ИИ-агенты нового поколения: Hermes, единая платформа и Launch Your Agent
Команда ZUB-AI посмотрела три свежих материала про автономных ИИ-агентов — суммарно около 70 минут контента. Один разбирает агента Hermes с открытой архитектурой скиллов, второй показывает единую платформу, которая объединяет чат, API, Telegram и цепочки задач, третий — про новый скилл от Anthropic, который собирает облачного агента буквально за одно интервью с моделью.
Кому это полезно: тем, кто уже устал руками копипастить промпты в чат и хочет, чтобы модель работала по расписанию сама — искала новости, парсила сайты, вела RAG-базу знаний, писала код и присылала отчёты в Telegram без вашего участия. Если вы всё ещё воспринимаете ИИ как чат-бот для вопросов — эта статья покажет, насколько дальше ушла индустрия за последние месяцы.
Главный вывод одним предложением: агентные харнесы (рабочие окружения для ИИ-агента) в 2024-2025 гг. эволюционировали от «просто более умного чата» к полноценным автономным системам с памятью, самообучением и облачным развёртыванием — и разница между тремя подходами в основном сводится к тому, где и как хранится контекст.
Что вообще значит «агент», и почему это не чат-бот
Разница простая, но принципиальная. Чат-бот отвечает на вопрос и ждёт следующий. Агент — это система с доступом к инструментам: поиску в интернете, файловой системе, API, запуску кода. Агент сам решает, какой инструмент использовать на каждом шаге, и способен крутить цикл (в одном из материалов это называют «луп») десятки раз без вмешательства человека.
Схема цикла выглядит так: получение задачи → обдумывание шага → выбор инструмента → анализ результата → решение о продолжении или завершении. Для нормальной работы такого цикла нужны три вещи: контекст (данные и предпочтения), чёткая цель и понятный критерий успеха. Без критерия успеха агент либо остановится слишком рано, либо будет крутиться бесконечно, сжигая токены.
Именно вокруг этих трёх компонентов и строятся все три рассмотренных подхода — просто каждый решает задачу по-своему.
Подход А: агент, который сам себя документирует (Hermes)
Первый материал показывает Hermes — агента с открытой архитектурой на основе так называемых скиллов (skill). Скилл — это модуль-документация о конкретной возможности агента: как парсить сайты, как работать с GitHub, как чинить фронтенд, как генерировать изображения.
Ключевая фишка в том, что Hermes умеет находить нужный скилл в нужный момент, а не держать всё в контексте разом. Представьте библиотеку, где книги появляются на столе сами, как только они понадобились, — примерно так это работает. За счёт этого агент не «раздувает» контекстное окно и остаётся быстрым даже при большом количестве встроенных навыков.
Память устроена по минимуму: всего два файла, memory.md и user.md. Оба ограничены по объёму — агент сам чистит их от лишнего, чтобы не захламлять контекст. Плюс есть возможность искать данные по истории прошлых сессий для персонализации ответов. Простая система, но рабочая — судя по описанным кейсам, агент подстроился даже под стиль общения пользователя.
Отдельного внимания заслуживает способность Hermes создавать новые скиллы прямо в процессе диалога. Вы обсуждаете задачу, агент понимает, что у него нет подходящего инструмента, — и генерирует новый скилл на лету. Это довольно редкая штука среди агентных харнессов на момент публикации.
Из практики: агент использовался для оптимизации сайта (нашёл тяжёлый ролик, который вызывал зависания, добавил ленивую загрузку и кеширование), написания сервиса парсинга новостей по крону раз в 3 часа, синхронизации с канбан-доской в Obsidian.
Разворачивается Hermes либо локально (но доступ пропадает при выключении компьютера), либо на удалённом сервере. Второй вариант предпочтительнее для постоянной работы — минимальная конфигурация сервера обходится в районе 12-40 рублей в день в зависимости от параметров.
Подход Б: одна платформа вместо десятка оболочек
Второй материал заходит с другой стороны. Вместо того чтобы разбираться в архитектуре одного конкретного агента, показывается единая платформа, которая объединяет функциональность сразу нескольких инструментов: чат, работа через API, Telegram-бот, голосовое управление и цепочки агентов (pipeline).
Идея в том, что развернуть персонального агента можно за 30 секунд одной командой — либо на своём сервере бесплатно, либо в облаке с бесплатными стартовыми кредитами для теста. Каждый пользователь получает изолированный контейнер — что-то вроде личного компьютера со своим файловым менеджером, каталогами и правами доступа.
