Pedoman Operasional Agen Hermes untuk Mencegah Pemborosan Token dan Menjaga Alur Kerja Lokal

Cara Mengelola Skill Tidak Berguna Agar Tidak Menggerogoti Memori

Hermes secara otomatis mengekstrak dan menyimpan skill setelah menyelesaikan tugas. Otonomi ini memang membantu, tetapi jika dibiarkan, file m.txt akan segera dipenuhi dengan logika duplikat dan kode sampah. Memori yang tidak terkelola akan meningkatkan beban kognitif model dan akhirnya membuang-buang uang serta waktu Anda.

Untuk menjaga kualitas repositori skill, Anda harus mulai membenahi prompt sistem. Paksa dengan instruksi: "Catat semua skill dalam struktur IPO (Input-Process-Output)". Dengan mewajibkan spesifikasi variabel lingkungan, perintah eksekusi, dan hasil yang diharapkan, probabilitas agen melantur di kemudian hari akan berkurang. Setiap Senin pagi, bukalah direktori ~/.hermes/skills/. Gabungkan file yang isinya tumpang tindih dengan skill yang sudah ada, dan ganti kode yang menyertakan path folder spesifik dengan variabel seperti $PROJECT_ROOT. Pemfilteran sederhana ini saja dapat mengurangi langkah inferensi yang tidak perlu dan menghemat konsumsi token total hingga hampir 40%.

Memisahkan Profil Agar Pengetahuan Tidak Tercampur Antar Proyek

Masalah akan muncul saat agen menerapkan nilai konfigurasi dari Proyek A ke Proyek B. Hermes menyimpan semua percakapan dan metadata di state.db. Jika Anda adalah seorang freelancer, Anda harus mengisolasi DB ini berdasarkan karakteristik pekerjaan. Jika pengetahuan tercampur, agen akan bingung dan Anda akan membuang waktu untuk debugging.

Gunakan perintah hermes profile create <nama_proyek> di terminal untuk membuat instans independen. Kemudian, letakkan SOUL.md sebagai pedoman perilaku khusus agen di root proyek, dan atur terminal.backend ke local di config.yaml. Setiap kali memulai sesi, sematkan nama pekerjaan dengan perintah /title agar lebih mudah saat mencari pola solusi masa lalu dengan kueri SQLite nantinya. Membangun struktur ini memakan waktu kurang dari 5 menit, tetapi akan menjadi aset yang memangkas waktu desain awal hingga setengahnya saat Anda mendapatkan proyek serupa di masa depan.

Menghemat Biaya API dengan Mencampur Claude dan Model Lokal

Menggunakan Claude 3.5 Sonnet untuk semua pertanyaan bukanlah hal yang bijak bagi dompet Anda. Anda memerlukan strategi cascading: gunakan model berbayar hanya untuk tugas yang membutuhkan pemikiran berat seperti desain arsitektur, dan serahkan implementasi kode sederhana atau analisis log ke model lokal.

Jika ingin membatasi anggaran bulanan di kisaran 50.000 Won, tentukan timing perpindahan model. Meskipun menggunakan Claude di pagi hari, segera setelah pengkodean repetitif dimulai, ketik perintah /model custom untuk beralih ke Qwen 2.5 Coder 32B lokal. Tugas otomatisasi yang berjalan semalaman atau pembersihan data sederhana adalah tugas 100% milik model lokal. Periksa secara berkala dengan /usage untuk melihat apakah sudah melewati 80% anggaran. Begitu melewati batas, tegaskan dengan instruksi "Mulai sekarang hanya gunakan model lokal" untuk mencegah lonjakan biaya API.

Mencegah Transmisi Halusinasi dengan Sandbox dan Persetujuan Manusia

Tidak ada yang lebih berbahaya daripada agen yang memasukkan informasi salah ke dalam repositori skill seolah-olah itu fakta. Sekali memori tercemar, ia akan terus mengeluarkan hasil yang salah. Hormati otonomi agen, tetapi kontrol dengan ketat hak tulis yang dapat merusak sistem.

Pertama, atur terminal.backend ke docker di config.yaml. Prioritas utamanya adalah mengisolasi agen agar apa pun yang dilakukannya hanya terjadi di dalam kontainer. Selanjutnya, jalankan skrip bash yang memvalidasi kode buatan agen secara otomatis dengan pytest, sehingga hanya kode yang lolos tes yang dimasukkan ke memori. Benteng terakhir adalah Anda. Ubah prompt sistem agar agen wajib mendapatkan persetujuan pengguna saat memanggil save_skill. Filter tiga lapis ini harus berjalan untuk mencegah halusinasi agen menyebar ke dokumen sistem Anda dan menjaga tingkat kepercayaan di angka 99%.

Ekstraksi Data: Mengubah Log Kerja Menjadi Indikator Profitabilitas

Data yang menumpuk di state.db bukan sekadar kumpulan teks biasa. Itu adalah indikator yang menunjukkan seberapa efisien Anda bekerja. Gunakan library sqlite3 Python untuk menarik data konsumsi token per sesi dan jumlah skill yang dihasilkan selama seminggu terakhir.

Buatlah rutinitas untuk mengonversi data yang diekstrak ke format Markdown dan menyimpannya di basis pengetahuan pribadi Anda. Anda akan melihat dengan jelas proyek mana yang memakan biaya besar dan logika mana yang sering digunakan kembali. Ini lebih dari sekadar catatan; ini menjadi bukti kuat saat Anda membuat penawaran harga untuk proyek berikutnya. Sama pentingnya dengan mempekerjakan agen dengan baik, kemampuan untuk mengolah jejak yang ditinggalkan agen menjadi informasi bernilai ekonomi adalah kunci. Hermes yang dikelola seperti ini bukan lagi sekadar alat, melainkan "otak kedua" yang menyerap gaya kerja Anda sepenuhnya.