Llm

Основная идея проста: скомпилированные знания более пригодны для повторного использования, чем извлеченные фрагменты. RAG стал стандартным ответом на простой вопрос — как предоставить LLM доступ к внешним знаниям?

Большинство руководств по «структурированному выводу» (structured output) для больших языковых моделей (LLM) не обладают должной серьезностью. Они учат вас вежливо просить модель выдавать JSON и затем надеяться, что она поступит правильно. Это не валидация. Это оптимизм, обернутый в фигурные скобки.

Эта страница представляет собой практическое руководство по настройке агентов на базе LLM (температура, top_p, top_k, штрафы и их взаимодействие в многоступенчатых рабочих процессах с интенсивным использованием инструментов).

Вы уже общаетесь с агентом Hermes через телефон, используя текстовые сообщения. Теперь вы хотите говорить с ним напрямую и получать ответы голосом. Как правило, это правильное решение, особенно если вы уже используете Hermes как постоянно работающего автономного ассистента. Ввод длинных подсказок на маленьком экране медленный и подвержен ошибкам.

Hermes Agent поставляется с доской в стиле Kanban и Hermes Gateway, который может перегрузить вашу самохостинговую LLM, если одновременно будет поставлено слишком много задач.

Hermes Agent рассматривает навыки (skills) как основной способ обучения повторяемым рабочим процессам. Официальная документация описывает их как документы знаний по запросу, соответствующие открытому формату agentskills.io, загружаемые через механизм постепенного раскрытия, при котором модель сначала видит небольшой индекс и загружает полные инструкции только тогда, когда задача действительно этого требует.

Hermes Agent от Nous Research — это ассистент с использованием инструментов, не зависящий от конкретной модели, который можно запускать локально или на VPS, из командной строки, в полноэкранном TUI или через шлюз мессенджеров.

Большинство стеков ИИ-агентов по-прежнему рассматривают безопасность как проблему, которую нужно решать после демонстрации. NemoClaw исходит из противоположного предположения и делает изоляцию, политики и маршрутизацию настройками по умолчанию с первого дня.

Этот раздел собирает руководства по накопительным знаниям и памяти для ИИ-систем — как ассистенты хранят факты, предпочтения и выжимки контекста между сессиями, не пытаясь впихнуть каждый токен в один промпт. Здесь память означает намеренное сохранение (факты о пользователе, сводки, хранилища на основе плагинов), а не VRAM видеокарты или веса модели.

Обновлено в сентябре 2026 года: добавлены Mnemosyne и Memori, расширены настройки Honcho и Hindsight, а также добавлено сравнение политик фиксации данных (capture policy) наряду с исходной таблицей инфраструктуры.

Вы знаете этот сценарий. Вы открываете чат с ИИ-агентом, объясняете свой проект, делитесь своими предпочтениями, выполняете часть задач и закрываете вкладку. Возвращаетесь через неделю — и это как разговор с посторонним: весь контекст утерян, все предпочтения забыты, проект нужно объяснять заново с нуля.

OpenClaw не провалилась как продукт. Он потерял свое топливо.

Долгое время llama.cpp страдал от очевидного ограничения: вы могли обслуживать только одну модель на процесс, а переключение требовало перезапуска.

Большинство команд неправильно используют Claude Skills одним из двух способов. Либо они превращают SKILL.md в свалку информации, либо так и не переходят от огромных скопированных промптов к чему-то более структурированному.

Ассистент Hermes AI, официально документированный как Hermes Agent, позиционируется не как простая обертка для чата.

У OpenClaw есть два типа расширений, и их легко перепутать.

Плагины расширяют среду выполнения. Навыки (Skills) расширяют поведение агента.