: สกิลและความทรงจำอยู่ใน ~/.hermes/ ไฟล์ markdown ธรรมดาบนดิสก์ คุณสามารถอ่านได้ คุณสามารถแก้ไขได้ คุณสามารถสำรองข้อมูลได้ เมื่อ Anthropic, OpenAI หรือบริษัทอื่นใดเปลี่ยนแปลงข้อกำหนดในวันพรุ่งนี้ สิ่งเหล่านี้จะไม่เปลี่ยนแปลงอะไรเลย มันเป็นของคุณ

สาม: เกตเวย์เป็นทางเลือกแต่เปลี่ยนรูปแบบการใช้งานได้อย่างมาก เมื่อคุณเชื่อมต่อ Hermes กับ Telegram หรือ Slack คุณจะหยุดคิดว่ามันเป็น "สิ่งที่ใช้ CLI บนแล็ปท็อปของฉัน" และเริ่มคิดว่ามันเป็น "AI ส่วนตัวของฉันที่ฉันสามารถส่งข้อความหาได้จากทุกที่"

เหตุใด Qwen 3.6 จึงทำให้สิ่งนี้เป็นไปได้

นี่คือส่วนที่มักหายไปในการประกาศ: Hermes ไม่ขึ้นอยู่กับโมเดล (model-agnostic) คุณสามารถชี้มันไปที่ GPT, Claude หรือโมเดลท้องถิ่นใดๆ ก็ได้ แต่มีเหตุผลที่โพสต์บล็อกของ NVIDIA จับคู่มันกับ Qwen 3.6 โดยเฉพาะ

จนกระทั่งเมื่อเร็วๆ นี้ การรันเวิร์กโฟลว์เอเจนต์ที่จริงจังในเครื่องหมายถึงการยอมรับหนึ่งในสองข้อจำกัด:

• ใช้โมเดลเล็กและเร็ว แล้วดูเอเจนต์ทำพลาดในงานหลายขั้นตอน
• ใช้โมเดลใหญ่และฉลาด แล้วยอมรับว่ารอบการอนุมานหนึ่งรอบใช้เวลา 90 วินาที

Qwen 3.6 เปลี่ยนสมการนี้ โมเดล 35B ทำงานได้ดีกว่าโมเดลพารามิเตอร์ 120B รุ่นก่อนหน้าที่ รอยเท้าหน่วยความจำประมาณหนึ่งในสาม โมเดล 27B แบบ dense มีความแม่นยำเทียบเท่ากับโมเดลพารามิเตอร์ 400B รุ่นเก่า เรากำลังพูดถึงการปรับปรุงประสิทธิภาพ 16 เท่าต่อหน่วยความฉลาดในเวลาไม่ถึงปี

สิ่งที่หมายถึงในทางปฏิบัติ: โมเดลที่ฉลาดพอที่จะวางแผน แบ่งงาน เขียนสกิลของตัวเอง และแก้ไขตัวเองได้ ตอนนี้พอดีกับหน่วยความจำ 20GB นั่นคือ GPU ระดับผู้บริโภคขั้นสูง และยังเป็นสิ่งที่ DGX Spark ตัวเดียวสามารถเก็บได้อย่างสบายๆ โดยมีที่ว่างเหลือสำหรับตัวเอเจนต์เอง

นี่คือช่องว่างที่ถูกปิดลง ปีที่แล้ว "เอเจนต์ท้องถิ่นที่ปรับปรุงตัวเองได้" ต้องใช้ฮาร์ดแวร์ดาต้าเซ็นเตอร์ ปีนี้ มันไม่จำเป็นอีกต่อไป

สิ่งนี้มีความหมายอย่างไรสำหรับคนทั่วไป

การรายงานข่าวส่วนใหญ่เกี่ยวกับการประกาศนี้ปฏิบัติต่อมันเป็นข่าวระดับองค์กร มันไม่ใช่ มันเป็นข่าว โครงสร้างพื้นฐานสำหรับผู้บริโภค นี่คือสิ่งที่มันหมายถึง ขึ้นอยู่กับว่าคุณเป็นใคร