Что реально интересно в этом подходе — синхронизация между интерфейсами. Начали диалог в Telegram, продолжили в веб-интерфейсе — сессия отображается как «внешняя» и синхронизируется в обе стороны. Все каналы коммуникации собраны в одном месте, ничего не теряется между устройствами.
Отдельный кейс — превращение части агента в RAG-систему (Retrieval-Augmented Generation, систему с базой знаний на векторной основе). В демонстрации в агента загрузили документ (Гражданский кодекс), система автоматически разбила его на 43 чанка и записала в векторную базу. На тестовый вопрос про компенсацию ущерба от госорганов агент нашёл релевантные статьи, собрал сравнительную таблицу и честно указал, что часть данных отсутствует — документ был обрезан. Это важная деталь: агент не начал галлюцинировать, а признал пробел в своих знаниях.
А вот тут начинается самое любопытное — функция Pipeline. Это цепочка из нескольких проектов-агентов, где результат одного этапа (файл-артефакт) автоматически передаётся следующему. В демонстрации первый этап (RAG-проект) нашёл информацию по юридическому вопросу и сохранил результат в файл, второй этап («Хиксвилд») использовал этот файл как основу для генерации иллюстрации. Отличие от обычного промптинга — контекст не теряется между этапами, потому что передаётся не диалог, а конкретный артефакт.
Для бизнеса добавлены корпоративные функции: централизованное управление инстанциями агентов для сотрудников, выдача временного доступа по ссылке, общие папки с разграничением прав (только чтение / чтение и запись). Показан наглядный тест: один агент создал файл со стихотворением в общей папке, второй его увидел, но не смог отредактировать — доступ был read-only.
Подход В: агент за одно интервью (Launch Your Agent)
Третий материал — про свежий open source скилл для Claude Code под названием Launch Your Agent от Anthropic. Здесь фокус смещён с архитектуры на скорость запуска: путь от идеи до работающего облачного агента занимает буквально несколько минут.
Суть в том, что скилл сам интервьюирует пользователя. Вы пишете команду «launch your agent», а дальше модель задаёт уточняющие вопросы: что должен делать агент, какие источники использовать, какой формат результата нужен, что считается успехом. Никакой ручной настройки конфигов — вы просто отвечаете на вопросы, как на собеседовании.
За кулисами скилл автоматизирует создание CMA (Claude Managed Agent) — агента, который живёт и работает на серверах Anthropic, а не на вашем устройстве. Платформа бесплатна, платите только за вызовы API — разумная модель для тех, кто не хочет держать сервер ради одного скрипта.
В демонстрации собрали агента-аналитика новостей об ИИ. Скилл сам предложил варианты: агент-радар (сканирует новости по расписанию) или агент-ресёрчер. Персонализация дошла до того, что скилл упомянул конкретные YouTube-каналы, опираясь на историю переписок, — хотя об этом прямо никто не просил.
Отдельно стоит отметить важную деталь про экономику. Есть встроенный «грейдер» — система проверки и повторных прогонов результата. Штука полезная для качества, но прожорливая по токенам: тестовый прогон без отключения грейдера обошёлся в 4 доллара из-за многократных перепроверок. Если вы планируете гонять агента ежедневно — отключение грейдера или явное указание модели экономить токены может сохранить заметную сумму за месяц.
Итоговый результат — маркдаун-файл с топ-5 новостями, где к каждой прилагается история, ссылка, цепляющая подача и объяснение значимости. Всё это без единой строчки кода со стороны пользователя.
Три архитектуры, три философии памяти
Если сравнить все три подхода по одному критерию — как устроена память и контекст — получается интересная картина.
Hermes хранит минимум (два файла плюс поиск по истории сессий) и компенсирует это умной подгрузкой скиллов по требованию. Единая платформа идёт дальше — строит полноценную векторную базу знаний (RAG) с чанками и индексами, то есть контекст масштабируется на целые документы. Launch Your Agent вообще не про постоянную память — это про одноразовую настройку цели и критерия успеха, после чего агент крутит цикл по расписанию, опираясь на источники, а не на накопленную историю.
