{count, plural, one {Kursus} other {Kursus}}
Pengantar Agen Kecerdasan Buatan
{hours} jam {minutes} menit
144.6K
OpenClaw diluncurkan dengan banyak hype dan kekhawatiran keamanan. Setelah itu, bermunculan banyak peniru yang mengklaim mampu menyelesaikan berbagai masalah terkait OpenClaw. Salah satunya yang utama adalah keamanan karena ukuran repositorinya. Masalah besar lainnya adalah biaya menjalankan agen. Dari pengalaman saya, biayanya bisa cepat membengkak, terutama karena bahkan pembuat OpenClaw merekomendasikan penggunaan model kelas atas seperti Claude Opus 4.6 untuk mencegah prompt injection. Opus 4.6 bukan model murah, terutama ketika agen Anda harus mengirim banyak konteks berupa memori dan keterampilan. Di sinilah Hermes Agent hadir.
Saya mengikuti para pembuat Hermes Agent di X/Twitter, dan salah satu klaim mereka adalah agen mereka lebih baik daripada OpenClaw dalam menggunakan model open-source. Mereka mengklaim bahwa model open-source dapat digunakan secara efektif jika memiliki kerangka (harness) yang tepat. Dalam artikel ini, saya akan menguji klaim tersebut dengan mencoba agennya. Saya akan memandu Anda melalui langkah instalasi, cara menggunakannya dengan model lokal dan daring, serta cara memakainya dalam proyek riset.
Apa Itu Hermes Agent?
Hermes Agent adalah alternatif OpenClaw open-source dari Nous Research, lab di balik model Hermes. Setelah diluncurkan, ia menjadi sangat populer, meraih lebih dari 30 ribu bintang saat artikel ini ditulis. Hermes Agent sedikit berbeda dari OpenClaw karena dapat membuat keterampilan dari pengalaman, meningkatkan kemampuannya sendiri, dan mempertahankan pengetahuan lintas sesi.
Anda dapat mempelajari cara menggunakan OpenClaw dari Tutorial OpenClaw (Clawdbot) kami.
Kemampuan utama Hermes Agent
Mari bahas beberapa kemampuan utama Hermes Agent.
Closed learning loop dan memori yang membaik sendiri
Hermes Agent memiliki closed learning loop, artinya:
- Memori dikurasi oleh agen dengan dorongan berkala
- Membuat keterampilan secara otomatis setelah melakukan tugas kompleks
- Meningkatkan keterampilan seiring penggunaannya
Hermes Agent juga menyimpan sesi percakapan di database SQLite dengan pencarian teks penuh FTS5. Ini memungkinkannya mengambil memori dari minggu-minggu lalu, bahkan jika saat ini tidak berada dalam memori aktif.
Pelajari dasar-dasar database SQLite dari perintah dot SQLite hingga contoh penerapan praktisnya menggunakan antarmuka baris perintah melalui panduan Beginners Guide to SQLite kami.
Hermes juga menggunakan memori Honcho yang memberi agen pemahaman yang persisten tentang pengguna lintas sesi. Ini melengkapi berkas memory.md dan user.md untuk meningkatkan pemahaman agen tentang preferensi pengguna, tujuan, gaya komunikasi, dan mempertahankan konteks lintas percakapan.
Kompresi konteks dan cache
Salah satu masalah utama saat menggunakan asisten AI adalah konsumsi token yang tinggi. Ketika Anda membayar setiap panggilan API, biayanya bisa cepat membengkak. Hermes Agent menggunakan kompresi ganda dan prompt caching dari Anthropic untuk mengelola penggunaan konteks di percakapan panjang.
Mekanisme ini juga mencegah kegagalan API saat konteks terlalu besar. Caranya dengan memangkas hasil lama dan meringkas percakapan menggunakan LLM.
Sistem keterampilan
Seperti OpenClaw, Hermes Agent mendukung keterampilan (skills). Keterampilan ini kompatibel dengan agentskills.io dan mengikuti pola pengungkapan progresif untuk meminimalkan penggunaan token. Ia dikirim bersama keterampilan bawaan dan juga menyimpan keterampilannya sendiri saat Anda menggunakannya. Semua keterampilan disimpan di ~/.hermes/skills/, tetapi Anda juga bisa mengarahkan agen ke keterampilan eksternal.
Pelajari cara membangun keterampilan OpenClaw dari nol, menghubungkan API eksternal, mengonfigurasi sandbox Docker, dan memublikasikannya ke ClawHub melalui tutorial Membangun Keterampilan OpenClaw Kustom kami.