หากคุณเป็นคนทำงานสายความรู้: ภายใน 12 เดือน คุณจะเลือกได้ระหว่างสมัครใช้บริการเอเจนต์บนคลาวด์ ($30/เดือน?) และรันเอเจนต์ท้องถิ่นที่เทียบเท่าได้บนฮาร์ดแวร์ของคุณเอง ($0 ต่อเนื่องหลังจากติดตั้ง) สำหรับงานที่ละเอียดอ่อนด้านความเป็นส่วนตัว เช่น ที่ปรึกษา สุขภาพ การเงิน กฎหมาย มันกำลังกลายเป็นตัวเลือกที่ชัดเจน

หากคุณเป็นนักพัฒนา: Hermes เป็นโอเพนซอร์สภายใต้สัญญาอนุญาต MIT คุณสามารถติดตั้งได้วันนี้บนแล็ปท็อปที่มีอยู่และจับคู่กับ LM Studio หรือ Ollama ที่รัน Qwen 3.6 ไม่ต้องใช้ DGX Spark คำถามเรื่องฮาร์ดแวร์นั้นเกี่ยวกับ คุณภาพชีวิต ไม่ใช่ความสามารถ เริ่มต้นจากสิ่งที่คุณมี

หากคุณเป็นผู้ก่อตั้งหรือผู้ดำเนินการ: สิ่งนี้สร้างแรงกดดันต่อตลาด SaaS เอเจนต์ทั้งหมด เครื่องมือที่ขาย "X ที่ขับเคลื่อนด้วย AI" ในราคา $20/เดือน ตอนนี้ต้องแข่งขันกับเอเจนต์ท้องถิ่นที่ทำสิ่งเดียวกันได้ฟรี เกม SaaS ที่ป้องกันได้คือเกมที่มีเครือข่าย ข้อมูล หรือเวิร์กโฟลว์ที่ไม่สามารถจำลองในเครื่องได้ เกมที่เปราะบางคือเกมที่เป็นแค่ "Claude ทาสีใหม่"

หากคุณอยู่ในอุตสาหกรรมความมั่นคงหรืออุตสาหกรรมที่มีการควบคุม: เรื่องอธิปไตยเหนือข้อมูล (data sovereignty) สำหรับ AI เพิ่มความแข็งแกร่งขึ้นอย่างมาก การบอกใครสักคนว่า "คุณไม่สามารถใช้ AI สำหรับงานนี้เพราะมันส่งข้อมูลไปยัง OpenAI" จะไม่เป็นข้อจำกัดอีกต่อไปเมื่อเอเจนต์ที่เทียบเท่ากันทำงานภายในองค์กรทั้งหมด

ตอนนี้ถึงส่วนที่การรายงานข่าวส่วนใหญ่มักข้ามไป วิธีรันสิ่งนี้ด้วยตัวเองจริงๆ

วิธีรันจริงๆ (การติดตั้งแบบสมบูรณ์)

โพสต์บล็อกของ NVIDIA บอกว่า "ไปที่ GitHub repo จับคู่กับโมเดลท้องถิ่น คุณก็พร้อมแล้ว" ประโยคนั้นข้ามการตัดสินใจจริงๆ ประมาณหกครั้งและข้อผิดพลาดที่อาจเกิดขึ้นสามประการ นี่คือการติดตั้งจริง เป็นภาษาไทยธรรมดา พร้อมกับจุดบกพร่องที่ถูกระบุ

สิ่งที่คุณจะต้องมี

ความจริงด้านฮาร์ดแวร์ที่ซื่อสัตย์ก่อนที่คุณจะเริ่ม Hermes สามารถทำงานกับ API ระยะไกล (Anthropic, OpenAI, OpenRouter, Nous Portal) แต่สิ่งนั้นก็ขัดกับจุดประสงค์ส่วนใหญ่ สำหรับการตั้งค่าแบบใช้เฉพาะที่ (local-only) ที่คู่มือนี้เน้น:

ฮาร์ดแวร์ของคุณ - ประสบการณ์จริง

RAM 8GB, กราฟิกในตัว - จะมีปัญหา ใช้ API คลาวด์แทน

RAM 16GB, GPU ระดับกลาง (RTX 3060/4060) - ทำงานได้กับโมเดลขนาดเล็ก ช้ากว่าแต่ใช้ได้

