Hermes Agent Yerel Yapay Zekayı Sonsuza Dek Değiştirdi: İşte Kendi Bilgisayarınızda Nasıl Çalıştıracağınız

İşte neyin değiştiği, neden önemli olduğu ve Hermes Agent'ı kendi bilgisayarınızda yaklaşık 30 dakikada çalıştırmak için eksiksiz adım adım kılavuz.

NVIDIA, Mayıs ayında olması gerekenden daha fazla yankı uyandırması gereken bir blog yazısı yayınladı.

Başlıkta donanımdan bahsediliyor: RTX PC'lerde çalışan Hermes Agent ve yeni DGX Spark iş istasyonu. Ancak altında yatan asıl hikaye çok daha büyük.

Bir araya gelen üç gelişme, birlikte ele alındığında mümkün olanı değiştiriyor:

1. Hermes Agent (Nous Research): Deneyimlerinden kendi becerilerini oluşturan ve geliştiren açık kaynaklı bir ajan çerçevesi. Üç ayda 140.000 GitHub yıldızını aştı. OpenRouter'a göre artık dünyada en çok kullanılan ajan.
2. Qwen 3.6 (Alibaba): 35B versiyonu geçen yılın 120B modellerinden daha iyi performans gösteren ve 27B versiyonu eskiden 400B parametre gerektiren işleri başaran yeni bir açık ağırlıklı model. Yaklaşık 20 GB bellek ile çalışıyor.
3. DGX Spark (NVIDIA): 128 GB birleşik bellek ve 1 petaflop AI performansına sahip masaüstü boyutunda bir iş istasyonu. Ajanları sürekli, 7/24, yerel olarak çalıştırmak üzere tasarlandı.

Bu üçünü bir araya getirdiğinizde, masanızda (bir veri merkezinde değil) yaşayan, sürekli çalışan (oturumdan oturuma değil), iş akışlarınızdan öğrenen ve yeteneklerini biriktiren, verilerinizi hiçbir yere göndermeyen ve donanımdan sonra aylık yaklaşık 0$'a çalışan kişisel bir AI asistanınız olur.

"AI'nın nereye gittiği" ile ilgili tartışmalar genellikle cevabın bulut olduğunu varsayar. Bu, "aslında, belki de değil" diyen ilk güvenilir cevap.

Bu makale iki konuyu kapsıyor: (1) Hermes'in neden özellikle önemli olduğu, duyduğunuz diğer tüm ajan çerçevelerinden yapısal olarak neyin farklı olduğu ve (2) onu kendi makinenizde yaklaşık 30 dakikada çalıştırmak için eksiksiz, güncel adım adım kılavuz.

Sadece kurulum adımlarını istiyorsanız, "Nasıl çalıştırılır" bölümüne atlayın. Önce nedenini - kurulumu yapmaya değer kılan kısmı - istiyorsanız okumaya devam edin.

Hermes'in Gerçekte Ne Yaptığı (Önemli Olan Kısım)

Duyduğunuz çoğu "AI ajanı", aslında bir LLM çağrısının etrafına sarılmış sarmalayıcılardır. Onlara bir görev verirsiniz, yaparlar, başka bir görev verirsiniz, sıfırdan başlarlar. Dün neyin işe yaradığını unuturlar. Gelişmezler. Kullanışlıdırlar, ancak gerçek anlamda ajan değillerdir - kişiliğe sahip fonksiyonlardır.

Hermes, belirli, teknik bir şekilde farklıdır: kendi becerilerini kendisi yazar.

Hermes karmaşık bir görevi tamamladığında - örneğin, "beş rakibi araştır ve bir karşılaştırma çıkar" - size sadece çıktıyı vermez. Prosedürü diskte bir beceri dosyası olarak kaydeder. Bir dahaki sefere benzer bir şey istediğinizde, sıfırdan başlamaz. Kendi becerisini açar, çalıştırır ve neyin işe yarayıp yaramadığına göre onu geliştirir.

Bu bir pazarlama iddiası değil. Nous Research, Hermes'in kendi becerilerini, araç açıklamalarını ve sistem istemlerini otomatik olarak optimize etmek için DSPy + GEPA (Genetik-Pareto İstem Evrimi) kullanan bir altyapı sağlıyor. Mutasyonlar değerlendirilir. En iyileri terfi eder. İyileştirmeler ölçülebilir.