Gerbang multi-platform
Hermes Agent mendukung banyak platform, termasuk Telegram, Discord, Slack, Signal, dan WhatsApp. Ia juga mendukung transkripsi memo suara. Karena sesi disimpan ke database yang sama, Anda bisa memulai percakapan di terminal dan melanjutkannya di Telegram.
Subagent dan alur kerja paralel
Hermes Agent memiliki alat delegate_task yang digunakan untuk memulai banyak subagent. Agen memiliki set alat dan sesi terminal yang terbatas. Mereka memulai percakapan baru dan tidak memiliki informasi tentang riwayat percakapan; oleh karena itu, Anda harus memberikan semua informasi yang dibutuhkan agen untuk mencapai tujuannya. Anda dapat menggunakannya, misalnya, untuk meneliti banyak topik sekaligus dan mengumpulkan ringkasan, meninjau kode, serta memperbaiki dan merombak banyak berkas dalam waktu bersamaan.
Dukungan MCP dan akses alat yang diperluas
Untuk alat apa pun yang belum ada di Hermes, Anda dapat terhubung ke MCP. Anda dapat menggunakannya untuk menghubungkan ke API, database, atau sistem perusahaan tanpa harus mengubah kode Hermes Agent. Anda dapat menggunakannya dengan:
- Menginstal dukungan MCP di Hermes
- Menambahkan server MCP
- Whitelist apa yang diekspos alat dan dapat dilakukan MCP
- Blacklist aktivitas berbahaya, seperti menghapus pelanggan
Pelajari cara membangun server MCP menggunakan Model Context Protocol dari Anthropic untuk menghubungkan Claude dengan GitHub dan Notion melalui tutorial Model Context Protocol kami.
Pelatihan RL dan pembuatan trajektori
Hermes Agent menyertakan pipeline pelatihan RL (Reinforcement Learning) terintegrasi yang dibangun di atas Tinker-Atropos. Ini memungkinkan pelatihan LLM di lingkungan tertentu menggunakan GRPO (Group Relative Policy Optimization) dengan adaptor LoRA.
Anda dapat mengeksplorasi RL lebih jauh melalui track Reinforcement Learning in Python kami.
Perbandingan Hermes Agent dengan Asisten AI Standar
Mari bahas bagaimana Hermes Agent dibandingkan dengan asisten AI lain seperti OpenClaw dan Nanobot.
Seperti agen lain, Hermes Agent menggunakan memory.md dan user.md untuk memori persisten. Ia juga melangkah lebih jauh dengan menyimpan setiap sesi di database SQLite, sehingga memungkinkan untuk merujuk percakapan apa pun di masa depan.
Seperti OpenClaw, Hermes Agent juga mendukung model fallback yang akan menangani tugas saat model utama tidak tersedia.
Seperti kebanyakan asisten AI, Hermes Agent juga dapat diterapkan dengan biaya rendah di VPS dan diakses dari platform perpesanan populer. Namun, salah satu nilai jual utamanya, menurut tim di Nous Research, adalah bahwa Hermes Agent merupakan harness yang lebih baik untuk model open-source.
Anda juga dapat mengeksplorasi asisten AI lain, seperti NanoBot melalui Tutorial Nanobot kami.
Model dan Endpoint yang Didukung
Hermes Agent bersifat agnostik model. Model yang didukung meliputi:
- Model dari Nous Portal
- OpenRouter melalui kunci API
- Anthropic Auth dan kunci API
- Langganan OpenAI atau kunci API
- Gemini
Anda juga dapat menggunakan model lokal melalui Ollama.
Pelajari cara menggunakan asisten AI lokal dengan Ollama melalui tutorial OpenClaw dengan Ollama kami.
Prasyarat Menjalankan Hermes Agent
Hermes berjalan di Linux, macOS, dan WSL2. Ia juga memerlukan Python 3.11 dan Node.js, tetapi sebagian besar dependensi akan terpasang otomatis saat penyiapan.
Tutorial Hermes Agent Langkah demi Langkah: Membangun "Research Agent"
Sekarang mari pelajari cara menggunakan Hermes Agent untuk membuat agen riset yang dapat mencari web dan mengirimkan ringkasan harian kepada Anda di Telegram.
Langkah 1: Instal Hermes Agent
Buka terminal Anda dan jalankan installer satu baris berikut:
curl -fsSL https://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.sh | bash
Langkah 2: Dapatkan token antarmuka Anda
Untuk gerbang Telegram, buka Telegram dan cari @BotFather. Kirimi /newbot, ikuti petunjuk untuk menamai bot Anda, dan Anda akan mendapatkan token bot yang terlihat seperti 123456789:AAH. Salin untuk langkah berikutnya.
Selanjutnya gunakan @userinfobot untuk mendapatkan ID pengguna Telegram Anda. Anda akan memerlukannya agar bot hanya berbicara kepada Anda.
