Son Hermes Agent makaleleri, kalıcı bellek, araç kullanım soyutlaması ve tonom ajanlardaki yansıtma döngüleri etrafında üretken bir tartışma başlattı.

Hype'ye eklemek yerine, Hermes'in önerdiği mimariyi, bir yıldan fazla süredir üretimde çalışan bir uygulama ile karşılaştırmak istiyorum: OpenClaw.

Amaç, öncelik ilan etmek değil, desenlerin kesiştiği yerleri—and OpenClaw'ın aynı mühendislik zorluklarının birçoğunu zaten çözdüğü yerleri—göstermektir.

Bellek mimarisi

Hermes, vektör tabanlı arama ve çöküntü mekanizmalarıyla oturumlar arası kalıcı bellek öneriyor.

OpenClaw, bu işlevi yerel-öncelikli, programlanabilir bir bellek katmanı olarak Honcho kullanarak uyguluyor. Temel teknik seçenekler:

• Zamanla çöküntü: eski bellekler, alınan puanları eksponansiyel olarak düşük alır. Bu, günemsiz bağlamın çalışma belleğini domin etmesini önler.
• MMR (Maksimal Marjinal İlgililik): getirici, mevcut sorguya benzerlikle döndürülen bellekler arasındaki çeşitlilik arasında denge kurar. Benzer neredeyse aynı parçaların tekrarlanmaması sağlanır.
• Sıfır API çağrısı: tüm bellek sistemi yerel olarak çalışır—ücretli vektör veritabanlarına veya harici gömme hizmetlerine gidip dönüş yok.

Nedenleme vs. araç kullanımı

Hermes, ajanın nedenleme çekirdeği ve araç çağrısı yüzeyi arasında temiz bir ayrım yapar.

OpenClaw, bu ayrımı ilk sürümünden beri taşımaktadır:

• Nedenleme döngüsü, kompakt bir “çalışma belleği” görünümünde çalışır.
• Araçlar, açık şemalara sahip modüler, tipli fonksiyonlar olarak tanımlanır.
• Ajan araçları doğrudan asla çağırmaz; yapılandırılmış bir “araç isteği” üretir ve bu isteği orkestratör yönlendirir ve doğrular.

Bu, model değiştirmeyi (örneğin, küçük bir yerel modelden GPT-4’e) arayüzü değiştirmeden mümkün kılar—bu desen, %95’lik adım için çıkarımı ucuz tutar.

Yansıma döngüleri

Hermes, kendi kendine düzeltme için bir “yansıma döngüsü” sunar.

OpenClaw, bunu sadece hata ayıklayıcı için bir kısıtlama olarak uygular:

• Ajan, küçük ve hızlı modellerde (Ollama, llama.cpp) çoğunlukla çalışır.
• Ödeme gerektiren bir model (OpenAI, Anthropic), ajan bir güven eşiğine ulaşır veya bir yürütme hatasıyla karşılaştığında—ve yalnızca başarısızlığı yansıtmak ve düzeltilmiş bir plan üretmek için—çağrılır.
• Bu, yansıma döngülerinin maliyet çarpanı haline gelmesini önler.

Çok ajanlı orkestrasyon

Hermes, izole bağlamlarla alt ajan devretme önerir.

OpenClaw, Lobster işlem hatlarını—DAG tabanlı görev grafiklerini kullanır:

• Her alt ajan kendi belleği ve araç bağlamında çalışır.
• Üst ajan, yapılandırılmış bir geçiş yoluyla görev devretti (sadece ilgili durumun ilgili kısmını aktararak).
• İşlem hatları bileşebilir, önbelleğe alınabilir ve maliyetsiz hata kurtarma için yeniden oynatılabilir.

Üretim testlerinde, bu, tek bir ajanın her şeyi halletmesiyle karşılaştırıldığında çok adımlı görevlerde jeton tüketimini %70-80 azaltır.

Hermes'in gerçekten yeni olduğu yer

Adil olmak gerekirse, Hermes, bu tür ajanların dağıtımını ve yaşam döngüsü yönetimini (sürümleme, geri alma, bellek parametrelerinin A/B testi) formalize eder. OpenClaw şu anda bu özelliği eksik—geliştirici odaklı bir araç setidir, yönetilen bir platform değil.

Bu, tüm alan için faydalı bir yön.

Sonuç

Bugün bir ajan geliştiriyorsanız, Hermes'in kapalı kaynaklı bir uygulamasını beklemek zorunda değilsiniz.

Temel desenler—zamanla bozulmaya sahip kalıcı bellek, MMR çekimi, ayrılmış akıl/aracı katmanları, maliyet-kontrollü yansıma döngüleri ve DAG tabanlı alt-ajan orkestrasyonu—OpenClaw'da zaten uygulanmış olup, tam yapılandırma dosyaları ve örnekler mevcuttur.

Klonlayabilir, bir dizüstü bilgisayarda çalıştırabilir ve bir öğleden sonra mimaride değişiklik yapmaya başlayabilirsiniz.

Bu konuyu belgeleyen makale şurada: Sıfır Bütçeli OpenClaw Oluşturma: Zamanla Bozulmaya Sahip Hibrit Çoklu Ajan Belleği ve MMR

Konuşmayı teknik tutalım. Bu mimarinin hangi kısmını daha derinlemesine incelemek istersiniz?