O czym jest ten film
- Callum przedstawia Hermesa jako agenta, który wykorzystuje trwałą pamięć i zapisane procedury, nazywane umiejętnościami, aby dopasowywać pracę do użytkownika.
- Instaluje aplikację desktopową na macOS i łączy ją z Ollamą, a następnie z usługą OpenAI przez logowanie do Codex.
- Przy modelu lokalnym sprawdza okno kontekstu i tworzy wariant Gemmy z większym limitem. Konkretne wartości opisują jego konfigurację, nie zweryfikowane wymagania wszystkich wdrożeń.
- Pokazuje osobne profile dla modelu lokalnego i chmurowego, ustawienia narzędzi oraz możliwości zmiany środowiska wykonywania poleceń.
- Łączy Hermesa z Telegramem za pomocą tokenu bota i identyfikatora dopuszczonego użytkownika. W tym teście przechodzi z Gemmy na model chmurowy.
- Buduje umiejętność AI Daily Intel oraz zadanie cykliczne dostarczające przegląd wiadomości o AI. Najpierw ogląda próbny raport, potem uruchamia harmonogram.
- Zauważa, że odpowiedź na raport zaktualizowała pamięć, ale nie samą umiejętność. Zleca więc dodatkową automatyzację, która ma przenosić uwagi do procedury przed następnym raportem.
- Połączenie z Obsidianem, rozbudowana pamięć i dostęp z wielu komputerów pozostają kierunkami dalszej pracy, a nie kompletnymi wdrożeniami pokazanymi w tym filmie.
10 najważniejszych takeaways — z kontekstem zastosowania
{Informacja dodatkowa: pola „Na czym polega” relacjonują film. „Jak stosować” i „Na co uważać” są wnioskami redakcyjnymi opartymi na pokazie; nie zastępują aktualnej dokumentacji ani sprawdzenia konkretnej instalacji.}
1.Pamięć i umiejętności to dwa różne sposoby utrwalania doświadczeń
Na czym polega: Autor pokazuje zapis preferencji użytkownika w pamięci oraz tworzenie umiejętności, czyli procedury zapisanej w pliku Markdown do ponownego wykorzystania.
Jak stosować: Oddziel informacje o tym, jak chcesz pracować, od instrukcji wykonania konkretnego zadania. Po przekazaniu uwagi sprawdź, który z tych zasobów został zmieniony.
Na co uważać: Określenie „samouczenie” jest w filmie skrótem opisującym pamięć i aktualizację procedur. Demonstracja nie pokazuje trenowania wag modelu po każdej rozmowie.
2.Model lokalny sprawdzaj na rzeczywistym zadaniu
Na czym polega: Callum łączy Hermesa z Ollamą, pyta o datę i uruchamia wyszukiwanie wiadomości. Następnie sprawdza limit kontekstu i tworzy wariant modelu z wartością 65 536 zamiast 32 768 tokenów.
Jak stosować: Weryfikuj zarówno połączenie z modelem, jak i wykonanie zadania wymagającego narzędzi. Sama możliwość prowadzenia rozmowy nie wyczerpuje testu agenta.
Na co uważać: Autor mówi o potrzebie około 64 tysięcy tokenów, ale pokazuje też wcześniejszą działającą próbę przy mniejszym kontekście. Film nie ustala uniwersalnego minimum ani nie dowodzi, że każda odmowa użycia narzędzia wynika z tego limitu.
3.Profil porządkuje konfigurację, nie dowodzi pełnej izolacji
Na czym polega: Autor zleca utworzenie profili dla lokalnej Gemmy i modelu chmurowego. Po ponownym uruchomieniu aplikacji pokazuje przełączanie między nimi i różne ustawienia modeli.
Jak stosować: Stosuj profile, jeśli chcesz świadomie rozdzielać konfiguracje i sesje związane z różnymi sposobami pracy.
Na co uważać: Film nie przeprowadza audytu izolacji danych. Różne katalogi robocze autor przedstawia jako możliwość konfiguracji, a nie jako udowodnioną barierę przed dostępem do pozostałych plików.
4.Pomoc agenta w konfiguracji wymaga kontroli wyniku
Na czym polega: Hermes tworzy profile na prośbę Calluma. Autor pokazuje później, że są widoczne w aplikacji i wybierają przewidziane modele.
Jak stosować: Opisz zamierzony efekt, a po wykonaniu sprawdź go w ustawieniach i w nowej sesji. To lepszy sprawdzian niż samo zapewnienie agenta o zakończeniu pracy.
Na co uważać: Sukces tej operacji nie oznacza, że każdą zmianę konfiguracji można pozostawić bez nadzoru. W dalszej części filmu automatyzacja wymaga kilku poprawek.