Langkah 3: Inisialisasi
Jalankan wizard penyiapan:
hermes setupSaat Anda memilih Full Setup, Anda dapat mengonfigurasi semuanya, termasuk kunci API dan bot Telegram.
Sebuah menu akan disediakan agar Anda dapat mengonfigurasi semua item seperti ditunjukkan di bawah ini:
Jika Anda memiliki instalasi OpenClaw yang sudah ada, ia juga memungkinkan Anda untuk memigrasikannya.
Setelah penyiapan selesai, Anda dapat memverifikasi semuanya dengan:
hermes doctor
Langkah 4: Konfigurasi dan pemilihan model
Jika Anda mengikuti langkah-langkah di atas, Anda sudah menetapkan modelnya, tetapi Anda dapat mengubahnya kapan saja dengan menjalankan perintah berikut di terminal:
hermes model
Langkah 5: Siapkan gateway
Gateway memungkinkan Hermes menjangkau Anda di Telegram alih-alih mengharuskan Anda tetap di terminal. Siapkan dengan menjalankan:
hermes gateway setup
Pada titik ini, Anda seharusnya sudah bisa mengirim pesan dari Telegram dan mendapatkan respons:
Meningkatkan Hermes Agent: Agen "Multi-Tool"
Seperti terlihat dari respons di atas, Hermes menggunakan alat terminal untuk menanyakan API grafik publik Yahoo Finance dan mengurai responsnya. Kita dapat meningkatkan kemampuan penelusuran web-nya dengan mengonfigurasi salah satu alat penelusuran web yang tersedia; dalam hal ini, mari gunakan FireCrawl. Kunjungi situs mereka dan dapatkan kunci AI gratis.
Selanjutnya, atur kuncinya:
hermes config set FIRECRAWL_API_KEY your_fire-crawl_keySetelah itu, saya memberi Hermes tugas yang melibatkan penelusuran beberapa halaman dan merangkum hasilnya. Seperti terlihat pada gambar, ia merencanakan 3 tugas dan mendelegasikannya.
Cara lain untuk menjalankan banyak agen dengan Hermes adalah menyiapkan profil. Ini memungkinkan Anda menjalankan beberapa agen Hermes independen pada mesin yang sama, masing-masing dengan konfigurasi, kunci API, memori, sesi, gateway, dan keterampilan sendiri. Misalnya, Anda dapat memiliki:
- Agen pemrograman
- Asisten pribadi
- Agen riset
Anda dapat membuatnya dari awal atau dengan mengkloning pengaturan yang ada:
hermes profile create work --clone
Jalankan work chat untuk mulai berbicara dengan bot:
Setiap agen mendapatkan .env masing-masing sehingga Anda dapat menyiapkan bot Telegram yang berbeda. Anda dapat menyiapkannya menggunakan work setup
Opsi Deployment: Menjalankan Hermes Agent di Luar Laptop Anda
Sekarang mari ketahui opsi deployment apa saja yang tersedia untuk menjalankan Hermes Agent selain menggunakannya di laptop Anda.
Opsi lain mencakup:
- Menjalankannya di komputer khusus, yang bukan perangkat utama harian Anda.
- Menerapkannya di VPS, seperti di Modal dan Daytona.
Bahkan saat menerapkan di VPS, sebaiknya ikuti praktik terbaik berikut:
- Gunakan backend container
- Tetapkan allowlist secara eksplisit
- Gunakan pairing code alih-alih ID pengguna
- Simpan secret secara aman dengan izin berkas yang tepat
- Perbarui agen Anda secara rutin menggunakan
hermes update - Jangan pernah menjalankan agen sebagai pengguna
root - Tetapkan batas sumber daya yang sesuai untuk CPU, disk, dan memori
- Pantau log untuk upaya akses tidak sah
Lokal dan Privat: Menjalankan Hermes Agent Secara Offline
Anda dapat menjalankan Hermes Agent secara offline dengan menyiapkan model melalui Ollama. Cuplikan kode di bawah ini menunjukkan cara menjalankan dan menyajikan qwen2.5-coder:32b melalui Ollama:
# Install and run a model
ollama pull qwen2.5-coder:32b
ollama serve # Starts on port 11434Lalu konfigurasikan Hermes untuk menggunakan model tersebut:
hermes model
# Select "Custom endpoint (self-hosted / VLLM / etc.)"
# Enter URL: http://localhost:11434/v1
# Skip API key (Ollama doesn't need one)
# Enter model name (e.g. qwen2.5-coder:32b)Pastikan juga untuk meningkatkan jendela konteks karena model perlu memuat system prompt, alat, dan mengembalikan respons.
