Weekendul m-a ținut ocupat cu muncă repetitivă o jumătate de zi, și am realizat brusc că acest stack de automatizare AI a funcționat deja de câteva luni, iar eficiența a crescut destul de mult. Așa că m-am gândit să fac un rezumat despre cum colaborează această arhitectură.
Esential sunt două roluri: **Hermes face managementul** și Claude Code se ocupă de craft. Hermes este, în esență, un manager de sarcini, gestionând agenda, managementul memoriei, cron-urile din fundal și distribuirea mesajelor pe Telegram și Feishu. Poți să-l imaginezi ca pe un secretar care este mereu online, își amintește ideile de ieri, te reamintește la timp diseară și rulează automat un script de colectare a datelor mâine.
Pentru codare complexă, îi las pe Claude Code să se ocupe de tot. Refactorizări mari, audit de cod sau design-ul unei funcționalități de la 0 la 1 — toate acestea le fac direct cu modul CLI al lui Claude Code. Ambele părți pot accesa biblioteca mea de skill-uri (metodologie acumulată), iar dacă Hermes vrea să refolosească o logică existentă, pur și simplu apelează skill-ul; Claude Code poate folosi același lucru, costul de schimbare este aproape inexistent.
În ceea ce privește alegerea modelului, este un echilibru cost-beneficiu. Conversațiile zilnice, știrile matinale și monitorizarea pieței, care sunt de mare volum, sunt gestionate de Haiku (ieftin), iar pentru sarcini mari care necesită raționament profund, trecem la Sonnet sau Opus. Astfel, costul cu token-urile pe o lună poate fi controlat.
Privind dintr-o altă perspectivă, **agentul este creierul liniei de automatizare**, ia decizii și face programarea; **skill-ul este mâna liniei de producție**, care face munca efectivă. Hermes este pe partea agentului, oferind memorie și context fiecărei etape a liniei. Dacă o sarcină depășește limita, o escaladează direct către expertul Claude Code.
Am încercat să lucrez fără această configurație înainte, și pierdeam 8 ore pe săptămână cu muncă repetitivă. Acum, unele sarcini rulează practic în fundal, tot ce trebuie să fac este să verific periodic rapoartele sau alertele de anomalii. Cea mai mare capcană a fost scrierea neclară a documentației skill-urilor, care a dus la erori de apel. Acum, pentru fiecare skill nou, impun completarea "capcanelor comune" și "scenariilor de utilizare".
Când mă gândesc la asta, consider că esența automatizării AI nu este să folosești cel mai puternic model, ci **să descompui munca suficient de fin, să faci fiecare unitate suficient de independentă și să fie ușor de debug-uit dacă apare o eroare**. O echipă mică care investește în această direcție ar trebui să economisească mult timp de muncă manuală.
$BTC #AI #Agent