5.Ustawienia wykonania są częścią decyzji o dostępie
Na czym polega: Autor wskazuje ustawienia terminala i wykonywania kodu, m.in. Docker oraz połączenie przez SSH. Pokazuje też możliwość wyłączania wybranych zestawów narzędzi.
Jak stosować: Przed cykliczną pracą agenta przejrzyj narzędzia potrzebne do zadania i środowisko, w którym będą działać.
Na co uważać: Ten odcinek nie przeprowadza konfiguracji i testu izolacji Dockera. Nie należy przedstawiać krótkiego omówienia ustawień jako dowodu pełnego zabezpieczenia komputera.
6.Automatyzację poprzedź próbą w rozmowie
Na czym polega: Callum prosi najpierw o plan bez uruchamiania zadania, potem o próbny przegląd wiadomości. Dopiero po ocenie raportu przechodzi do harmonogramu.
Jak stosować: Sprawdź treść i formę wyniku, zanim zaczniesz otrzymywać go regularnie. W przykładzie uwaga o znaczeniu wiadomości dla zwykłego odbiorcy zmienia przygotowaną procedurę.
Na co uważać: Autor mówi o trzech lub czterech próbach potrzebnych do uzyskania oczekiwanego działania. Jeden udany raport nie potwierdza niezawodności całego harmonogramu.
7.Zadanie cykliczne potrzebuje jawnego źródła kontekstu
Na czym polega: Autor każe oprzeć plan na dokumentacji Hermesa i podkreśla, że zadania cykliczne zaczynają się jako nowe sesje, bez automatycznego przejęcia rozmowy z Telegrama.
Jak stosować: W poleceniu dla automatyzacji wskaż procedurę i informacje, z których ma korzystać. Callum pokazuje przypisanie umiejętności do zadania.
Na co uważać: To, że uwaga istnieje w czacie, nie znaczy jeszcze, że kolejne wykonanie ją odczyta. Trzeba sprawdzić drogę od rozmowy do zasobu używanego przez harmonogram.
8.Telegram wymaga konfiguracji dostępu i osobnego testu
Na czym polega: Autor tworzy bota przez BotFather, zapisuje token oraz identyfikator dopuszczonego użytkownika, a następnie restartuje bramę komunikatora i sprawdza odpowiedź na telefonie.
Jak stosować: Najpierw zweryfikuj zwykłą rozmowę przez komunikator, a dopiero później dostarczanie zaplanowanego raportu.
Na co uważać: Gemma sprawiała autorowi problemy; podejrzewał limit czasu, ale nie potwierdził diagnozy. W pokazanym teście komunikator działał po przejściu na model chmurowy.
9.Zapisana preferencja nie zawsze zmienia procedurę
Na czym polega: Po pozytywnej ocenie raportu agent aktualizuje pamięć, lecz nie plik umiejętności. Callum zleca dodatkowe zadanie, które ma odczytywać uwagi i zmieniać procedurę przed następnym raportem.
Jak stosować: Jeśli oczekujesz trwałej zmiany sposobu raportowania, sprawdzaj samą procedurę, a nie tylko potwierdzenie „zapamiętałem”.
Na co uważać: Autor przedstawia dodatkową automatyzację jako rozwiązanie zauważonej luki. Film nie pokazuje wielodniowego testu dowodzącego, że odtąd każdy raport będzie lepszy.
10.Dostępność narzędzi sprawdzaj w swojej konfiguracji
Na czym polega: Callum wyjaśnia, że w jego układzie trzeba było wskazać przeglądarkę zamiast narzędzia web wymagającego dodatkowych kluczy. Wspomina też o blokadach automatycznego przeglądania.
Jak stosować: Przy nieudanym zadaniu sprawdź, z jakiego narzędzia agent próbował skorzystać i czy jest ono skonfigurowane, zanim zmienisz cały plan raportowania.
Na co uważać: Opis konkretnej konfiguracji nie dowodzi, że każda przeglądarka działa bez dodatkowych usług ani że każde wyszukiwanie web zawsze wymaga tego samego rodzaju klucza.
Omówienie materiału
Co oznacza agent rozwijający sposób pracy
Callum przedstawia Hermesa, projekt Nous Research, jako narzędzie, które może stopniowo dopasowywać się do użytkownika. Najbardziej konkretne przykłady tej tezy nie dotyczą zmiany samego modelu, lecz informacji przechowywanych poza pojedynczą rozmową. Autor podaje preferencje dotyczące zwięzłych, technicznych odpowiedzi i pokazuje ich zapis. Później tworzy procedurę przygotowania raportu i modyfikuje ją na podstawie uwagi o oczekiwanej treści.
