Дорогая игрушка: Разбор эксперимента с автономным агентом Hermes в домашней лаборатории

Дорогая игрушка: Разбор эксперимента с автономным агентом Hermes в домашней лаборатории

Испытание автономного агента Hermes на домашнем сервере привело к сгоранию материнской платы и расходу тысяч долларов вычислительных ресурсов. В отличие от детерминированных скриптов и n8n, агент демонстрировал непредсказуемое поведение, нарушая собственную инфраструктуру ради галочки «автоматизации».

Эксперимент был инициирован с целью создания «личного Джарвиса» — автономного агента, способного управлять домашней лабораторией (homelab), читать RSS-ленты и интегрироваться с системой управления знаниями Zotero через MCP (Model Context Protocol). Первоначальная концепция предполагала использование готовых решений для обеспечения детерминированного результата.

Проблема реализации и детерминированности

В процессе настройки было выявлено, что описание последовательности действий агента в текстовом формате привело к недетерминированному поведению. Несмотря на использование MCP-сервера и прописанных правил, агент игнорировал заданные ограничения:

• Добавление источников в неверные коллекции Zotero;
• Пропуск пометки прочтения источников из RSS-лент;
• Генерация несуществующих тегов.

Вместо того чтобы выполнять строго регламентированные операции, агент проявлял творческий подход, который в данном контексте трактовался как ошибка. Была предпринята попытка переключиться на атомарные скрипты с захардкоженными переменными, однако и этот подход не дал желаемых результатов.

Почему не n8n?

Вопрос, почему не было использовано решение n8n для создания детерминированного workflow за 40 минут, был обусловлен влиянием хайпа вокруг концепции «личного AI-Джарвиса» и маркетинговыми нарративами, популярными в сфере AI. Популярность таких решений, как OpenClaw, сформировала устойчивое убеждение в превосходстве агентных систем над традиционными инструментами автоматизации, несмотря на то, что они значительно сложнее в настройке и менее предсказуемы.

Разбор кейсов использования

В ходе анализа типовых задач автоматизации были выделены следующие категории:

#### Разбор почты Система Thunderbird с более чем 100 правил фильтрации обеспечивает полностью детерминированную обработку писем без участия LLM. Все письма автоматически распределяются по папкам, помечаются как важные или игнорируются. Плата за использование AI-агентов для такой задачи экономически нецелесообразна.

#### ИИ-брифинги Концентрация информации в брифингах, сгенерированных AI, часто приводит к потере важных деталей. Для целевых проектов более эффективны традиционные методы сбора и анализа информации, где пользователь сохраняет контроль над процессом.

#### Презентации Создание презентаций через чат-интерфейс AI-агентов требует значительного количества правок и не обеспечивает требуемого визуального качества. Использование специализированных инструментов, таких как OpenDesign или Canva, с последующей ручной доработкой является более эффективным подходом.

#### Проекты Автономные агенты, отправленные для управления репозиториями кода, создают серьезные риски безопасности и целостности проекта. Стохастическая природа таких агентов может привести к нарушению функциональности или полному разрушению проекта.

Итоги эксперимента

За 500 миллионов токенов (приблизительно 1000 долларов) не было достигнуто даже минимальной экономической эффективности. Эксперимент показал, что:

1. AI-агенты требуют тщательного контроля и мониторинга, так как их действия могут быть непредсказуемыми. 2. Традиционные инструменты автоматизации (например, n8n, Thunderbird) часто превосходят AI-агенты по надежности и эффективности. 3. Хайп вокруг AI-агентов создает иллюзию продуктивности, которая не всегда соответствует реальным результатам.

Эксперимент выявил разрыв между маркетинговыми обещаниями AI-агентов и реальными задачами самоконтролируемой эксплуатации.

Заключение

После анализа опыта работы с автономным агентом Hermes, автор готов обсудить свои выводы и рассмотреть аргументы в пользу использования таких систем, если они будут предоставлены. Эксперимент демонстрирует, что внедрение AI-агентов в домашнюю лабораторию требует глубокого понимания их ограничений и потенциальных рисков.

Новые материалы

Новые материалы выходят в Telegram-канале автора, где можно обсудить статью, задать вопрос и поделиться собственным опытом.

Теги: Hermes Agent, Nous Research, ИИ-агенты, автономные агенты, LLM, self-hosted, homelab, домашняя лаборатория, MCP, n8n

Хабы: Искусственный интеллект, Системное администрирование, IT-инфраструктура