MacBook Pro M3/M4 พร้อมหน่วยความจำรวม 32GB+ - รัน Qwen 3.6 27B ได้อย่างราบรื่น มีประสิทธิภาพอย่างแท้จริง

เดสก์ท็อปที่มี RTX 3090/4090 - จุดที่เหมาะสมที่สุด รัน Qwen 3.6 35B ที่คุณภาพใกล้เคียงคลาวด์

NVIDIA DGX Spark หรือเวิร์กสเตชัน RTX PRO - สิ่งที่โพสต์ของ NVIDIA กำลังขาย เกินความจำเป็นสำหรับคนส่วนใหญ่

เส้นแบ่งที่ซื่อสัตย์: หากคุณสามารถรัน Qwen 3.6 27B หรือใหญ่กว่าในเครื่องได้ คุณจะมีประสบการณ์ Hermes ที่ยอดเยี่ยม หากทำไม่ได้ ให้ใช้เส้นทาง API คลาวด์ (ซึ่งง่ายกว่าอย่างมาก) ข้ามไปยังส่วน API คลาวด์ ที่ท้ายบทความหากนั่นคือเส้นทางของคุณ

คุณยังต้องมี:

• macOS, Linux หรือ Windows 11 พร้อม WSL2 (Hermes ต้องใช้สภาพแวดล้อม Unix; ผู้ใช้ Windows รันภายใน WSL2)
• พื้นที่ว่างในดิสก์อย่างน้อย 20 GB สำหรับโมเดล
• เวลา 30 นาทีโดยไม่ถูกรบกวน

ขั้นตอนที่ 1. ติดตั้งเซิร์ฟเวอร์โมเดลท้องถิ่นของคุณ (15 นาที)

เส้นทางที่ไม่ต้องใช้เทคนิคมากที่สุดคือ LM Studio เส้นทางที่ใช้เทคนิคมากที่สุดคือ Ollama ทั้งสองใช้ได้ เลือกอันใดอันหนึ่ง

ตัวเลือก A LM Studio (แนะนำสำหรับผู้ที่ไม่ใช่นักพัฒนา)

1. ไปที่ lmstudio.ai และดาวน์โหลดตัวติดตั้งสำหรับระบบปฏิบัติการของคุณ
2. ติดตั้งเหมือนแอปอื่นๆ ทั่วไป
3. เปิด LM Studio แล้วไปที่แท็บ Discover
4. ค้นหา Qwen 3.6 27B (หรือ 35B หากฮาร์ดแวร์ของคุณรองรับ)
5. เลือกเวอร์ชัน Q4 quantization ซึ่งเป็นจุดที่เหมาะสมที่สุดระหว่างขนาดและคุณภาพ
6. คลิก Download รอประมาณ 10-15 นาที
7. เมื่อดาวน์โหลดเสร็จ ให้สลับไปที่แท็บ Developer (เรียกว่า "Local Server" ในเวอร์ชันเก่า)
8. คลิก Load Model และเลือกโมเดล Qwen 3.6 ที่คุณเพิ่งดาวน์โหลด
9. สำคัญ: ในการตั้งค่า เปิดใช้งาน "Serve on Network" (มิฉะนั้นผู้ใช้ WSL2 จะไม่สามารถเข้าถึงได้)
10. คลิก Start Server โดยค่าเริ่มต้นจะรันที่ http://localhost:1234

ตรวจสอบว่ามันทำงาน: เปิดเบราว์เซอร์ของคุณ ไปที่ http://localhost:1234/v1/models คุณควรเห็นการตอบกลับเป็น JSON ที่แสดงรายการโมเดลที่คุณโหลด

ตัวเลือก B Ollama (แนะนำสำหรับนักพัฒนา)

1. ไปที่ ollama.com และดาวน์โหลดตัวติดตั้ง
2. ติดตั้ง
3. เปิดเทอร์มินัลแล้วรัน:

1ollama pull qwen3.6
2ollama serve

1. สิ่งนี้จะเริ่ม Ollama บนพอร์ต 11434 และดาวน์โหลดโมเดล Qwen 3.6

การตั้งค่า Ollama ที่สำคัญ ที่ทำให้ทุกคนสะดุด: Ollama ตั้งค่าเริ่มต้นเป็น หน้าต่างบริบทที่ต่ำมาก (มักจะเป็น 4K โทเค็น) Hermes ต้องการอย่างน้อย 64K ตั้งค่านี้ก่อนรัน:

1export OLLAMA_HOST=0.0.0.0
2ollama run qwen3.6 -c 65536

-c 65536 กำหนดบริบทเป็น 64K หากไม่มีสิ่งนี้ Hermes จะปฏิเสธโมเดลเมื่อเริ่มต้น เนื่องจาก system prompt + tool schemas เพียงอย่างเดียวก็เต็มหน้าต่างที่เล็กกว่าแล้ว

ขั้นตอนที่ 2. ติดตั้ง Hermes Agent (5 นาที)

Hermes มีสคริปต์ติดตั้งบรรทัดเดียว จากเทอร์มินัลของคุณ:

1GitHub → NousResearch/hermes-agent → scripts/install.sh

หากคุณใช้ Windows ให้รันสิ่งนี้จากภายใน WSL2 (เปิด Ubuntu/Debian จากเมนู Start ก่อน)

สคริปต์จะ:

• ดาวน์โหลด Hermes CLI ไปยังเครื่องของคุณ
• ตั้งค่าไดเร็กทอรีข้อมูลท้องถิ่น (โดยทั่วไปคือ ~/.hermes/)
• ติดตั้ง dependencies ที่จำเป็น (Node.js ฯลฯ) หากคุณยังไม่มี

เมื่อเสร็จสิ้น รีโหลดเชลล์ของคุณ:

1source ~/.bashrc   # หรือ ~/.zshrc ขึ้นอยู่กับเชลล์ของคุณ

ตรวจสอบการติดตั้ง:

1hermes --version

หากคุณเห็นหมายเลขเวอร์ชัน แสดงว่าพร้อมแล้ว

ขั้นตอนที่ 3. เชื่อมต่อ Hermes กับโมเดลท้องถิ่นของคุณ (5 นาที)

นี่คือจุดที่คู่มือการติดตั้งหลายๆ อันพูดคลุมเครือ นี่คือขั้นตอนที่แน่นอน

รัน:

1hermes model

คุณจะเห็นเมนูของผู้ให้บริการ เลื่อนลงไปด้านล่าง แล้วเลือก "Custom endpoint (self-hosted / vLLM / etc.)"

จากนั้น:

• URL: หากคุณใช้ LM Studio ให้ป้อน http://localhost:1234/v1 หากคุณใช้ Ollama ให้ป้อน http://localhost:11434/v1
• API Key: กด Enter เพื่อข้าม (เซิร์ฟเวอร์ท้องถิ่นไม่จำเป็นต้องใช้)
• Model name: LM Studio: ชื่อไฟล์ที่แน่นอนของโมเดลที่คุณโหลด (ดูในแท็บ "My Models" ของ LM Studio) Ollama: qwen3.6 (หรืออะไรก็ตามที่คุณดึงมา)

แค่นั้นแหละ ตอนนี้ Hermes ถูกกำหนดค่าให้ใช้โมเดลท้องถิ่นของคุณแล้ว

สำคัญ: ข้อกำหนดหน้าต่างบริบท 64K

Hermes ต้องการ บริบทอย่างน้อย 64K โทเค็น สิ่งนี้จับได้ทุกคนในครั้งแรก หากคุณเห็นข้อผิดพลาดเมื่อเริ่มต้นเช่น "Model context too small" การแก้ไขอยู่ที่ฝั่งเซิร์ฟเวอร์โมเดล ไม่ใช่ฝั่ง Hermes:

• LM Studio: เมื่อโหลดโมเดล ให้ขยายการตั้งค่าขั้นสูงและตั้งค่าความยาวบริบทเป็น 65536+
• Ollama: ใส่ -c 65536 เมื่อรันโมเดล
• llama.cpp: ใช้ -ctx-size 65536

หากไม่มีสิ่งนี้ จะไม่มีอะไรทำงาน อย่าข้ามขั้นตอนนี้

ขั้นตอนที่ 4. รันเซสชัน Hermes ครั้งแรกของคุณ (5 นาที)