Bağımsız karşılaştırmalar bunu destekliyor: 20'den fazla kendi kendine oluşturulmuş beceriye sahip Hermes üzerinde çalışan ajanlar, benzer gelecekteki görevleri yeni başlayan örneklere göre yaklaşık %40 daha hızlı tamamlıyor. Bu "%40 daha iyi çıktı" değil. Bu "aynı sonucu elde etmek için %40 daha az zaman ve token."

Mimarideki anahtar kelime kalıcılık. Hermes dizüstü bilgisayarınızda, bir sunucuda, DGX Spark'ta sürekli çalışır ve belleği ile becerileri birikir. Bir aylık kullanımdan sonra, sizin Hermes'iniz diğerlerininkinden gerçekten farklıdır. Kod tabanınızı bilir. Alışkanlıklarınızı bilir. Bir şeylerin nasıl açıklanmasını sevdiğinizi bilir.

Görsel olarak fark şöyle görünür:

Üstte: tipik bir sohbet robotu oturumlar arasında her şeyi kaybeder. Altta: Hermes deneyimlerden beceriler yazar ve desenlerinizin hafızasını oluşturur. Yetenek birikir.

Bahsetmeye değer bir hafıza mimarisi daha var: Hermes üç katmanlı bir sistem kullanır. Kalıcı notlar (tercihleriniz, proje alışkanlıklarınız, iş hayatınızda kimin kim olduğu), aranabilir oturum geçmişi (olan her şey, geri getirme için indekslenmiş) ve prosedürel beceriler (gerçek öğrenilmiş iş akışları). Diğer çerçevelerin iki yıldır oturtmaya çalıştığı şey bu üç katmanlı modeldir. Hermes çalışan bir model sunmuştur.

Hermes Nasıl İnşa Edildi

İşte tek resimde mimari:

Hermes ile CLI veya mesajlaşma ağ geçitleri aracılığıyla konuşursunuz. Hermes iş planlamasını, araç çağrılarını, beceri yazmayı organize eder ve çıkarım için yerel bir model sunucusunu çağırır. Her şey diskinizdeki ~/.hermes/ dizinine kaydedilir.

Diyagramda dikkat edilmesi gereken üç şey:

Birincisi: yerel model sunucusu, Hermes'in kendisinden ayrı bir parçadır. Hermes orkestrasyon katmanıdır - planlayıcı, araç çalıştırıcı ve beceri yazarı. Model (önerilen kurulumda Qwen 3.6) gerçek düşünmeyi yapar. Birbirlerine localhost üzerinden OpenAI uyumlu bir API ile bağlanırlar.

İkincisi: beceriler ve hafıza ~/.hermes/ dizininde yaşar. Disk üzerinde düz Markdown dosyaları. Onları okuyabilir, düzenleyebilir, yedekleyebilirsiniz. Anthropic, OpenAI veya başka bir şirket yarın şartlarını değiştirdiğinde, bunların hiçbiri değişmez - onlar sizindir.

Üçüncüsü: ağ geçitleri isteğe bağlıdır ancak dönüştürücüdür. Hermes'i Telegram veya Slack'e bağladığınızda, onu "dizüstü bilgisayarımdaki bir CLI şeyi" olarak düşünmeyi bırakıp "her yerden mesaj atabileceğim kişisel AI asistanım" olarak düşünmeye başlarsınız.

Bunu Qwen 3.6 Mümkün Kılıyor

Duyuruda gözden kaçan kısım şu: Hermes modelden bağımsızdır. Onu GPT, Claude veya herhangi bir yerel modele yönlendirebilirsiniz. Ancak NVIDIA'nın blog yazısında onu özellikle Qwen 3.6 ile eşleştirmesinin bir nedeni var.

Çok yakın zamana kadar, ciddi ajan iş akışlarını yerel olarak çalıştırmak, iki uzlaşmadan birini kabul etmek anlamına geliyordu:

• Küçük, hızlı bir model kullanın ve ajanın çok adımlı görevlerde tökezlemesini izleyin
• Büyük, akıllı bir model kullanın ve tek bir çıkarım döngüsünün 90 saniye sürmesini kabul edin

Qwen 3.6 matematiği değiştirdi. 35B modeli, önceki nesil 120B parametreli modellerden bellek ayak izinin yaklaşık üçte biri ile daha iyi performans gösteriyor. 27B yoğun model, eski 400B parametreli modellerin doğruluğuna eşleşiyor. Bir yıldan kısa bir sürede, zeka birimi başına 16 kat verimlilik iyileştirmesinden bahsediyoruz.