# Option 1: Set server-wide via environment variable (recommended)
OLLAMA_CONTEXT_LENGTH=32768 ollama serve
# Option 2: For systemd-managed Ollama
sudo systemctl edit ollama.service
# Add: Environment="OLLAMA_CONTEXT_LENGTH=32768"
# Then: sudo systemctl daemon-reload && sudo systemctl restart ollama
# Option 3: Bake it into a custom model (persistent per-model)
echo -e "FROM qwen2.5-coder:32b\nPARAMETER num_ctx 32768" > Modelfile
ollama create qwen2.5-coder-32k -f Modelfile
Kesalahan Umum dan Pemecahan Masalah Hermes Agent
Sekarang mari bahas beberapa masalah umum yang mungkin Anda temui saat menggunakan Hermes Agent.
Kesalahan connection refused
Jalankan hermes doctor terlebih dahulu. Ini akan memberi tahu Anda jika ada konfigurasi penyedia yang hilang, variabel lingkungan yang rusak, atau path yang salah konfigurasi. Anda juga dapat menjalankan perintah setup lagi untuk memasukkan kunci API Anda karena mungkin ada salah ketik.
Batas jendela konteks
Ketik /compress untuk memicu kompresi konteks secara manual.
Anda juga dapat mengedit ~/.hermes/config.yaml untuk mengonfigurasi default kompresi.
# In ~/.hermes/config.yaml
compression:
enabled: true
threshold: 0.50 # Compress at 50% of context limit by default
summary_model: "google/gemini-3-flash-preview" # Model used for summarizationSkill tidak terpicu atau tidak digunakan kembali
Periksa apakah skill ada. Jalankan perintah ini untuk memastikan instruksi dalam skill digunakan.
hermes chat --toolsets skills -q "Use the X skill to do Y"Gateway tidak menerima pesan
Jalankan hermes gateway status untuk memeriksa apakah ia berjalan.
Jika berhenti, mulai lagi dengan hermes gateway start.
Kegagalan autentikasi endpoint model
Periksa ~/.hermes/.env untuk memastikan kunci API Anda benar. Jalankan hermes model untuk memastikan model yang dipilih memiliki kunci API yang benar.
Prospek ke Depan
Jika Anda mengikuti perang agen di Twitter, Anda mungkin melihat ada dua kubu: satu mendukung penggunaan agen dengan API, dan yang lain menjalankan agen menggunakan model lokal. Kubu model lokal sangat vokal mendukung Hermes Agent, yang mereka klaim merupakan harness yang lebih baik untuk model lokal dibandingkan OpenClaw.
Apa pun kubu yang Anda dukung, satu hal jelas: menjalankan agen tidaklah murah. Karena itu, jika ada alat yang dapat menjalankan model lokal dan memberikan performa yang mendekati model kelas atas, maka alat tersebut patut dicermati. Terutama sekarang dengan penggunaan terukur di semua penyedia model.
Dengan tingginya permintaan akan agen saat ini, pengguna yang menginginkan penggunaan tanpa batas akan cenderung memilih alat yang dapat memberikan hasil terbaik. Saat ini, banyak orang di Twitter mengklaim bahwa Hermes Agent adalah alat tersebut. Apakah model lokal benar-benar mengurangi kebutuhan akan API masih harus dilihat, terutama karena tidak semua pengguna memiliki GPU pribadi dan cukup teknis untuk menyiapkannya untuk penggunaan lokal.
Kesimpulan
Beberapa asisten AI personal telah dirilis baru-baru ini. Hal terbaik yang dapat Anda lakukan adalah mempelajarinya dan menentukan mana yang paling sesuai bagi Anda. Lihat sumber daya di bawah ini untuk cepat memahami perkembangannya:
- OpenClaw vs Nanobot: Framework Agen AI Mana yang Harus Anda Gunakan pada 2026?
- Tutorial Nanobot: Alternatif OpenClaw yang Ringan
- Claude Code vs Cursor: Alat Koding AI Mana yang Tepat untuk Anda?
- OpenCode vs Claude Code: Alat Agenik Mana yang Harus Anda Gunakan pada 2026?
- OpenClaw vs Claude Code: Alat Agenik Mana yang Harus Anda Gunakan pada 2026?
Untuk mempelajari lebih lanjut cara bekerja dengan alat AI, lihat panduan kami tentang alat AI gratis terbaik. Untuk keterampilan koding AI yang lebih luas, coba kursus AI-Assisted Coding for Developers kami untuk mengembangkan keterampilan yang membuat asisten AI menjadi mitra yang lebih andal dalam alur kerja pengembangan Anda.
Author
Derrick Mwiti