ในเทอร์มินัลของคุณ:

1hermes

สิ่งนี้จะเริ่มเซสชัน Hermes แบบโต้ตอบ ในครั้งแรกที่คุณรัน Hermes จะถามคำถามเกี่ยวกับการเริ่มต้นใช้งานสองสามข้อ ยืนยันการเลือกโมเดลของคุณ เชื่อมต่อเกตเวย์ (Telegram, Discord, Slack ฯลฯ; คุณสามารถข้ามไปก่อนได้) จากนั้นคุณก็พร้อมเข้าใช้

ลองทำงานแรกที่ใช้ความสามารถที่แท้จริงของ Hermes:

"ค้นคว้าสถานะปัจจุบันของเฟรมเวิร์ก AI เชิงเอเจนต์ในปี 2026 โดยเน้นที่ระบบนิเวศโอเพนซอร์ส บันทึกสิ่งที่คุณเรียนรู้เป็นสกิล เพื่อให้เราสามารถต่อยอดในครั้งต่อไป"

ดูสิ่งที่เกิดขึ้น Hermes จะ:

1. แบ่งคำถามออกเป็นงานย่อย
2. สร้างเอเจนต์ย่อย (sub-agents) สำหรับงานคู่ขนานเมื่อมีประโยชน์
3. ค้นหาเว็บ อ่านแหล่งข้อมูล สังเคราะห์ข้อมูล
4. สร้างคำตอบที่มีโครงสร้าง
5. บันทึกขั้นตอนการดำเนินการเบื้องต้นเป็นสกิลบนดิสก์ ซึ่งสามารถดูได้ที่ ~/.hermes/skills/

ขั้นตอนสุดท้ายคือสิ่งที่ทำให้ Hermes แตกต่างจากแชทบอท ครั้งต่อไปที่คุณขอให้ Hermes ทำงานค้นคว้าที่เกี่ยวข้อง มันจะค้นหาและใช้สกิลที่มันเพิ่งสร้างขึ้นอีกครั้ง

พิมพ์ /exit เมื่อคุณเสร็จ

ขั้นตอนที่ 5. ตรวจสอบว่าสิ่งมหัศจรรย์เกิดขึ้นจริง

ข้อเสนอคุณค่าของ Hermes คือวงจรการปรับปรุงตัวเอง ตรวจสอบว่ามันทำงาน:

1ls ~/.hermes/skills/

คุณควรเห็นไฟล์ .md หนึ่งไฟล์ขึ้นไป ซึ่งเป็นขั้นตอนการดำเนินการที่ Hermes เรียนรู้ เปิดไฟล์ใดไฟล์หนึ่งในโปรแกรมแก้ไขข้อความ คุณจะเห็นเวิร์กโฟลว์ที่มีโครงสร้างพร้อมขั้นตอน เครื่องมือที่ใช้ และบันทึกเกี่ยวกับสิ่งที่ใช้ได้ผล

นี่คือฟีเจอร์หลัก หลังจากใช้งานหนึ่งเดือน ไดเร็กทอรีนี้จะมีสกิลประมาณ 20-50 สกิล แต่ละสกิลบันทึกว่า Hermes เรียนรู้ที่จะทำงานประเภทใดประเภทหนึ่งให้คุณได้อย่างไร สกิลเหล่านั้นทำให้งานต่อๆ ไปเร็วและแม่นยำยิ่งขึ้น

"แบบจำลองเชิงลึกว่าคุณคือใคร" ที่กล่าวถึงในโพสต์ของ NVIDIA อยู่ใน ~/.hermes/memory/ ความชอบของคุณ โปรเจกต์ของคุณ รูปแบบที่เกิดซ้ำของคุณ เปิดไฟล์เหล่านี้เช่นกัน พวกมันเป็น markdown ธรรมดา คุณสามารถอ่านและแก้ไขมันได้ด้วยตัวเองหากต้องการ

ทางเลือก: เชื่อมต่อเกตเวย์

ฟีเจอร์ที่ไม่ค่อยถูกพูดถึง: Hermes สามารถเข้าถึงได้จากแอปส่งข้อความ รัน:

1hermes gateway

คุณจะเห็นตัวเลือกสำหรับ Telegram, Discord, Slack, WhatsApp, Signal และอีเมล

ตัวที่ตั้งค่าง่ายที่สุดคือ Telegram:

1. ใน Telegram ค้นหา @BotFather และสร้างบอทใหม่ มันจะให้โทเค็นแก่คุณ
2. วางโทเค็นเมื่อ Hermes ขอ
3. เสร็จแล้ว ตอนนี้คุณสามารถส่งข้อความถึงบอทของคุณจาก Telegram และ Hermes จะตอบกลับ โดยทำงานในเครื่องบนเครื่องของคุณ โดยใช้โมเดลท้องถิ่นของคุณ

นี่คือช่วงเวลาที่การติดตั้งไม่รู้สึกเหมือน "สิ่งที่ใช้ CLI บนคอมพิวเตอร์ของฉัน" และเริ่มรู้สึกเหมือน "AI ส่วนตัวของฉัน" คุณสามารถส่งข้อความหามันจากโทรศัพท์ของคุณในขณะที่แล็ปท็อปของคุณอยู่ที่บ้านและทำงาน

สิ่งที่อาจผิดพลาดได้ (ปัญหาการติดตั้งที่พบบ่อย 5 ประการ)

ปัญหา 1: ข้อผิดพลาด "Model context too small" เมื่อเริ่มต้น วิธีแก้ไข: ตั้งค่าบริบทเป็นอย่างน้อย 64K บนเซิร์ฟเวอร์โมเดลของคุณ (ดูขั้นตอนที่ 3) นี่คือความล้มเหลวที่พบบ่อยที่สุด

ปัญหา 2: Hermes ไม่สามารถเชื่อมต่อกับโมเดลท้องถิ่นของคุณได้ วิธีแก้ไข: ยืนยันว่าเซิร์ฟเวอร์โมเดลของคุณทำงานอยู่และเข้าถึงได้ ทดสอบด้วย curl <http://localhost:1234/v1/models> (LM Studio) หรือ curl <http://localhost:11434/v1/models> (Ollama) หากคุณได้ JSON กลับมา แสดงว่าเซิร์ฟเวอร์ทำงานปกติ ให้ตรวจสอบการกำหนดค่า URL ของ Hermes ของคุณอีกครั้ง

ปัญหา 3: WSL2 ไม่สามารถเข้าถึงเซิร์ฟเวอร์โมเดลที่โฮสต์บน Windows ได้ วิธีแก้ไข: บน Windows 11 22H2+ ให้เปิดใช้งานโหมดเครือข่ายแบบมิเรอร์ (mirrored networking mode) ของ WSL2 หรือรันเซิร์ฟเวอร์โมเดลของคุณภายใน WSL2 แทนที่จะรันบนโฮสต์ Windows

ปัญหา 4: Hermes ทำงานช้า วิธีแก้ไข: เกือบจะแน่นอนว่าเป็นที่โมเดล ไม่ใช่ Hermes ลองใช้โมเดลที่เล็กกว่า (Qwen 3.6 8B แทน 35B) หรือ quantization ที่รุนแรงกว่า (Q4 แทน Q6) หากคุณใช้ CPU เท่านั้น ให้คาดหวังความช้าได้เลย เวิร์กโหลดนี้ต้องการ GPU

ปัญหา 5: Hermes "ลืม" สิ่งต่างๆ ระหว่างเซสชัน วิธีแก้ไข: ตรวจสอบว่า ~/.hermes/ มีไฟล์อยู่จริงหรือไม่ หากมันว่างเปล่า แสดงว่าการติดตั้งของคุณไม่สมบูรณ์ ให้รันสคริปต์ติดตั้งอีกครั้ง

ทางลัด API คลาวด์ (หากฮาร์ดแวร์ของคุณไม่สามารถรองรับการทำงานในเครื่องได้)

หากเครื่องของคุณไม่สามารถรันโมเดล 27B+ ได้จริงๆ และคุณยังต้องการลองใช้ Hermes:

1. ข้ามขั้นตอนที่ 1, 3 และบันทึกเกี่ยวกับ "บริบท"
2. หลังจากติดตั้ง Hermes (ขั้นตอนที่ 2) ให้รัน hermes model
3. เลือกผู้ให้บริการคลาวด์ OpenRouter, Nous Portal หรือ Anthropic เป็นตัวเลือกที่ราบรื่นที่สุด
4. เพิ่มคีย์ API ของคุณ
5. ส่วนที่เหลือของการติดตั้งเหมือนเดิม Hermes ยังคงทำงานในเครื่องบนเครื่องของคุณ มันแค่เรียกโมเดลคลาวด์สำหรับการคิด

วิธีนี้มีค่าใช้จ่ายต่อโทเค็นแทนที่จะเป็น $0 แต่คุณจะได้รับประสบการณ์ เอเจนต์ (ความจำ สกิล การปรับปรุงตัวเอง) บนฮาร์ดแวร์ที่ไม่สามารถรันโมเดลในเครื่องได้

ข้อกังวลที่ซื่อสัตย์

สามสิ่งที่ต้องคิดก่อนที่คุณจะสรุปว่าสิ่งนี้เปลี่ยนแปลงทุกอย่างในชั่วข้ามคืน

การปรับปรุงตัวเองมีรูปแบบความล้มเหลว วงจรเดียวกับที่ทำให้ Hermes ดีขึ้นสามารถทำให้มันประหลาดมากขึ้นได้ เอเจนต์ที่ปรับปรุง prompt ของตัวเองสามารถเลื่อนลอยออกจากเป้าหมายที่แท้จริงของคุณอย่างเงียบๆ Nous Research จัดส่งมาตรการป้องกัน (guardrails) การทดสอบการถดถอย (regression tests) เกตประเมินผล (evaluation gates) เวิร์กโฟลว์ "บล็อกการกลายพันธุ์ที่ไม่ดี" แต่มาตรการป้องกันเหล่านั้นต้องการการบำรุงรักษาอย่างต่อเนื่อง หากคุณปรับใช้ Hermes แล้วหยุดดู คุณอาจไม่สังเกตเห็นเมื่อมันเริ่มผิดพลาดอย่างละเอียด

ความปลอดภัยเป็นคำถามที่แท้จริง เอเจนต์ที่เขียนสกิลของตัวเอง ติดตั้ง MCP server และรันโค้ดบนเครื่องของคุณเป็นพื้นผิวการโจมตีใหม่ การวางยาพิษสกิล (Skill poisoning) การฉีด prompt ผ่านเนื้อหาที่ดึงมา (prompt injection through fetched content) เครื่องมือที่เป็นอันตราย สิ่งเหล่านี้ไม่ใช่ข้อกังวลเชิงทฤษฎี ปฏิบัติต่อเอเจนต์เหมือนซอฟต์แวร์ที่รันได้ ไม่ใช่ผู้ช่วยที่เป็นมิตร

เรื่องราวของฮาร์ดแวร์ยังคงหยาบในรายละเอียดปลีกย่อย DGX Spark เป็นผลิตภัณฑ์จริง แต่มันก็มีราคาแพง อุปทานจำกัด และผู้วิจารณ์ส่วนใหญ่ยังไม่สามารถใช้งานมันได้จริง เรื่องราว Hermes บนแล็ปท็อปนั้นใช้ได้ดีในวันนี้ เรื่องราว Hermes บน DGX Spark จะใช้เวลาหนึ่งไตรมาสในการเติบโตเต็มที่

ไม่มีสิ่งใดบ่อนทำลายวิทยานิพนธ์หลักที่ใหญ่กว่า พวกมันเป็นเพียงเครื่องหมายดอกจันที่ผู้ปฏิบัติงานที่ซื่อสัตย์ทุกคนควรรู้

สิ่งที่ฉันจะทำจริงๆ ในวันหยุดสุดสัปดาห์นี้

หากคุณยังใหม่กับ Hermes และมีฮาร์ดแวร์ที่เหมาะสม นี่คือเส้นทางที่ฉันจะเลือก:

1. ติดตั้ง LM Studio + Qwen 3.6 27B 15 นาที
2. ติดตั้ง Hermes 5 นาที
3. กำหนดค่า Hermes สำหรับ LM Studio 5 นาที
4. ตั้งค่าหน้าต่างบริบทเป็น 65536 (จุดบกพร่อง) 1 นาที
5. รันงานแรกของคุณ 5 นาที
6. จากนั้นไม่ต้องสนใจอย่างอื่นเป็นเวลาหนึ่งสัปดาห์ ใช้ Hermes ทุกวันสำหรับงานจริง ดูไดเร็กทอรีสกิลเติมเต็ม

อย่าพยายามปรับให้เหมาะสม ปรับแต่ง หรือเพิ่มเกตเวย์ในตอนนี้ จุดรวมของ Hermes คือวงจรการปรับปรุงตัวเอง และมันจะทำงานก็ต่อเมื่อคุณใช้มันสำหรับงานจริงเมื่อเวลาผ่านไป ใช้สัปดาห์แรกของคุณในการใช้งานมัน ไม่ใช่ปรับแต่งมัน

ภายในสัปดาห์ที่สอง คุณจะรู้ว่านี่คือเฟรมเวิร์กเอเจนต์ที่จะเปลี่ยนวิธีที่คุณทำงาน หรือว่าฮาร์ดแวร์/กรณีการใช้งานของคุณไม่เหมาะสม ผลลัพธ์ทั้งสองอย่างเป็นข้อมูลที่มีประโยชน์

ภาพที่ใหญ่กว่า

เป็นเวลาสองปีที่เรื่องเล่าหลักคือ: AI ดีขึ้นโดยการใหญ่ขึ้น และใหญ่ขึ้นหมายถึงคลาวด์ นัยก็คือ AI ที่จริงจังอยู่ที่อื่น และงานของคุณคือเรียกใช้มัน

Hermes + Qwen 3.6 + DGX Spark เป็นเรื่องเล่าโต้แย้งเรื่องแรกที่น่าเชื่อถือ AI ที่จริงจังสามารถอยู่บนโต๊ะทำงานของคุณได้ มันสามารถปรับปรุงตัวเองได้ มันสามารถทำงานอย่างต่อเนื่องได้ มันสามารถรู้สิ่งต่างๆ เกี่ยวกับคุณที่คุณไม่เคยใส่ในระบบคลาวด์ การประนีประนอมที่เคยทำให้ AI ท้องถิ่นเป็นโปรเจกต์ของมือสมัครเล่น (ช้ากว่า โง่กว่า ยุ่งยากกว่า) กำลังหายไปในทุกไตรมาส

สิ่งนี้ไม่ได้ฆ่า AI คลาวด์ โมเดลแนวหน้า (frontier models) จะยังคงอยู่ในดาต้าเซ็นเตอร์ การใช้เหตุผลที่ยากที่สุดจะยังคงเกิดขึ้นในวงกว้าง แต่สำหรับ 80% ของงานเชิงเอเจนต์ที่เป็นการทำตามรูปแบบ การดำเนินการตามเวิร์กโฟลว์ และการรักษาบริบท สิ่งเหล่านั้นกำลังย้ายไปยังเครื่องของคุณ

ซึ่งหมายความว่าหลายสิ่งเปลี่ยนแปลงไปในภายหลัง คูเมืองการแข่งขัน (competitive moat) สำหรับ "SaaS ที่ขับเคลื่อนด้วย AI" จะบางลง เรื่องราวอธิปไตยเหนือข้อมูลสำหรับองค์กรจะง่ายขึ้น พื้นฐานความเป็นส่วนตัวสำหรับบุคคลจะสูงขึ้น ค่าใช้จ่ายในการรันเอเจนต์เปลี่ยนจาก "ต่อคำขอ" เป็น "ตัดจำหน่ายผ่านฮาร์ดแวร์ที่คุณมีอยู่แล้ว"

การประกาศนี้เป็นจุดข้อมูลเดียว แต่เส้นโค้งที่มันตั้งอยู่เป็นสิ่งที่สำคัญที่สุดใน AI เชิงเอเจนต์ในขณะนี้ และแทบไม่มีใครนอก Hacker News ที่กำลังอ่านมันในแบบนั้น

นั่นคือส่วนที่ไม่มีใครบอกคุณ

หากสิ่งนี้มีประโยชน์ - ติดตามช่อง Telegram ของฉัน:

[https://t.me/+ygATQAt9sUM1N2U6