Agentlas OS को Linux VPS पर कैसे इंस्टॉल करें

Agentlas OS वास्तव में क्या है

Agentlas OS एक ओपन सोर्स एजेंट रनटाइम है जो विशेषज्ञ एजेंटों को डिस्क पर पैकेज के रूप में रखता है और प्रत्येक कार्य के लिए एक अस्थायी ऑर्केस्ट्रेटर तैयार करता है। आप इसे Linux VPS पर अपने स्वयं के यूजर अकाउंट में इंस्टॉल करके self-host करते हैं। यह कोई सर्विस नहीं है। इसमें कोई daemon, कोई listening port, कोई वेब इंटरफेस और रिपॉजिटरी में कोई container image नहीं है।

वह अंतिम वाक्य इस पेज पर मौजूद बाकी सब कुछ निर्धारित करता है। अधिकांश मल्टी-एजेंट सिस्टम एक सुपरवाइजर प्रोसेस चलाते हैं जो चालू रहता है और एजेंटों को होल्ड करता है। Agentlas इसे उलट देता है: विशेषज्ञ फाइलें स्थिर रहती हैं, और ऑर्केस्ट्रेटर केवल तब मौजूद होता है जब कोई कार्य चल रहा हो। इसका व्यावहारिक परिणाम यह है कि एक idle हब के लिए आपको मेमोरी नहीं, बल्कि डिस्क खर्च करनी पड़ती है।

यह प्रोजेक्ट अपने ओपन कोर को Hephaestus कहता है, और यही वह नाम है जिसे आप commands, paths और environment variables में देखेंगे। रिपॉजिटरी agentlas-ai/Agentlas-OS है, जो Apache-2.0 लाइसेंस के तहत है, और मुख्य रूप से Python में लिखी गई है।

ईमानदारी से कहें तो यह प्रोजेक्ट कितना नया है

यह रिपॉजिटरी 4 June 2026 को बनाई गई थी। 12 August 2026 तक यह लगभग दस सप्ताह पुरानी है, जिसमें लगभग 1,150 stars और 112 forks हैं। किसी ऐसी चीज़ के लिए यह बहुत कम समय है जिसे आप वास्तविक काम के लिए उपयोग करने की सोच रहे हैं।

प्रोजेक्ट की उम्र से अधिक उसका release cadence मायने रखता है। Version v1.1.103 को 8 August 2026 को प्रकाशित किया गया था, और v1.2.0 को 12 August 2026 को जारी किया गया। 1.1 सीरीज में सौ से अधिक tagged releases हैं, जिनमें से कई एक ही दिन में automation द्वारा प्रकाशित किए गए हैं। इतनी गति से आगे बढ़ने वाला प्रोजेक्ट मंगलवार और गुरुवार के बीच आपके लिए अपना व्यवहार बदल सकता है।

इसलिए release को pin करें। Installer इसके लिए एक environment variable पढ़ता है, और नीचे दी गई पूरी गाइड में इसका उपयोग किया गया है। दिन में कई बार update होने वाले प्रोजेक्ट को बिना pin किए install करने पर आपको वही version मिलेगा जो उस घंटे main पर उपलब्ध था।

VPS पर आपको क्या चाहिए

आवश्यकताएँ बहुत कम हैं क्योंकि बैकग्राउंड में कुछ भी नहीं चलता है।

• एक Linux VPS। Ubuntu 24.04 एक अच्छा आधार है। इंस्टॉलर uname -s के साथ ऑपरेटिंग सिस्टम का पता लगाता है और Linux के लिए non-macOS ब्रांच का उपयोग करता है, इसलिए headless बॉक्स समर्थित है।
• बॉक्स पर curl, tar और git, साथ ही एक कार्यशील Python इंटरप्रेटर।
• raw.githubusercontent.com और github.com के लिए आउटबाउंड HTTPS। इंस्टॉलर एक release आर्काइव डाउनलोड करता है और उसके SHA-256 की जाँच करता है, इसलिए बिना आउटबाउंड पहुँच वाला बॉक्स इसे इंस्टॉल नहीं कर सकता।
• एक host harness, जो वह कोडिंग एजेंट है जो वास्तव में मॉडल से बात करता है। Claude Code, Codex, opencode, goose और Hermes सभी समर्थित एडेप्टर हैं।