Bunun pratikte anlamı: planlama, görevleri parçalara ayırma, kendi becerilerini yazma ve kendi kendini düzeltme yeteneğine sahip bir model artık 20 GB belleğe sığıyor. Bu, üst düzey bir tüketici GPU'su. Ayrıca, tek bir DGX Spark'ın ajanın kendisi için yer kalacak şekilde rahatça tuttuğu miktar.

Kapanan boşluk işte buydu. Geçen yıl, "kendini geliştiren yerel ajan" veri merkezi donanımı gerektiriyordu. Bu yıl, gerektirmiyor.

Bunun Sıradan İnsanlar İçin Anlamı

Bu duyurunun çoğu kapsamı, onu kurumsal haber olarak ele alıyor. Öyle değil. Bu tüketici altyapısı haberi. İşte kim olduğunuza bağlı olarak bunun anlamı.

Bir bilgi çalışanıysanız: 12 ay içinde, bir bulut ajan hizmetine abone olmak (ayda 30$?) ile kendi donanımınızda karşılaştırılabilir bir yerel ajanı çalıştırmak (kurulumdan sonra 0$ devam eden maliyet) arasında seçim yapıyor olacaksınız. Gizliliğe duyarlı işler için - danışmanlık, sağlık, finans, hukuk - bariz seçim haline geliyor.

Bir geliştiriciyseniz: Hermes, MIT lisansı altında açık kaynaktır. Bugün mevcut dizüstü bilgisayarınıza kurabilir ve Qwen 3.6 çalıştıran LM Studio veya Ollama ile eşleştirebilirsiniz. DGX Spark gerekmez. Donanım sorunu yaşam kalitesiyle ilgilidir, yetenekle değil. Sahip olduğunuzla başlayın.

Bir kurucu veya operatörseniz: Bu, tüm SaaS ajan pazarına baskı uyguluyor. Ayda 20$'a "AI destekli X" satan araçlar, artık aynı şeyi ücretsiz yapan yerel bir ajanla rekabet ediyor. Savunulabilir SaaS oyunları, ağlara, verilere veya yerel olarak kopyalanamayan iş akışlarına sahip olanlardır. Savunmasız olanlar ise sadece "bir kat boya ile Claude" olanlardır.

Güvenlik veya düzenlemeye tabi sektörlerdeyseniz: AI için veri egemenliği hikayesi çok daha güçlü hale geldi. Birine "bu iş için AI kullanamazsın çünkü verileri OpenAI'e gönderiyor" demek, karşılaştırılabilir bir ajan tamamen şirket içinde çalıştığında artık bir kısıtlama olmaktan çıkıyor.

Şimdi çoğu kapsamın atladığı kısma geliyoruz. Bunu kendiniz nasıl çalıştıracağınız.

Nasıl Çalıştırılır (Eksiksiz Kurulum)

NVIDIA'nın blog yazısı "GitHub deposunu ziyaret edin, yerel bir modelle eşleştirin, hazırsınız" diyor. Bu cümle, yaklaşık altı gerçek kararın ve üç potansiyel tuzakların üzerinden atlıyor. İşte gerçek kurulum, sade Türkçe, tuzaklar belirtilmiş halde.

Neye ihtiyacınız olacak

Başlamadan önce dürüst donanım gerçekliği. Hermes, uzak bir API (Anthropic, OpenAI, OpenRouter, Nous Portal) ile çalışabilir, ancak bu amacın çoğunu boşa çıkarır. Bu kılavuzun odaklandığı yerel kurulum için:

Donanımınız - Gerçekçi Deneyim

8 GB RAM, tümleşik grafik - Zorlanacaktır. Bunun yerine bulut API'sini kullanın.

16 GB RAM, orta seviye GPU (RTX 3060/4060) - Daha küçük modellerle çalışır. Daha yavaş ama kullanılabilir.

MacBook Pro M3/M4, 32 GB+ birleşik bellek - Qwen 3.6 27B'yi sorunsuz çalıştırır. Gerçekten üretken.

RTX 3090/4090 ile masaüstü bilgisayar - Tatlı nokta. Qwen 3.6 35B'yi bulut kalitesine yakın çalıştırır.

