Betriebsrichtlinien für Hermes-Agenten: Token-Verschwendung stoppen und lokale Workflows sichern

Wie Sie verhindern, dass nutzlose Skills den Speicher fressen

Hermes extrahiert und speichert automatisch Skills, sobald eine Aufgabe abgeschlossen ist. Diese Autonomie ist zwar lobenswert, führt aber ohne Aufsicht dazu, dass die Datei m.txt schnell mit redundanter Logik und Code-Müll überquillt. Ungepflegter Speicher erhöht die kognitive Last des Modells und verschwendet letztlich Ihr Geld und Ihre Zeit.

Um die Qualität Ihres Skill-Repositorys zu sichern, müssen Sie bereits beim System-Prompt ansetzen. Erzwingen Sie die Regel: "Alle Skills müssen in einer IPO-Struktur (Input-Process-Output) aufgezeichnet werden." Indem Sie das Modell verpflichten, Umgebungsvariablen, Ausführungsbefehle und erwartete Ergebnisse explizit anzugeben, sinkt die Wahrscheinlichkeit für Halluzinationen erheblich. Öffnen Sie jeden Montagmorgen das Verzeichnis ~/.hermes/skills/. Führen Sie Dateien mit identischen Inhalten zusammen und ersetzen Sie hardcodierte Pfade durch Variablen wie $PROJECT_ROOT. Durch diese einfache Filterung lassen sich unnötige Iterationsschritte reduzieren und der gesamte Token-Verbrauch um fast 40% senken.

Profiltrennung: Wissensvermischung zwischen Projekten vermeiden

Es wird problematisch, wenn ein Agent Konfigurationswerte von Projekt A auf Projekt B anwendet. Hermes speichert alle Dialoge und Metadaten in der state.db. Als Freelancer sollten Sie diese Datenbank je nach Art der Arbeit isolieren. Wenn sich Wissen vermischt, gerät der Agent in Verwirrung, und Sie verlieren wertvolle Zeit mit dem Debugging.

Verwenden Sie den Befehl hermes profile create <Projektname> im Terminal, um eine unabhängige Instanz zu erstellen. Legen Sie anschließend eine SOUL.md als spezifische Verhaltensrichtlinie im Projekt-Root ab und setzen Sie den terminal.backend in der config.yaml auf local. Wenn Sie jede Sitzung mit dem Befehl /title benennen, ist es später wesentlich einfacher, vergangene Lösungsmuster via SQLite-Abfrage zu finden. Diese Strukturierung dauert weniger als fünf Minuten, wird aber zu einem wertvollen Asset, das die initiale Design-Zeit bei Folgeprojekten halbiert.

API-Kosten senken durch Cascading: Claude und lokale Modelle im Mix

Es ist nicht gerade schonend für den Geldbeutel, Claude 3.5 Sonnet für jede banale Frage zu nutzen. Sie benötigen eine Cascading-Strategie: Reservieren Sie kostenpflichtige Modelle für komplexe Aufgaben wie das Architektur-Design, und überlassen Sie die einfache Code-Implementierung oder Log-Analyse lokalen Modellen.

Wenn Sie Ihr monatliches Budget bei etwa 50.000 KRW (ca. 35 EUR) deckeln wollen, müssen Sie den richtigen Zeitpunkt für den Modellwechsel finden. Nutzen Sie Claude am Vormittag für konzeptionelle Arbeit, aber wechseln Sie sofort auf das lokale Qwen 2.5 Coder 32B via /model custom, sobald repetitive Codierung ansteht. Automatisierungsprozesse über Nacht oder einfache Datenbereinigung sind zu 100% Aufgaben für das lokale Modell. Prüfen Sie regelmäßig mit /usage, ob Sie 80% Ihres Budgets erreicht haben. Sobald das Limit naht, sollten Sie festlegen: "Ab jetzt nur noch lokale Modelle verwenden", um eine Kostenexplosion der API zu verhindern.

Halluzinations-Transfer stoppen: Sandbox und menschliche Freigabe

Nichts ist gefährlicher als ein Agent, der fehlerhafte Informationen als Fakten in das Skill-Repository drückt. Einmal kontaminierter Speicher produziert fortlaufend fehlerhafte Ergebnisse. Respektieren Sie die Autonomie des Agenten, aber kontrollieren Sie strikt die Schreibrechte, die das System korrumpieren könnten.

Setzen Sie zuerst terminal.backend in der config.yaml auf docker. Es ist oberste Priorität, den Agenten so zu isolieren, dass er nur innerhalb eines Containers agieren kann. Lassen Sie danach ein Bash-Skript laufen, das den vom Agenten erstellten Code automatisch per pytest validiert. Nur Code, der den Test besteht, darf in den Speicher gelangen. Die letzte Instanz sind Sie selbst. Ändern Sie den System-Prompt so, dass der Aufruf von save_skill zwingend eine Benutzerfreigabe erfordert. Nur wenn dieser dreifache Filter aktiv ist, können Sie verhindern, dass Halluzinationen in Ihre Systemdokumentation einsickern, und eine Zuverlässigkeit von 99% aufrechterhalten.

Datenextraktion: Arbeitslogs in Rentabilitätskennzahlen verwandeln

Die in der state.db angesammelten Daten sind nicht bloß Textwüsten. Sie sind Indikatoren dafür, wie effizient Sie arbeiten. Nutzen Sie die Python-Library sqlite3, um den Token-Verbrauch pro Sitzung und die Anzahl der erstellten Skills der letzten Woche zu extrahieren.

Etablieren Sie eine Routine, um diese Daten in Markdown zu konvertieren und in Ihrer persönlichen Wissensdatenbank zu speichern. So sehen Sie auf einen Blick, welches Projekt die höchsten Kosten verursacht hat und welche Logik am häufigsten wiederverwendet wurde. Dies geht über reine Dokumentation hinaus und dient als fundierte Basis für zukünftige Projektkalkulationen. Die Fähigkeit, die Spuren des Agenten in gewinnbringende Informationen zu verwandeln, ist genauso wichtig wie die Steuerung des Agenten selbst. Ein so geführter Hermes-Agent ist kein bloßes Werkzeug mehr, sondern ein "zweites Gehirn", das Ihren Arbeitsstil perfekt adaptiert hat.