आपको root की आवश्यकता नहीं है। इंस्टॉलर केवल आपकी होम डायरेक्टरी और ~/.local/bin में लिखता है, और यदि कोई पाथ writable नहीं है तो यह रुकने के बजाय चेतावनी देता है। यदि आप अभी भी बॉक्स चुन रहे हैं, तो VPS पर कोडिंग एजेंट चलाना उस बेस इमेज और एक्सेस सेटअप को कवर करता है जिस पर यह आधारित है।

Pinned release इंस्टॉल करें

Upstream README में एक ऐसी कमांड दी गई है जो main से एक स्क्रिप्ट को सीधे bash में पाइप करती है। इसे पहले डाउनलोड करें और पढ़ें। यह आपकी shell configuration और मिलने वाले हर agent harness में बदलाव करती है, इसलिए इसे पढ़ना फायदेमंद है।

curl -fsSL -o install-all-runtimes.sh \
  https://raw.githubusercontent.com/agentlas-ai/Agentlas-OS/main/scripts/install-all-runtimes.sh
less install-all-runtimes.sh
HEPHAESTUS_REF=v1.2.0 bash install-all-runtimes.sh

HEPHAESTUS_REF पिन है। स्क्रिप्ट के अंदर यह लाइन version="${HEPHAESTUS_REF:-v1.2.0}" है, इसलिए इसे unset छोड़ने पर आपको आज v1.2.0 मिलेगा और अगले हफ्ते कुछ और। इसे स्पष्ट रूप से सेट करें ताकि अक्टूबर में rebuild करने पर वही वर्ज़न इंस्टॉल हो जिसे आपने अगस्त में टेस्ट किया था।

एक महत्वपूर्ण सीमा: ऊपर दिया गया स्क्रिप्ट URL main को ट्रैक करता है, जबकि HEPHAESTUS_REF उस runtime payload को पिन करता है जिसे स्क्रिप्ट डाउनलोड करती है। ये दोनों अलग चीजें हैं। दोनों को पिन करने के लिए, URL में main को v1.2.0 से बदलकर main के बजाय tag से स्क्रिप्ट फेच करें।

सफल रन उन पाथ्स को प्रिंट करता है जहाँ इसने लिखा है, जिसमें ये दो लाइनें शामिल हैं:

Installed runner: /home/you/.agentlas/runtime/current/bin/hephaestus
Installed shell commands in /home/you/.local/bin (add ~/.local/bin to PATH to use them)

दूसरी लाइन वह है जिसे लोग अक्सर अनदेखा कर देते हैं। एक नए Ubuntu बॉक्स पर ~/.local/bin अक्सर PATH में मौजूद नहीं होता है, इसलिए हर hep-* कमांड command not found के साथ फेल हो जाती है, भले ही इंस्टॉलेशन सफल रहा हो। इसे ठीक करें और पुष्टि करें:

echo 'export PATH="$HOME/.local/bin:$PATH"' >> ~/.bashrc
source ~/.bashrc
hep-global status

hep-global status रिपोर्ट करता है कि global router ने क्या इंस्टॉल किया और कौन से harnesses डिटेक्ट किए। यदि यह कमांड चलती है, तो आपका PATH सही है।

स्टेट कहाँ स्थित होती है

आपके home directory के अंतर्गत सब कुछ एक फाइल है, जिससे बैकअप और माइग्रेशन सरल हो जाता है।

• ~/.agentlas/runtime/v1.2.0/ runtime को रखता है, जिसमें ~/.agentlas/runtime/current/ सक्रिय version का symlink है। दो pinned versions एक साथ रह सकते हैं।
• ~/.local/bin/ शेल wrappers को रखता है: hephaestus, hep-build, hep-network, hep-search, hep-storm, hep-cloud और hep-upload।
• ~/.agentlas/networking/memory/ स्थायी मेमोरी (durable memory) को रखता है: playbook-registry.json, playbook-candidates.jsonl और memory-events.jsonl।
• ~/.agentlas/networking/hub-agents/<slug>/memory/experience.sqlite प्रति-एजेंट अनुभव (per-agent experience) को रखता है, जो owner के आधार पर सीमित होता है।
• <project>/.agentlas/ontology-runtime.sqlite प्रति-प्रोजेक्ट स्टेट को रखता है, इसलिए यह बॉक्स के बजाय रिपॉजिटरी के साथ ही रहता है।
• ~/.cache/agentlas/python Linux पर Python cache को रखता है। macOS एक अलग path का उपयोग करता है, जिसे installer uname के साथ चुनता है।

