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:

Llama aranykor: Zuckerberg személyes motivációja hajtotta. A Llama 1-2-3 felépítette az AI kutatói ökoszisztémát. De minden verzió drágább lett.
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.
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."