NVIDIA DGX Spark veya RTX PRO iş istasyonu - NVIDIA yazısının sattığı şey. Çoğu kişi için gereksiz.

Dürüst çizgi: Qwen 3.6 27B veya daha büyük bir modeli yerel olarak çalıştırabiliyorsanız, harika bir Hermes deneyimi yaşarsınız. Çalıştıramıyorsanız, bulut API yolunu kullanın (ki bu çok daha basittir). Bu sizin yolunuzsa, sonundaki Bulut API bölümüne atlayın.

Ayrıca şunlara da ihtiyacınız var:

• macOS, Linux veya WSL2 ile Windows 11 (Hermes bir Unix ortamı gerektirir; Windows kullanıcıları onu WSL2 içinde çalıştırır)
• Model için en az 20 GB boş disk alanı
• 30 dakika kesintisiz zaman

Adım 1. Yerel Model Sunucunuzu Kurun (15 dakika)

En teknik olmayan yol LM Studio'dur. En teknik yol Ollama'dır. İkisi de çalışır. Birini seçin.

Seçenek A: LM Studio (geliştirici olmayanlar için önerilir)

1. lmstudio.ai adresine gidin ve işletim sisteminiz için yükleyiciyi indirin
2. Diğer uygulamalar gibi kurun
3. LM Studio'yu açın ve Discover sekmesine gidin
4. Qwen 3.6 27B (veya donanımınız kaldırabiliyorsa 35B) için arama yapın
5. Q4 niceleme sürümünü seçin - boyut ve kalite açısından tatlı noktadır
6. Download'a tıklayın. 10-15 dakika bekleyin
7. İndirme tamamlandıktan sonra, Developer sekmesine (eski sürümlerde "Local Server" olarak adlandırılır) geçin
8. Load Model'e tıklayın ve az önce indirdiğiniz Qwen 3.6 modelini seçin
9. Önemli: ayarlarda "Serve on Network" seçeneğini etkinleştirin (aksi takdirde WSL2 kullanıcıları ona erişemez)
10. Start Server'a tıklayın - varsayılan olarak http://localhost:1234 adresinde çalışır

Çalıştığını doğrulayın: tarayıcınızı açın, http://localhost:1234/v1/models adresine gidin. Yüklenen modelinizi listeleyen bir JSON yanıtı görmelisiniz.

Seçenek B: Ollama (geliştiriciler için önerilir)

1. ollama.com adresine gidin ve yükleyiciyi indirin
2. Kurun
3. Bir terminal açın ve çalıştırın:

1ollama pull qwen3.6
2ollama serve

1. Bu, Ollama'yı 11434 portunda başlatır ve Qwen 3.6 modelini indirir

Herkesi zorlayan kritik Ollama ayarı: Ollama varsayılan olarak çok düşük bağlam penceresine (genellikle 4K token) sahiptir. Hermes'in en az 64K'ya ihtiyacı vardır. Çalıştırmadan önce bunu ayarlayın:

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

-c 65536 bağlamı 64K'ya ayarlar. Bu olmadan, Hermes modeli başlangıçta reddedecektir çünkü sistem istemi + araç şemaları tek başına daha küçük pencereyi doldurur.

Adım 2. Hermes Agent'ı Kurun (5 dakika)

Hermes, tek satırlık bir kurulum betiği sunar. Terminalinizden:

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

Windows'taysanız, bunu WSL2 içinden çalıştırın (önce Başlat menünüzden Ubuntu/Debian'ı açın).

Betik şunları yapar:

• Hermes CLI'yı makinenize indirir
• Yerel bir veri dizini oluşturur (genellikle ~/.hermes/)
• Gerekli bağımlılıkları (Node.js vb.) yoksa kurar

Bittiğinde, kabuğunuzu yeniden yükleyin:

1source ~/.bashrc   # veya ~/.zshrc, kabuğunuza bağlı olarak

Kurulumu doğrulayın:

1hermes --version

Bir sürüm numarası görürseniz, hazırsınız.

Adım 3. Hermes'i Yerel Modelinize Bağlayın (5 dakika)

Birçok kurulum kılavuzunun üstünkörü geçtiği yer burasıdır. İşte tam akış.

Çalıştırın:

1hermes model

Bir sağlayıcı menüsü göreceksiniz. En alta kaydırın ve "Custom endpoint (self-hosted / vLLM / etc.)" seçeneğini seçin.