मेमोरी डॉक्यूमेंटेशन स्पष्ट रूप से कहता है कि secrets, raw credentials और पूर्ण transcripts किसी भी मेमोरी स्कोप में नहीं जाने चाहिए। क्रेडेंशियल मान gitignored लोकल फाइलों में रहते हैं, और मेमोरी केवल नाम और paths को रिकॉर्ड करती है। ~/.agentlas और अपनी प्रोजेक्ट .agentlas डायरेक्टरी का बैकअप लें, और आप एक नए VPS पर इसे फिर से बना सकते हैं।

यह किन मॉडल बैकएंड्स को पॉइंट कर सकता है

यहाँ वह विवरण है जो पूरे सेटअप को फिर से परिभाषित करता है: Agentlas किसी मॉडल API को कॉल नहीं करता है। यह काम host harness करता है।

आर्किटेक्चर दस्तावेज़ उन रनटाइम एडेप्टर का वर्णन करता है जो एक कोर को प्रत्येक हार्नेस में अनुवादित करते हैं, और यह बताता है कि host रनटाइम के पास मॉडल क्रेडेंशियल्स का स्वामित्व होता है। Agentlas दो सतहें (surfaces) प्रदान करता है जिन्हें एक हार्नेस पिक-अप करता है: एक AgentSkills फ़ाइल और एक MCP (मॉडल कॉन्टेक्स्ट प्रोटोकॉल) सर्वर जो stdio के माध्यम से संचार करता है। इसलिए "Agentlas किन मॉडलों का समर्थन करता है" का वास्तविक अर्थ यह है कि "आपका हार्नेस किन मॉडलों का समर्थन करता है", और इसका उत्तर यह है कि Claude Code, Codex, opencode, goose या Hermes जिस तक भी पहुँच सकते हैं, वे सभी समर्थित हैं।

Codex-शैली के TOML कॉन्फ़िगरेशन में MCP सर्वर को रजिस्टर करना इस तरह दिखता है:

[mcp_servers.hephaestus-network]
command = "~/.agentlas/runtime/current/bin/hephaestus"
args = ["mcp", "serve"]

इंस्टॉलेशन के दौरान यही सर्वर स्वचालित रूप से ~/.cursor/mcp.json, ~/.config/goose/config.yaml और अन्य हार्नेस कॉन्फ़िगरेशन में रजिस्टर हो जाता है। यदि आप इनमें से कई को एक ही बॉक्स में जोड़ रहे हैं, तो VPS पर MCP सर्वर चलाना stdio और प्रोसेस मॉडल को अधिक गहराई से कवर करता है।

इसे self-hosted Ollama endpoint की ओर निर्देशित करें

चूंकि harness मॉडल कनेक्शन को नियंत्रित करता है, इसलिए Agentlas को local models की ओर निर्देशित करने का अर्थ है अपने harness को Ollama की ओर निर्देशित करना। Ollama ने v0.15 में ठीक इसी कार्य के लिए एक launch subcommand जोड़ा था, और 11 अगस्त 2026 तक यह v0.32.9 में भी उपलब्ध है। यह किसी मौजूदा harness को local models के साथ कॉन्फ़िगर करता है, जिसके लिए किसी environment variable को सेट करने की आवश्यकता नहीं होती:

ollama pull qwen3-coder:30b
ollama launch opencode

अपने द्वारा इंस्टॉल किए गए harness के आधार पर opencode के स्थान पर claude, codex या droid का उपयोग करें। इसके बाद local runtime के माध्यम से एक request को रूट करें:

~/.agentlas/runtime/current/bin/hephaestus route "summarise the failing tests" --runtime ollama

