# Practical AI: Hermes Agent — Agents that Grow with You **Dátum:** 2026. május 21. **Vendég:** Jeffrey Quesnelle (co-founder & CTO, Nous Research) **Hostok:** Daniel Whitenack, Chris Benson **Epizód link:** --- ## TL;DR A Nous Research egy Discord-közösségből indult, ma pedig a Hermes Agent a GitHub #1 open source repója. Jeffrey Quesnelle végigvezet a cég történetén, az open source AI geopolitikai helyzetén, és elmagyarázza, miért a "harness" (az agent keretrendszere) lesz a következő nagy platformréteg. A fő üzenet: a Hermes Agent attól különleges, hogy *használat közben tanul* — saját maga hoz létre skilleket és memóriát, ahogy dolgozol vele. --- ## Nous Research története: Discordból startup Két éve Daniel Whitenack már beszélgetett a Nous Research egyik társalapítójával. Akkor még "a haverok a Discordon" voltak — laza kollaboráció. A ChatGPT 3.5 és a zárt modellek dominanciája közepette a cél az volt, hogy a nyílt forráskódú AI ne haljon ki. A korai siker azon alapult, hogy a kutatási térben rengeteg low-hanging fruit volt: "Egy-két ember független kutatással felfedezhetett olyan dolgokat, amik 1000-szeres hatékonyságjavulást hoztak." Ez adta a hitelességet, hogy "Dávid tényleg ugyanarra a pályára kerülhet, mint Góliát." A cég 2024 körül formalizálódott. Több irányt próbáltak: akadémiai kutatás, distributed training, finetune-ok. A Hermes modellek (a mostani "reasoning" korszak előtt) arról voltak híresek, hogy "nem moralizálnak" — olyan modellek voltak, amik tisztelik a felhasználót. --- ## Az open source AI geopolitikája — "inside baseball" Quesnelle szerint három fázis volt: 1. **Llama aranykor:** Zuckerberg személyes motivációja hajtotta. A Llama 1-2-3 felépítette az AI kutatói ökoszisztémát. De minden verzió drágább lett. 2. **Llama 4 bukása:** $200-400 milliós modell, ami "papírnehezék" lett. A Meta-nál elindult a "miért is költünk erre?" beszélgetés. Ezzel párhuzamosan a DeepSeek megjelenése geopolitikai dimenzióba tolta az open source AI-t: hirtelen Kína dominálta a nyílt modellek terét. 3. **NVIDIA belép:** Jensen Huang a GTC-n bejelentette, hogy $20 milliárdot költenek "western provenance" open source modellekre. Quesnelle szerint az NVIDIA-nak ez üzletileg is értelmes: "minden az ő chipjeiken fut". "Show me incentive, I'll show your outcome." --- ## A filozófia: model = agy, harness = test > "A model az agy, a harness a tested. Egy 150-es IQ-jú ember tolószékben kevesebbet ér el, mint egy 95-ös IQ-jú atléta testtel." Ez a központi metafora. A model outputja csak tokenek — a harness az, ami ezt valós cselekvéssé alakítja. Quesnelle szerint a piac a "kimenetekért való fizetés" felé tart: az emberek nem modelleket vagy harnesseket akarnak venni, hanem *elvégzett munkát*. --- ## Hermes Agent: az agent, ami használat közben tanul A projektet **Technium** kezdte — egy srác, aki "nem igazán tudott kódolni", de AI segítséggel felépítette a GitHub #1 open source repóját. Ez a meta-történet maga: egy ember, akit az AI 1000-szeresére skálázott. ### Két opinionated feature: **1. Skill system** Használat közben az agent észreveszi, ha valamit ismételten csinálsz, és automatikusan skillt hoz létre belőle. Quesnelle példája: > Repülőn ülve próbáltam éttermet foglalni Las Vegasban. 45 percig küzdött a bot-védelemmel, captcha-kkal, végül megtalálta az API backendet. A végén létrehozott egy "Las Vegas restaurant booking" skillt. Másnap: "Foglalj még egy asztalt" → instant. Nincs hardcode-olva semmi. A promptokban van egy "self-reflection" réteg, ami arra bíztatja az agentet, hogy jegyezze meg, amit tanult. **2. Hierarchical memory system** Többrétegű memória: jegyzetek a felhasználóról, preferenciák, korábbi session-ök. Mindent az LLM saját döntése alapján aktivál — nincs előre programozva, hogy mikor mit használjon. Ahogy jobb modellek jönnek (GPT-24, következő Opus), a Hermes Agent automatikusan jobb lesz, mert ugyanaz a keretrendszer jobb döntéseket hoz. ### A fejlesztési filozófia: "Get out of the way of the model" > "Ne mondd meg, hogyan csinálja. Írd le a célokat és az értékelési kritériumokat." Az emberek hajlamosak lépésről lépésre irányítani az agentet — ez hiba. Helyette: írd le explicit módon, mit akarsz, és milyen feltételek mellett tekinted sikernek. "Magyarázd el úgy, mintha egy földönkívülinek magyaráznád, ne úgy, mintha egy ötévesnek." --- ## Mit automatizálj? > "Az agentek = végtelen türelem, nagyon kevés kreativitás." Olyan feladatokat keress, amit egy ember *el tudna végezni*, de nem lenne hozzá türelme. Példa: a Nous-nál egy agent MCP-n keresztül rákapcsolódik az összes backend infrastruktúrára. Kezdetben debuggingra használták. Egy hónap alatt annyi skilt épített fel, hogy ma már a support-os is tudja használni: konkrét ügyfélfiók adatait kérdezi le, root cause elemzést végez — olyan dolgokat, amiket korábban csak a senior engineerek tudtak. **Amit NE csinálj:** ne próbálj "CEO agentet" vagy "CFO agentet" építeni. Ne 1:1 emberi szerepeket másolj. Gondolkodj operacionalista módon: mit csinál *ténylegesen* a feladat? --- ## Amit az AI nem tud: esztétika és emberi ízlés Quesnelle legérdekesebb meglátása: > "Az AI meg tud oldani bármit, amihez a genetikai lottón kellett nyerni — matek, kód. De azt, amit szinte minden ember tud (esztétikai ítélet), nem tudja. Mert az esztétika a közös emberi tapasztalatban gyökerezik: megszülettünk, időben élünk, evolúciós nyomások formáltak minket. Az AI-nak ebből semmije nincs." Ezért lesz az AI outputja "slop" — a szavak statisztikai átlaga. A felhasználó dolga, hogy explicit módon kommunikálja az esztétikai elvárásait. --- ## Emberi jövő: aggodalom és remény Quesnelle-nek 5 napos újszülött lánya van, és ez keretezi a gondolatait: > "Csak egy generáció kell. Amibe belenősz, azt tartod normálisnak. Ha a válasz mindig 'a számítógép tudja', mi lesz a kritikai gondolkodással?" A Nous-nál "human-centric AI"-ról beszélnek: az AI tegyen jobbá ma, mint tegnap, és holnap, mint ma. De ehhez felelős használat is kell — nem elég jó eszközöket építeni. --- ## Aranyidézetek - *"Show me incentive, I'll show your outcome."* - *"Hermes Agent's written 99.99% by Hermes Agent."* - *"Explain it to me like I'm an alien, not like I'm five."* - *"We are moving to where people will want to pay for outcomes."* - *"The agent that gets better the more you use it."* - *"Don't tell it how to do something. Describe the outcomes and the conditions."*