Ardından:

• URL: LM Studio kullandıysanız, http://localhost:1234/v1 girin. Ollama kullandıysanız, http://localhost:11434/v1 girin.
• API Key: Devam etmek için Enter'a basın (yerel sunucuların buna ihtiyacı yoktur)
• Model name: LM Studio: yüklediğiniz modelin tam dosya adı (LM Studio'nun "My Models" sekmesine bakın) Ollama: qwen3.6 (veya ne çektiyseniz)

İşte bu kadar. Hermes artık yerel modelinizi kullanacak şekilde yapılandırıldı.

Önemli: 64K bağlam penceresi gereksinimi

Hermes, en az 64K token bağlam gerektirir. Bu herkesi ilk seferde yakalar. Başlangıçta "Model context too small" gibi bir hata görürseniz, düzeltme Hermes tarafında değil, model sunucu tarafındadır:

• LM Studio: Modeli yüklerken, gelişmiş ayarları genişletin ve bağlam uzunluğunu 65536+ olarak ayarlayın
• Ollama: Modeli çalıştırırken -c 65536 parametresini geçin
• llama.cpp: --ctx-size 65536 kullanın

Bu olmadan, başka hiçbir şey çalışmaz. Bunu atlamayın.

Adım 4. İlk Hermes Oturumunuzu Çalıştırın (5 dakika)

Terminalinizde:

1hermes

Bu, etkileşimli Hermes oturumunu başlatır. İlk çalıştırdığınızda, Hermes birkaç başlangıç sorusu sorar: model seçiminizi onaylayın, isteğe bağlı olarak bir ağ geçidi bağlayın (Telegram, Discord, Slack, vb.; şimdilik atlayabilirsiniz) ve içeridesiniz.

Hermes'in gerçek yeteneklerini kullanacak bir ilk görev deneyin:

"2026'daki ajan AI çerçevelerinin mevcut durumunu, açık kaynak ekosistemine odaklanarak araştır. Öğrendiklerini bir beceri olarak kaydet ki bir dahaki sefere üzerine inşa edebilelim."

Ne olduğunu izleyin. Hermes şunları yapacaktır:

1. Soruyu alt görevlere ayırır
2. Gerektiğinde paralel çalışma için alt ajanlar oluşturur
3. Web'de arama yapar, kaynakları okur, sentezler
4. Yapılandırılmış bir yanıt üretir
5. Temel prosedürü diskte bir beceri olarak kaydeder - ~/.hermes/skills/ dizininde görünür

Son adım, Hermes'i bir sohbet robotundan ayıran şeydir. Bir dahaki sefere Hermes'ten ilgili bir araştırma görevi yapmasını istediğinizde, az önce oluşturduğu beceriyi bulacak ve yeniden kullanacaktır.

İşiniz bittiğinde /exit yazın.

Adım 5. Sihrin Gerçekten Gerçekleştiğini Doğrulayın

Hermes'in değer önerisi, kendini geliştiren döngüdür. Çalıştığını doğrulayın:

1ls ~/.hermes/skills/

Bir veya daha fazla .md dosyası görmelisiniz - bunlar Hermes'in öğrenilmiş prosedürleridir. Herhangi bir metin düzenleyicide birini açın. Adımlar, kullanılan araçlar ve neyin işe yaradığına dair notlar içeren yapılandırılmış bir iş akışı göreceksiniz.

İşte öldürücü özellik budur. Bir aylık kullanımdan sonra, bu dizinde 20-50 beceri olacak ve her biri Hermes'in sizin için belirli bir tür görevi nasıl yapacağını öğrendiğini gösterecektir. Bu beceriler, sonraki her görevi daha hızlı ve daha doğru hale getirir.

NVIDIA'nın yazısında bahsedilen "kim olduğunuzun derinleşen modeli", ~/.hermes/memory/ dizininde yaşar - tercihleriniz, projeleriniz, tekrar eden desenleriniz. Bu dosyaları da açın. Düz Markdown'dırlar. İsterseniz onları kendiniz okuyabilir ve düzenleyebilirsiniz.

İsteğe Bağlı: Bir Ağ Geçidi Bağlayın

Az bahsedilen özellik: Hermes'e mesajlaşma uygulamalarından ulaşılabilir. Çalıştırın:

1hermes gateway

Telegram, Discord, Slack, WhatsApp, Signal ve e-posta seçeneklerini göreceksiniz.