एक सफल रूटिंग एक JSON निर्णय लौटाती है जिसमें चयनित agent या team का नाम होता है, साथ ही एक receipt_id भी होता है। यदि यह कोई उपयोगी परिणाम नहीं लौटाता है, तो इसका सामान्य कारण context length है। Agentlas documentation रूटिंग-प्रधान सत्रों के लिए कम से कम 64k context वाले मॉडल का उपयोग करने का सुझाव देता है और उदाहरण के रूप में qwen3-coder, gemma3 तथा deepseek-r1 का नाम लेता है। कोडिंग टूल्स के लिए Ollama का अपना मार्गदर्शन भी 64k की न्यूनतम सीमा ही बताता है। रूटिंग निर्णय prompt में agent inventory को साथ लेकर चलते हैं, इसलिए 8k या 32k context वाला मॉडल inventory को छोटा (truncate) कर देता है और गलत चयन करता है।

एक चेतावनी जो tagline आपको नहीं बताएगी। Ollama, Gemma और DeepSeek का अपना कोई plugin या command system नहीं है, इसलिए वहां /agentlas slash commands मौजूद नहीं होते। local-model सेटअप पर आप सिस्टम को MCP server और hephaestus route command के माध्यम से संचालित करते हैं। यह surface area में वास्तविक कमी है, और अपने weights को अपने ही बॉक्स पर रखने के लिए यह एक उचित समझौता है।

निष्क्रिय विशेषज्ञों के हब की RAM लागत क्या है

कुछ भी नहीं। यही पूरा उत्तर है, और आप इस पर भरोसा करने के बजाय इसे सिद्ध कर सकते हैं।

उधार लिए गए हब विशेषज्ञ पैकेज आर्टिफैक्ट्स के रूप में आते हैं, न कि प्रक्रियाओं (processes) के रूप में। एक विशेषज्ञ एक agent.md और JSON की एक .agentlas/ निर्देशिका है: ट्रिगर्स और क्षमताओं के लिए routing-card.json, राइट बाउंड्री के लिए memory-map.json, और यह अकेले चलता है या टीम के रूप में, इसके लिए mode-map.json। Hephaestus Network को बिना किसी बैकग्राउंड सर्विस वाले इन-प्रोसेस शेड्यूलर के रूप में वर्णित किया गया है। कार्यों के बीच, स्वयं जांचें:

pgrep -af hephaestus
systemctl --user list-units --type=service | grep -i agentlas
du -sh ~/.agentlas

पहले दो कमांड एक निष्क्रिय बॉक्स पर कुछ भी प्रिंट नहीं करते हैं, क्योंकि कुछ भी रेजिडेंट नहीं है। तीसरा कमांड केवल वह लागत प्रिंट करता है जो एक पार्क किया गया हब आप पर डालता है, जो कि डिस्क है, और यह आपके द्वारा रखे गए विशेषज्ञों की संख्या और रनटाइम के साथ आने वाले बंडल एम्बेडिंग मॉडल के साथ बढ़ती है।

इसलिए मेमोरी का प्रश्न पूरी तरह से बर्स्ट (burst) के बारे में है, और बर्स्ट आपका हार्नेस और आपका मॉडल बैकएंड है। यदि हार्नेस किसी होस्ट किए गए API से बात करता है, तो रेजिडेंट लागत कुछ सौ मेगाबाइट की एक प्रक्रिया है। यदि आप स्वयं वेट्स (weights) को होस्ट करते हैं, तो वेट्स ही बिल हैं:

[
  {
    "label": "Hosted API model",
    "weights_gb": 0
  },
  {
    "label": "gemma3:4b",
    "weights_gb": 3.3
  },
  {
    "label": "gemma3:12b",
    "weights_gb": 8.1
  },
  {
    "label": "gemma3:27b",
    "weights_gb": 17
  },
  {
    "label": "qwen3-coder:30b",
    "weights_gb": 19
  }
]

ये Ollama की मॉडल लाइब्रेरी से प्रकाशित डाउनलोड आकार हैं, न कि बेंचमार्क रन से लिए गए माप। और 64k कॉन्टेक्स्ट के लिए KV कैश शून्य से ऊपर के प्रत्येक आंकड़े के शीर्ष पर होता है। Agentlas डॉक्स में सबसे पहले जिस मॉडल का नाम आता है, qwen3-coder:30b, उसे कॉन्टेक्स्ट से पहले 19 GB वेट्स की आवश्यकता होती है, और 27B Gemma वैरिएंट भी 17 GB की मांग करता है। इन आंकड़ों के मुकाबले, Agentlas लेयर स्वयं बजट में दिखाई नहीं देती है।

