Wechsel von OpenClaw zu Hermes Agents: Mein aktueller KI-Workflow
Erfahren Sie, wie Sie Project Aria, Agent Stack Daily und adaptive Trainings auf Hermes Agents auf einem M3 und einer DGX Spark aufteilen – mit Fable für größere Architekturänderungen.
Immer wieder werde ich gefragt, wie mein KI-Setup derzeit verdrahtet ist, daher hier die Kurzfassung: Mein Workflow ist offiziell von OpenClaw auf eine verteilte Hermes-Agent-Architektur umgestiegen, wobei Fable als Schwerarbeiter für umfassende Rebuilds dient. Aktuell laufen Project Aria, der morgendliche Fitnessbericht, adaptive Workouts und die Agent Stack Daily Podcast-Pipeline alle auf Hermes-Agenten, die auf einen M3 Max und einen DGX Spark-Knoten aufgeteilt sind.
Für diejenigen, die sich zwischen diesen Tools entscheiden, hängt die Wahl vom Umfang der Aufgabe und dem Speicherort der Daten ab. Wenn man einen kompletten Neuaufbau oder einen architektonischen Wandel über mehrere Dateien durchführt, ist Fable aufgrund seiner Planungsfähigkeiten die überlegene Wahl. Für tägliche, inkrementelle Operationen und datenabhängige Auslöser ist jedoch ein lokaler Hermes-Agent effizienter. Obwohl ich die meisten Operationen auf Hermes verlagert habe, halte ich OpenClaw aufgrund einiger anhaltender Zuverlässigkeitsbedenken hinsichtlich der OpenAI-API-Konnektivität von Hermes in einem Standby-Zustand.
Wo die Infrastruktur derzeit lebt
Der Übergang weg von OpenClaw lag nicht an mangelnder Leistung, sondern an besserer Segmentierung. Meine aktuelle Umgebung ist auf zwei Hauptmaschinen aufgeteilt, was es mir ermöglicht, persönliche Daten von öffentlich zugänglichen Produktionsumgebungen zu trennen. Die OpenClaw-Instanz sitzt immer noch auf meiner lokalen Maschine, ist aber im Wesentlichen untätig – ein Sicherheitsnetz für den Fall, dass der neuere Stack an eine Wand stößt.
- M3 Max (Lokale Maschine): Dies ist der Knotenpunkt für persönliche Telemetrie. Er betreibt den Hermes-Agenten, der für Project Arias Fitness-Tracking, den adaptiven Workout-Builder und die gesamte Agent Stack Daily Podcast-Pipeline zuständig ist. Da der M3 der Ort ist, an dem ich meine Daten konsumiere, ist es sinnvoll, dass der Agent hier lebt.
- DGX Spark (Compute-Knoten): Dieser Hermes-Agent übernimmt die Schwerarbeit für Website-Updates und den serverseitigen Teil von Project Arias historischem Tracking. Die Platzierung auf dem Spark stellt sicher, dass öffentlich zugängliche Updates nicht die Ressourcen meiner lokalen Maschine verstopfen.
Diese Aufteilung ist wichtig, weil sie die „Persönlichkeit" jedes Agenten grundlegend verändert. Der M3-Agent ist hochgradig persönlich – er erstellt meinen Morgenbericht, skriptet mein Workout und rendert die Podcast-Audio. Der Spark-Agent funktioniert eher wie ein Produktionsserver, der auf Stabilität und Site-Deployment fokussiert ist.
Der Morgenbericht: Von Daten zu Aktionen
Jeden Morgen schickt der Hermes-Agent auf dem M3 einen täglichen Brief an mein Telegram. Dies ist keine bloße Benachrichtigung; es ist die primäre Eingabe für das körperliche Training des Tages. Er aggregiert Daten der letzten 24 Stunden, um eine klare „Grünes Licht"- oder „Rotes Licht"-Entscheidung für die Trainingsintensität zu liefern.
Ein typischer Bericht sieht so aus:
Morgen Toby. Erholung 76%, HFV 25 ms, Ruhepuls 75 nach 8h 6m Schlaf bei 92% Effizienz. Whoop Strain 2,4. Lastverhältnis 0,9. Schrittziel 12.600. Gestern: 14.490 Schritte gegen ein Ziel von 14.700. Erholungstrend 76% vs 71% über sieben Tage, 62% über achtundzwanzig Tage. Kardio grünes Licht. Trainiere nach dem Erholungssignal.
Dieser Bericht dient als Eingabeaufforderung für Project Aria, um das Training des Tages auszuwählen. Es ist kein Eitelkeits-Dashboard, das ich ansehe und ignoriere. Wenn der Erholungstrend nach oben zeigt, erhöht Aria das Volumen. Wenn das Lastverhältnis unausgewogen ist oder die Schlafeffizienz niedrig ist, wird das Training gedrosselt. Aria setzt das Erholungssignal tatsächlich um und entfernt das „Ego" aus meinen Trainingsentscheidungen.
Wie Project Aria Trainingsentscheidungen automatisiert
Seit meiner Rückkehr von kürzlichen Gesundheitsproblemen habe ich alle Übungsauswahl- und Volumenentscheidungen an Aria übergeben. Ich verbringe keine Zeit mehr damit, Übungen oder Wiederholungsbereiche auszuwählen. Aria verwendet die gleiche Logik wie mein alter Personal Trainer—20-Wdh.-Max.-Volumenarbeit, Zusatzübungen, Aufwärmen und Cool-down—, aber die konkrete Auswahl ist vollständig dynamisch.