Kurulumu en kolay olan Telegram'dır:

1. Telegram'da @BotFather'ı arayın ve yeni bir bot oluşturun. Size bir token verecektir.
2. Hermes istediğinde token'ı yapıştırın.
3. Tamam. Artık botunuza Telegram'dan mesaj gönderebilirsiniz ve Hermes, yerel makinenizde çalışarak, yerel modelinizi kullanarak yanıt verecektir.

İşte bu an, kurulumun "bilgisayarımdaki bir CLI şeyi" gibi hissettirmekten çıkıp "kişisel AI asistanım" gibi hissettirmeye başladığı andır. Dizüstü bilgisayarınız evde işi yaparken, telefonunuzdan ona mesaj atabilirsiniz.

Yanlış Gidebilecek Şeyler (En Yaygın 5 Kurulum Sorunu)

Sorun 1: Başlangıçta "Model bağlamı çok küçük" hatası. Çözüm: Model sunucunuzda bağlamı en az 64K olarak ayarlayın (Adım 3'e bakın). Bu en yaygın başarısızlıktır.

Sorun 2: Hermes yerel modelinize bağlanamıyor. Çözüm: Model sunucunuzun çalıştığını ve erişilebilir olduğunu doğrulayın. curl http://localhost:1234/v1/models (LM Studio) veya curl http://localhost:11434/v1/models (Ollama) ile test edin. JSON yanıtı alırsanız, sunucu çalışıyordur - Hermes URL yapılandırmanızı tekrar kontrol edin.

Sorun 3: WSL2, Windows'ta çalışan model sunucusuna erişemiyor. Çözüm: Windows 11 22H2+ üzerinde, WSL2 yansıtmalı ağ modunu etkinleştirin. Veya model sunucunuzu Windows ana bilgisayarı yerine WSL2 içinde çalıştırın.

Sorun 4: Hermes yavaş. Çözüm: Neredeyse kesinlikle sorun modeldedir, Hermes'te değil. Daha küçük bir model (35B yerine Qwen 3.6 8B) veya daha agresif bir niceleme (Q6 yerine Q4) deneyin. Yalnızca CPU kullanıyorsanız, yavaşlık bekleyin - bu bir GPU isteyen bir iş yüküdür.

Sorun 5: Hermes oturumlar arasında şeyleri "unutuyor". Çözüm: ~/.hermes/ dizininde gerçekten dosya olup olmadığını kontrol edin. Boşsa, kurulumunuz düzgün tamamlanmamıştır. Kurulum betiğini yeniden çalıştırın.

Bulut API Kısayolu (Donanımınız Yereli Kaldıramıyorsa)

Makineniz gerçekten 27B+ bir modeli çalıştıramıyorsa ve yine de Hermes'i denemek istiyorsanız:

1. Adım 1, 3 ve "bağlam" notlarını atlayın
2. Hermes'i kurduktan sonra (Adım 2), hermes model komutunu çalıştırın
3. Bir bulut sağlayıcısı seçin - OpenRouter, Nous Portal veya Anthropic en sorunsuz olanlardır
4. API anahtarınızı ekleyin
5. Kurulumun geri kalanı aynıdır - Hermes hala makinenizde yerel olarak çalışır, sadece düşünme işlemi için bir bulut modelini çağırır

Bu, token başına 0$ yerine maliyet doğurur, ancak modelleri yerel olarak çalıştıramayan donanımda ajan deneyimini (hafıza, beceriler, kendini geliştirme) yaşamanızı sağlar.

Dürüst Endişeler

Bunun her şeyi bir gecede değiştireceğini varsaymadan önce düşünmeniz gereken üç şey.

Kendini geliştirmenin başarısızlık modları vardır. Hermes'i daha iyi yapan aynı döngü, onu daha tuhaf da yapabilir. Kendi istemlerini optimize eden bir ajan, sessizce gerçek hedeflerinizden uzaklaşabilir. Nous Research, güvenlik önlemleri sunuyor - regresyon testleri, değerlendirme kapıları, "kötü mutasyonları engelle" iş akışları - ancak bu önlemler aktif bakım gerektirir. Hermes'i dağıtıp izlemeyi bırakırsanız, incelikli bir şekilde yanlış olmaya başladığını fark etmeyebilirsiniz.