W filmie pojawiają się także inne możliwości: podagenci, przeglądanie internetu, narzędzia do Obsidiana i różne środowiska wykonywania kodu. Liczba 71 wbudowanych umiejętności dotyczy pokazywanej instalacji. Nie jest stałą cechą wszystkich wersji Hermesa, a samo wyliczenie funkcji nie stanowi ich osobnego testu.
Dwa modele, dwa sposoby korzystania
Po instalacji aplikacji na macOS autor najpierw wybiera połączenie z Ollamą. Uruchamia lokalną Gemmę, sprawdza jej działanie, a następnie zwiększa skonfigurowane okno kontekstu. W transkrypcie nazwy wariantów są miejscami niejednoznaczne, dlatego materiału nie należy traktować jako źródła kompletnych komend pobierania modeli lub tworzenia ich konfiguracji.
Istotne są podane wartości: autor widzi 32 768 tokenów i ustawia nowy wariant na 65 536. Towarzysząca temu wypowiedź o wymaganiu około 64 tysięcy tokenów jest jego wyjaśnieniem, nie niezależnie zweryfikowaną granicą działania narzędzi. Wcześniejszy test w tym samym pokazie już przynosi odpowiedź, co nie pozwala sprowadzić każdej usterki do zbyt małego kontekstu.
Drugą drogą jest logowanie do OpenAI przez Codex. Po połączeniu autor ma do wyboru model lokalny i chmurowy, a dla wygody zleca utworzenie dwóch profili. Różne konfiguracje ułatwiają przełączanie sposobu pracy. Nie należy jednak przenosić tego rozróżnienia na obietnicę pełnej prywatności całego zadania: nawet lokalny model w demonstracji korzysta z wyszukiwania w internecie.
Od planu do raportu na telefonie
Najpełniejszy przykład praktyczny dotyczy codziennego przeglądu wiadomości o AI. Callum chce dostawać raz dziennie wybrane informacje i stopniowo dopasowywać raport do swoich zainteresowań. Najpierw podłącza Telegram i ogranicza dopuszczonych użytkowników wskazanym identyfikatorem. Problemy z Gemmą omija przez przejście na model chmurowy; przypuszczenie o limicie czasu pozostaje niepotwierdzoną diagnozą.
Następnie prosi agenta o plan, wyraźnie zakazując jeszcze rozpoczynania automatyzacji. Plan ma być oparty na dokumentacji Hermesa, zwłaszcza w kwestii kontekstu nowych zadań cyklicznych. Powstaje umiejętność AI Daily Intel i próbny raport. Autor prosi, aby oprócz technicznych szczegółów wyjaśniać znaczenie wiadomości dla zwykłego odbiorcy, i pokazuje zmianę procedury.
Dopiero później uruchamia harmonogram. Po kilku korektach prezentuje zadanie ustawione na godzinę 8:00 i otrzymaną wiadomość na Telegramie. To dowód działającej próby dostarczenia raportu, nie potwierdzenie wielu kolejnych dni bezawaryjnej pracy.
Najważniejsza poprawka: skąd następny raport pozna uwagi
Końcowa obserwacja komplikuje początkową obietnicę automatycznego doskonalenia. Agent odpowiada na ocenę raportu, że zapisał preferencję. Callum sprawdza jednak wynik i widzi zmianę w pamięci, nie w umiejętności używanej przez kolejne zadanie. To istotna różnica: zapamiętanie informacji i zmiana sposobu wykonania pracy nie są tym samym.
Autor zleca więc osobną automatyzację, która ma przejrzeć uwagi i uaktualnić umiejętność przed przygotowaniem kolejnego raportu. Opisuje oczekiwany cykl: raport, ocena użytkownika, aktualizacja procedury, następny raport. Nie pokazuje jednak wielodniowego sprawdzianu tego mechanizmu. Podobnie integrację wyników z Obsidian LLM Wiki, wspólną pamięć kilku urządzeń i rozwinięcie środowiska wykonawczego zostawia na przyszłe materiały.
{Informacja dodatkowa — ocena redakcyjna: najcenniejsze w filmie jest nie zapewnienie, że agent sam staje się lepszy, lecz pokazanie miejsca, w którym aktualizacja nie zaszła tak, jak oczekiwał autor. Użyteczna automatyzacja wymaga sprawdzenia, czy uwagi rzeczywiście trafiają do instrukcji wykorzystywanych przy następnym wykonaniu. Materiał pokazuje pierwszy działający obieg i jego poprawki, a nie gotowy system wymagający od użytkownika wyłącznie instalacji.}