Это не значит, что один подход лучше другого — они решают разные задачи. Если вам нужен персональный помощник, который помнит контекст диалога и подстраивается под ваш стиль — ближе первый вариант. Если нужна база знаний по конкретным документам с возможностью точных ответов — второй. Если нужен разовый сборщик данных по расписанию без вникания в детали — третий.
Практический раздел: что делать прямо сейчас
Если вы решили попробовать один из подходов, вот конкретная последовательность действий:
-
Определитесь с задачей. Не пытайтесь сразу автоматизировать всё — выберите одну конкретную рутину: парсинг новостей, мониторинг сайта, работу с документами.
-
Оцените, нужна ли постоянная память или разовый прогон. Если задача повторяющаяся с накоплением контекста — смотрите в сторону Hermes или единой платформы. Если это разовый скрипт по расписанию без сложной истории — Launch Your Agent быстрее.
-
Проверьте наличие API-ключей заранее. Для Hermes и единой платформы понадобятся ключи inference-провайдеров (OpenRouter, Anthropic и т.п.), для RAG — отдельный ключ для эмбеддингов.
-
Начните с тестового прогона и следите за токенами. Особенно если используете грейдеры или системы проверки результата — они могут незаметно съесть бюджет за один запуск.
-
Разворачивайте на удалённом сервере, если нужна постоянная доступность. Локальная установка теряет доступ при выключении компьютера — для регулярных задач это неудобно.
-
Настройте канал связи заранее. Telegram-бот — самый универсальный вариант для мониторинга результатов работы агента без захода в веб-интерфейс каждый раз.
-
Изучите систему прав доступа, если планируете делиться агентом с командой — общие папки с разграничением read-only/read-write снимают половину вопросов безопасности.
Что мы заметили
Все три материала сходятся в одном: индустрия ИИ-агентов явно движется в сторону автономности с минимальным участием человека в технических деталях. Никто уже не пишет промпты вручную построчно — либо агент сам себя документирует и создаёт новые навыки (Hermes), либо интервьюирует пользователя и сам разворачивается в облаке (Launch Your Agent).
Разница есть в философии контроля. Более консервативный взгляд (единая платформа) делает упор на разграничение прав доступа, изоляцию контейнеров и корпоративное управление — это ближе к enterprise-подходу, где важна безопасность и разделение ответственности между сотрудниками. Более гибкий взгляд (Hermes) делает ставку на самообучение и минимализм — меньше контроля, больше автономии агента в принятии решений о собственной архитектуре.
Ещё одно наблюдение: во всех трёх материалах явно прослеживается тренд на облачное развёртывание вместо локального запуска. Причина простая и практическая — локальный агент умирает вместе с выключенным компьютером, а бизнес-задачи требуют круглосуточной доступности. Здесь все три подхода единогласны, хотя реализация отличается: где-то это отдельный VPS-сервер, где-то управляемый контейнер провайдера, где-то — серверы самой Anthropic.
Расходится позиция по вопросу экономии токенов. В материале про Launch Your Agent отдельно и настойчиво подчёркивается необходимость следить за расходами (пример с 4 долларами за один тестовый прогон из-за грейдера), тогда как в материалах про Hermes и единую платформу тема стоимости API-вызовов почти не поднимается — видимо, потому что там фокус на инструментах и возможностях, а не на экономике использования. Если вы планируете гонять агента ежедневно — этот момент стоит проверить самостоятельно, прежде чем масштабировать использование.
И наконец: во всех трёх случаях подчёркивается, что порог входа для новичка сильно снизился. Ещё пару лет назад развернуть автономного агента с памятью и доступом к инструментам требовало серьёзных знаний в разработке. Сейчас — это команда в терминале, диалог-интервью с моделью или несколько кликов в облачной панели.
Итог
ИИ-агенты перестали быть игрушкой для энтузиастов с навыками программирования — сейчас это инструмент, который реально экономит часы рутины: парсинг новостей, работа с юридическими документами, мониторинг сайтов, генерация контента по расписанию. Разница между тремя рассмотренными подходами не в том, «какой лучше», а в том, какая у вас задача и сколько вы готовы разбираться в деталях архитектуры.
Если вы ещё не пробовали развернуть своего агента — начните с малого: одна конкретная рутинная задача, один канал связи (Telegram подойдёт), и обязательно проверьте, сколько это будет стоить в токенах при регулярном использовании. Дальше масштабировать проще, чем начинать с нуля с идеей «автоматизировать всё сразу».