Güvenlik gerçek bir sorundur. Kendi becerilerini yazan, MCP sunucuları kuran ve makinenizde kod çalıştıran ajanlar yeni bir saldırı yüzeyidir. Beceri zehirleme, getirilen içerik yoluyla istem enjeksiyonu, kötü niyetli araçlar - bunlar teorik endişeler değildir. Ajanı dost canlısı bir asistan değil, çalıştırılabilir yazılım olarak ele alın.

Donanım hikayesi hala pürüzlü kenarlara sahip. DGX Spark gerçek bir ürün, ancak aynı zamanda pahalı, tedarik kısıtlı ve çoğu incelemecinin henüz eline geçmedi. Hermes-dizüstü-bilgisayar hikayesi bugün için iyi; Hermes-DGX-Spark hikayesinin olgunlaşması bir çeyrek sürecek.

Bunların hiçbiri daha büyük tezi baltalamıyor. Bunlar sadece her dürüst uygulayıcının bilmesi gereken dipnotlardır.

Bu Hafta Sonu Gerçekte Ne Yapardım

Hermes'te yeniyseniz ve iyi bir donanımınız varsa, izleyeceğim yol şöyle:

1. LM Studio + Qwen 3.6 27B kurun - 15 dakika
2. Hermes'i kurun - 5 dakika
3. Hermes'i LM Studio için yapılandırın - 5 dakika
4. Bağlam penceresini 65536 olarak ayarlayın (zorluk) - 1 dakika
5. İlk görevinizi çalıştırın - 5 dakika
6. Sonra bir hafta boyunca diğer her şeyi görmezden gelin. Hermes'i günlük işler için kullanın. Beceri dizininin dolmasını izleyin.

Henüz optimize etmeye, özelleştirmeye veya ağ geçitleri eklemeye çalışmayın. Hermes'in tüm amacı kendini geliştirme döngüsüdür ve bu döngü yalnızca onu gerçek görevler için zamanla kullanırsanız devreye girer. İlk haftanızı onu kullanarak geçirin, ayarlayarak değil.

İkinci haftaya kadar, bunun çalışma şeklinizi değiştiren ajan çerçevesi mi olduğunu, yoksa donanımınızın/kullanım durumunuzun uygun olmadığını mı anlayacaksınız. Her iki sonuç da yararlı veridir.

Daha Büyük Resim

İki yıldır, hakim anlatı şöyleydi: AI büyüyerek daha iyi hale gelir ve büyümek bulut anlamına gelir. Bunun anlamı, ciddi AI'nın başka bir yerde yaşadığı ve sizin işinizin ona dışarıdan çağrı yapmak olduğudur.

Hermes + Qwen 3.6 + DGX Spark, ilk güvenilir karşı anlatıdır. Ciddi AI masanızda yaşayabilir. Kendini geliştirebilir. Sürekli çalışabilir. Hakkınızda asla bir bulut sistemine koymayacağınız şeyleri bilebilir. Yerel AI'yı bir hobi projesi haline getiren uzlaşmalar - daha yavaş, daha aptal, daha uğraştırıcı - her geçen çeyrek buharlaşıyor.

Bu, bulut AI'yı öldürmez. Sınır modelleri veri merkezlerinde yaşamaya devam edecek. En zor akıl yürütmeler hala ölçekte gerçekleşecek. Ancak ajan işlerinin %80'i için - desen takibi, iş akışı yürütme ve bağlam tutma - bunlar makinenize taşınıyor.

Bu da aşağı akışta birçok şeyin değiştiği anlamına geliyor. "AI destekli SaaS" için rekabet avantajı inceliyor. İşletmeler için veri egemenliği hikayesi kolaylaşıyor. Bireyler için gizlilik tabanı yükseliyor. Bir ajanı çalıştırmanın maliyeti, "istek başına"dan "zaten sahip olduğunuz donanıma yayılan"a dönüşüyor.

Bu duyuru tek bir veri noktası. Ancak üzerinde bulunduğu yörünge, şu anda ajan AI'daki en önemli yörüngedir - ve neredeyse Hacker News dışında hiç kimse bunu bu şekilde okumuyor.

İşte kimsenin size söylemediği kısım.

Bu yararlı olduysa - telegram kanalımı takip edin:

https://t.me/+ygATQAt9sUM1N2U6**