Hermes Agent privlači pažnju, ali ne rješava ključni problem umjetne inteligencije

· Sanja Ledinek

Hermes Agent privlači pažnju, ali ne rješava ključni problem umjetne inteligencije

Nous Research u veljači je predstavio alat Hermes Agent, koji je brzo privukao pažnju tehnološke zajednice. Razlog interesa je njegova sposobnost da “uči iz iskustva” – nakon svakog izvršenog zadatka sustav automatski pretvara prethodne akcije u ponovno iskoristive vještine koje se s vremenom mogu poboljšavati. Na papiru zvuči kao mali korak prema AI sustavima koji se sami usavršavaju. U praksi – priča je nešto složenija.

Dva velika problema današnjih AI agenata

Stručnjaci ističu da problem modernih AI agenata nije nedostatak “vještina”, nego dvije puno prizemnije stvari: previsoka potrošnja tokena i samim time visoki troškovi i nestabilnost kod dugotrajnih zadataka,
Drugim riječima, AI često mora ponavljati iste radnje više puta jer alati kojima upravlja nisu dovoljno pouzdani. Svaki novi pokušaj znači i dodatne troškove. Korisnici na platformama poput Reddit navode primjere gdje su jednostavne automatizacije, poput objava na društvenim mrežama, koštale više dolara – i to bez uspješnog završetka zadatka.

Zašto “vještine” nisu dovoljno rješenje?

Hermes Agent se oslanja na koncept “skillova” – akcija zapisanih u prirodnom jeziku koje model može ponovno koristiti. Problem je što takav pristup ima nekoliko slabosti: ovisi o kvaliteti i ponašanju AI modela, promjenom modela mijenja se i rezultat iste “vještine” i teško je standardizirati i testirati pouzdanost. Odnosno, ono što danas radi – sutra možda neće.

Stabilnost pobjeđuje fleksibilnost

S druge strane, alati poput Claude Code pristupaju problemu drugačije. Umjesto apstraktnih “vještina”, oslanjaju se na precizne, atomske operacije – jasno definirane naredbe koje uvijek daju isti rezultat. Takav pristup smanjuje potrošnju tokena, povećava stabilnost i olakšava testiranje i predvidljivost.
Ukratko, manje “AI magije”, više inženjerske discipline.

Pomak prema AI-first komandnim sustavima

Zanimljiv trend koji se pojavljuje jest postupni prelazak s klasičnih CLI sustava (command line interface) prema AI-agentskim sustavima. No umjesto da AI potpuno zamijeni CLI, događa se nešto drugo – CLI se redefinira. Moderni pristup traži jasne, jednorazne naredbe, precizne poruke o greškama i podršku za asinkrone i dugotrajne zadatke. AI, za razliku od ljudi, ne “odustaje” – nastavlja pokušavati, što može dovesti do spirale neefikasnosti ako sustav nije dobro dizajniran.

Idealna arhitektura budućih AI sustava

Prema analizi industrije, budući AI sustavi trebali bi biti slojeviti:

  • Klasični alatni sloj (CLI) – izvršava jasne zadatke bez AI intervencije
  • Sloj vještina (skills layer) – upravlja kontekstom i ponovnom upotrebom iskustva
  • Veliki jezični model (LLM) – koristi se samo za složene odluke

Problem današnjih sustava je što često preskaču prvi sloj i sve guraju u AI, što rezultira većim troškovima, sporijim radom i većom nestabilnošću.

Zaključak

Nous Research s Hermes Agentom pokušava riješiti važan dio slagalice – kako AI učiti iz iskustva i postajati učinkovitiji. No pravi izazov, kako stručnjaci ističu, nije u “učenju vještina”, nego u infrastrukturi koja te vještine podržava. Bez stabilnih i predvidljivih temelja, čak i najpametniji AI agenti riskiraju da postanu skupi i neefikasni.

Hermes možda uči kako raditi bolje, ali sustav oko njega još uvijek ne zna raditi dovoljno stabilno.

DRUGE NOVOSTI