एक ही harness चलाने की तुलना में यह कैसे काम करता है

एक hosted API के विरुद्ध एक harness चलाएं, तो आपका VPS केवल एक process चलाता है। Agentlas जोड़ने पर भी यह वही एक process चलाता है, साथ में कुछ files होती हैं। Orchestrator कोई अतिरिक्त long-lived program नहीं है, बल्कि यह disk पर मौजूद packages से तैयार किया गया एक बड़ा prompt है, जिसे काम पूरा होने के बाद हटा दिया जाता है।

जो लागत बदलती है वह context है, memory नहीं। एक orchestrator जो कई specialist cards और उनके routing metadata को pull करता है, वह एक साधारण harness की तुलना में प्रति task अधिक tokens खर्च करता है। Hosted API पर यह RAM के बजाय पैसों का खर्च है। Local weights पर यह समय की खपत है, क्योंकि लंबे prompt का मतलब है CPU पर लंबा prefill या GPU का अधिक व्यस्त रहना।

यही कारण है कि इस तरह के box के लिए sizing की सलाह agent framework के बजाय model के निर्णय पर आधारित होती है। Sizing RAM and CPU for a coding agent VPS में इसका विस्तार से वर्णन किया गया है, और निष्कर्ष यहाँ भी लागू होता है: उस backend के लिए plan चुनें जिसे आप चलाना चाहते हैं, फिर harness के लिए कुछ gigabytes headroom जोड़ लें। यदि आप तुलना के लिए always-on supervisor design चाहते हैं, तो the Omnigent multi-agent harness अपने coordinator को resident रखता है, जो कि इसके विपरीत trade-off है और idle memory में सीधे दिखाई देता है।

विफलता के प्रकार और वे स्ट्रिंग्स जो आपको दिखाई देंगी

hep-build: command not found क्लीन इंस्टॉल के तुरंत बाद। इंस्टॉलर ने ~/.local/bin में लिखा, जो डिफ़ॉल्ट Ubuntu इमेज पर PATH पर नहीं है। इसने अपनी अंतिम पंक्ति में ऐसा कहा था और वह पंक्ति स्क्रॉल होकर ऊपर चली गई। ऊपर दिखाया गया export जोड़ें।

बॉक्स को रीबिल्ड करने के बाद व्यवहार में बदलाव। आपने HEPHAESTUS_REF सेट नहीं किया था, इसलिए इंस्टॉलर ने उस दिन जो भी टैग वर्तमान था, उसे डिफ़ॉल्ट रूप से ले लिया। इसे पिन करें, और अपने अन्य वर्ज़न नंबरों के साथ इस पिन को रिकॉर्ड करें।

राउटिंग लोकल मॉडल पर गलत विशेषज्ञ का चुनाव करती है। मॉडल की कॉन्टेक्स्ट विंडो एजेंट इन्वेंट्री के लिए बहुत छोटी है। 64k या उससे अधिक वाले मॉडल पर स्विच करें और Ollama की कॉन्टेक्स्ट लेंथ को उसके अनुसार सेट करें, क्योंकि डिफ़ॉल्ट लेंथ कोडिंग टूल्स की आवश्यकता से कम होती है।

ollama launch पहचाना नहीं गया है। यह सब-कमांड Ollama v0.15 में आया था। डिस्ट्रीब्यूशन रिपॉजिटरी के पुराने पैकेज इससे पहले के हैं, इसलिए वर्तमान Ollama इंस्टॉल करें।

इंस्टॉल उन हार्नेस में लिखता है जिनकी आपने अपेक्षा नहीं की थी। स्क्रिप्ट हर उस हार्नेस का पता लगाती है और उसे कॉन्फ़िगर करती है जिसे वह ढूंढ पाती है, और वह ~/.claude/, ~/.codex/, ~/.gemini/, ~/.cursor/ और अन्य में लिखती है। साझा बिल्ड बॉक्स पर, स्क्रिप्ट को चलाने से पहले उसे पढ़ें और जानें कि आप इनमें से किन डायरेक्टरी की परवाह करते हैं।