Es analysiert die BJJ-Last von gestern, meine aktuellen Erholungsmetriken und wie hart ich in vorherigen Einheiten trainiert habe, um Übungen auszuwählen. Das ist entscheidend, weil Aria mich zwingt, die Teile des Trainings zu machen, die ich normalerweise überspringen würde: das Aufwärmen und das Cool-down. Zum Beispiel hat es gestern sitzende Armkreise zugewiesen—eine Flexibilitätsübung, die ich unglaublich schwierig fand, während meine Frau sie problemlos meisterte. Ohne dass der Agent „die Schlüssel hält", hätte ich das wahrscheinlich durch etwas Leichteres ersetzt. Indem ich Aria die Kontrolle gebe, stelle ich sicher, dass mein Training Schwächen angeht, anstatt nur Stärken zu festigen.
Agent Stack Daily: Der Consumer-First-Podcast
Die andere wichtige Komponente auf dem M3 ist die Agent Stack Daily Podcast-Pipeline. Ich habe das gebaut, weil ich eine tägliche Nachrichtenzusammenfassung in einem Format wollte, das ich während meiner Morgenroutine konsumieren kann. Dies ist eine „Consumer-First"-Software; ich bin der Haupthörer. Ich höre mir die erzeugte Schnittversion jeden Morgen an, bevor sie veröffentlicht wird.
Diese interne Feedbackschleife hält die Qualität aufrecht. Wenn der Agent bei der Zusammenfassung oder dem Audio-Schnitt eine schlechte Arbeit leistet, wird die Folge einfach nicht veröffentlicht. Da ich mein eigener Gatekeeper bin, bleibt die Qualitätslatte hoch. Dieser Wandel—von der Content-Produktion zum persönlichen Nutzen—hat verändert, wie ich die Leistung der Agenten bewerte. Wenn es für mich nicht nützlich ist, ist es auch für das Publikum nicht nützlich.
Die Multi-Agenten-Aufteilung: Fable vs. Hermes
Nach monatelangem Testen habe ich eine klare Regel aufgestellt, wann ich welches Tool verwende.
| Aufgabentyp | Werkzeug | Strategische Begründung |
|---|---|---|
| Umfangreiche Umbauten oder neue Funktionen | Fable | Besser im dateiübergreifenden Kontext und bei umfassender Architekturplanung. |
| Fehlerbehebungen und tägliche Aufgaben | Hermes (Lokal) | Schnellere Ausführung; hat direkten Zugriff auf die lokale Codebasis. |
| Adaptive Trainingsgenerierung | Hermes (M3) | Mit Biometriedaten und dem Morgenbericht-Auslöser zusammengelegt. |
| Website-Produktionsaktualisierungen | Hermes (Spark) | Verwaltet den Website-Stack ohne Ressourcenkonflikte vor Ort. |
| Komplexe Project-Aria-Logik | Fable + Hermes | Fable plant die Logik; Hermes führt die täglichen Aktualisierungen aus. |
Ein praktisches Beispiel gab es heute: Zunächst dachte ich, Agent Stack Daily erfordere eine größere Architekturänderung, also schickte ich die Aufgabe an Fable. Es stellte sich als einfacher UI-Fehler heraus, bei dem Stories abgeschnitten wurden. Das war eine Aufgabe für Hermes. Fable eignet sich hervorragend, wenn man den Wirkungsbereich einer Änderung nicht kennt, aber sobald der Weg klar ist, ist Hermes das effizientere Werkzeug für chirurgische Eingriffe.
Aktuelle Einschränkungen und Zuverlässigkeitsbedenken
Obwohl der Wechsel zu Hermes weitgehend erfolgreich war, habe ich OpenClaw aus zwei bestimmten Gründen noch nicht gelöscht. Erstens verderben Hermes-Updates gelegentlich bestehende Workflows und erfordern manuelles Eingreifen. Zweitens habe ich in der Hermes-Agenten-Umgebung wiederholt kurze Verbindungsabbrüche zur OpenAI-API festgestellt – ein Problem, das ich bei OpenClaw selten erlebte.
Zuverlässigkeit ist die wichtigste Kennzahl für jedes Werkzeug, das Ihren Alltag steuert. Wenn ein Agent den Morgenbericht nicht erstellt, wird die gesamte Trainingskette unterbrochen. Ich beobachte diese Verbindungsabbrüche derzeit genau. Falls sie anhalten, könnte ich bestimmte kritische Datenprotokollierungsaufgaben wieder in die stabilere OpenClaw-Umgebung zurückverlegen.
Empfehlung: Wer sollte dieses Setup nutzen?
Wenn Sie ein Multi-Agenten-System verwalten, lautet die Erkenntnis: Hören Sie auf, nach dem „einen wahren Agenten" zu suchen. Verwenden Sie Fable, wenn die Aufgabe groß, unübersichtlich ist und mehrere Dateien umfasst. Verwenden Sie Hermes-Agenten, wenn die Aufgabe lokal, inkrementell ist und auf tägliche Daten reagieren muss.
Für alle, die KI im Fitnessbereich einsetzen: Der Agent muss dort leben, wo die Daten leben. Wenn Ihre Trainingslogik nicht in Echtzeit auf Ihre Biometriedaten reagiert, reicht ein statischer Plan aus. Wenn Sie aber ein System möchten, das Sie durch die „langweilige" Arbeit zwingt – die Mobilisation und das Cool-down – brauchen Sie einen reaktiven Agenten, der den Entscheidungsprozess besitzt.
Halten Sie sich als Hauptkonsument auf dem Laufenden; es ist der einzige Weg, um sicherzustellen, dass die KI tatsächlich Ihre Probleme löst, statt nur weiteren Lärm zu erzeugen.
Das vollständige Workflow-Segment finden Sie im Quellvideo. Keine medizinische, rechtliche, finanzielle oder Schulungsberatung – nur der aktuelle Stand der Maschinen auf meinem Schreibtisch.