क्या आपको अभी इसे चलाना चाहिए

दस सप्ताह पुराना प्रोजेक्ट, जिसमें दिन में कई बार automated releases होते हैं, उसे production workload के लिए इस्तेमाल नहीं करना चाहिए। इसका architecture वास्तव में दिलचस्प है, license Apache-2.0 है, और file-based design का मतलब है कि uninstall करने के लिए केवल दो directories को delete करना होगा। इन तथ्यों के कारण इसे आज़माना सस्ता है, लेकिन इस पर निर्भर रहना महंगा हो सकता है।

अभी के लिए एक समझदारी भरा रुख यह है: v1.2.0 को pin करें, इसे ऐसे box पर चलाएं जिसे आप फिर से बना सकें, ~/.agentlas को अपने backups में रखें, और pin बदलने से पहले changelog को दोबारा पढ़ें। इस क्षेत्र में और क्या उपलब्ध है और प्रत्येक विकल्प कितना परिपक्व है, इसके व्यापक सर्वेक्षण के लिए self-hosted AI agents का राउंडअप एक बेहतर शुरुआती बिंदु है, और VPS पर Hermes agent को self-host करना उन harnesses में से एक को कवर करता है जिसे Agentlas अपनाता है।

FAQ

क्या Agentlas OS मेरे VPS पर सर्वर के रूप में चलता है?

नहीं। रिपॉजिटरी में कोई daemon, कोई listening port और कोई container image नहीं है। इंस्टॉलर ~/.agentlas/runtime/ के अंतर्गत एक runtime और ~/.local/bin में command wrappers लिखता है, और Hephaestus Network एक background service के बजाय एक in-process scheduler है। आप इसे एक idle box पर पुष्टि कर सकते हैं: pgrep -af hephaestus कुछ भी प्रिंट नहीं करता है, और enable करने के लिए कोई systemd unit नहीं है। यहाँ self-hosting का अर्थ है कि कोड और state आपकी मशीन पर हैं, न कि कोई service listen कर रही है।

idle specialists का एक hub कितनी RAM का उपयोग करता है?

बिल्कुल नहीं, क्योंकि idle specialists processes नहीं होते हैं। एक specialist एक agent.md फाइल है और साथ ही एक .agentlas/ डायरेक्टरी है जिसमें routing-card.json, memory-map.json और इसी तरह के metadata होते हैं, इसलिए एक parked hub केवल disk space लेता है। इसे du -sh ~/.agentlas के साथ मापें। मेमोरी का उपयोग केवल तब होता है जब कोई task चलता है, और इसका उपयोग आपका harness process और model backend करते हैं, न कि Agentlas layer।

मैं किन models का उपयोग कर सकता हूँ, और क्या मैं इसे अपने Ollama पर point कर सकता हूँ?

Agentlas स्वयं model APIs को कॉल नहीं करता है। host harness के पास credentials और connection का स्वामित्व होता है, इसलिए समर्थित models वही हैं जो आपका harness समर्थित करता है। local weights के लिए, ollama launch opencode चलाएँ (claude, codex या droid को प्रतिस्थापित करते हुए), जो बिना किसी environment variables के आपके Ollama सर्वर के विरुद्ध harness को कॉन्फ़िगर करता है। कम से कम 64k context वाले model का उपयोग करें, जैसे कि qwen3-coder या gemma3, क्योंकि routing prompts में agent inventory होती है और छोटी windows पर यह बुरी तरह truncate हो जाती है।

मुझे कौन सा version इंस्टॉल करना चाहिए, और यहाँ pinning क्यों मायने रखती है?

इंस्टॉलर चलाने से पहले HEPHAESTUS_REF=v1.2.0 सेट करके v1.2.0 इंस्टॉल करें, जो 12 अगस्त 2026 को current tagged release है। स्क्रिप्ट का अपना डिफ़ॉल्ट version="${HEPHAESTUS_REF:-v1.2.0}" है, जो maintainers द्वारा आगे tag किए जाने वाले किसी भी version को ट्रैक करता है। Pinning सामान्य से अधिक मायने रखती है क्योंकि प्रोजेक्ट ने अपनी 1.1 series में सौ से अधिक releases प्रकाशित किए हैं, जिनमें से कुछ तो एक ही दिन में कई बार हुए हैं, इसलिए हफ़्तों बाद किया गया एक unpinned rebuild आपको वह सिस्टम नहीं देगा जिसका आपने परीक्षण किया था।