Cara Self-host Agentlas OS di VPS Linux

Apa sebenarnya Agentlas OS

Agentlas OS adalah runtime agen open source yang menyimpan agen spesialis pada disk sebagai paket dan menyusun orkestrator sementara untuk setiap tugas. Anda dapat meng-hosting-nya sendiri dengan menginstalnya ke akun pengguna Anda pada Linux VPS. Agentlas OS bukan service. Tidak ada daemon, port yang listening, antarmuka web, atau container image di dalam repository.

Kalimat terakhir tersebut menentukan hal-hal lainnya di halaman ini. Sebagian besar sistem multi-agen menjalankan proses supervisor yang tetap aktif dan menampung agen. Agentlas menggunakan pendekatan sebaliknya: agen spesialis berupa file yang tersimpan, sedangkan orkestrator hanya ada selama tugas berjalan. Dampak praktisnya, hub yang idle menggunakan ruang disk, bukan memori.

Proyek ini menyebut open core-nya Hephaestus. Nama tersebut akan Anda lihat pada command, path, dan environment variable. Repository ini berada di agentlas-ai/Agentlas-OS, menggunakan lisensi Apache-2.0, dan sebagian besar ditulis dalam Python.

Seberapa dini tahap proyek ini, sejujurnya

Repositori ini dibuat pada 4 June 2026. Per 12 August 2026, usianya sekitar sepuluh minggu, dengan sekitar 1,150 stars dan 112 forks. Untuk sesuatu yang Anda gunakan dalam pekerjaan nyata, ini masih sangat muda.

Frekuensi rilis lebih penting daripada usia. Version v1.1.103 dipublikasikan pada 8 August 2026, dan v1.2.0 dirilis pada 12 August 2026. Itu berarti lebih dari seratus tagged releases dalam seri 1.1, beberapa di antaranya dirilis pada hari yang sama, melalui automation. Proyek yang bergerak secepat itu dapat mengubah perilakunya di antara hari Selasa dan Kamis.

Karena itu, tetapkan release yang akan digunakan. Installer membaca environment variable untuk keperluan ini, dan seluruh panduan di bawah menggunakannya. Instalasi tanpa pin pada proyek yang merilis beberapa kali sehari akan memberi Anda versi yang kebetulan tersedia di main pada jam tersebut.

Yang Anda perlukan di VPS

Persyaratannya sederhana karena tidak ada proses yang berjalan di latar belakang.

• VPS Linux. Ubuntu 24.04 merupakan baseline yang baik. Installer mendeteksi sistem operasi dengan uname -s dan menggunakan cabang non-macOS untuk Linux, sehingga server tanpa antarmuka grafis didukung.
• curl, tar, dan git pada server, serta interpreter Python yang berfungsi.
• Akses HTTPS keluar ke raw.githubusercontent.com dan github.com. Installer mengunduh arsip rilis dan memeriksa SHA-256-nya, sehingga server tanpa akses keluar tidak dapat digunakan untuk instalasi ini.
• Host harness, yaitu coding agent yang berkomunikasi langsung dengan model. Claude Code, Codex, opencode, goose, dan Hermes semuanya didukung sebagai adapter.

Anda tidak memerlukan root. Installer hanya menulis ke direktori home Anda dan ke ~/.local/bin. Installer menampilkan peringatan, bukan membatalkan proses, jika suatu path tidak dapat ditulisi. Jika Anda masih memilih servernya, menjalankan coding agent pada VPS membahas image dasar dan pengaturan akses yang menjadi dasar konfigurasi ini.

Instal rilis yang dikunci versinya

README upstream mendokumentasikan satu baris yang menyalurkan skrip dari main langsung ke bash. Unduh skrip tersebut dan baca terlebih dahulu. Skrip ini menulis ke konfigurasi shell Anda dan ke setiap harness agen yang ditemukannya. Karena itu, luangkan waktu sepuluh detik untuk memeriksanya.

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 adalah pin versinya. Di dalam skrip, baris tersebut adalah version="${HEPHAESTUS_REF:-v1.2.0}". Jika variabel ini dibiarkan tidak disetel, Anda akan memperoleh v1.2.0 hari ini dan versi lain minggu depan. Tetapkan nilainya secara eksplisit agar rebuild pada bulan Oktober menginstal versi yang Anda uji pada bulan Agustus.

Ada satu batasan yang perlu diperhatikan. URL skrip di atas mengikuti main, sedangkan HEPHAESTUS_REF mengunci payload runtime yang diunduh skrip. Keduanya adalah hal yang berbeda. Untuk mengunci keduanya, ambil skrip dari tag, bukan dari main, dengan mengganti main menjadi v1.2.0 pada URL tersebut.

Eksekusi yang berhasil mencetak path yang ditulisnya, termasuk dua baris berikut:

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)

Baris kedua sering dilewati. Pada Ubuntu yang baru diinstal, ~/.local/bin sering tidak ada di PATH. Akibatnya, setiap perintah hep-* gagal dengan command not found meskipun instalasi berhasil. Perbaiki masalah tersebut dan lakukan konfirmasi:

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

hep-global status melaporkan router global yang diinstal dan harness yang terdeteksi. Jika perintah tersebut dapat dijalankan, PATH Anda sudah benar.

Lokasi penyimpanan state

Semua data disimpan sebagai file di dalam direktori home Anda. Hal ini menyederhanakan pencadangan dan migrasi.

• ~/.agentlas/runtime/v1.2.0/ menyimpan runtime itu sendiri, dengan ~/.agentlas/runtime/current/ sebagai symlink ke versi aktif. Dua versi yang dipatok dapat berada berdampingan.
• ~/.local/bin/ menyimpan wrapper shell: hephaestus, hep-build, hep-network, hep-search, hep-storm, hep-cloud, dan hep-upload.
• ~/.agentlas/networking/memory/ menyimpan memori persisten: playbook-registry.json, playbook-candidates.jsonl, dan memory-events.jsonl.
• ~/.agentlas/networking/hub-agents/<slug>/memory/experience.sqlite menyimpan pengalaman per-agent berdasarkan owner.
• <project>/.agentlas/ontology-runtime.sqlite menyimpan state per-project agar ikut berpindah bersama repository, bukan terikat pada server.
• ~/.cache/agentlas/python menyimpan cache Python di Linux. macOS menggunakan path yang berbeda. Installer memilih path tersebut melalui uname.

Dokumentasi memory menjelaskan secara eksplisit bahwa secret, kredensial mentah, dan transkrip lengkap tidak boleh disimpan dalam scope memory apa pun. Nilai kredensial tetap berada dalam file lokal yang diabaikan oleh git, sedangkan record memory hanya menyimpan nama dan path. Cadangkan direktori ~/.agentlas dan direktori .agentlas pada project Anda. Dengan demikian, Anda dapat membangun ulang sistem pada VPS baru.

Dapat diarahkan ke backend model mana

Berikut detail yang mengubah pemahaman terhadap seluruh setup: Agentlas tidak memanggil API model. Host harness yang melakukannya.

Dokumen arsitektur menjelaskan adapter runtime yang menerjemahkan satu core ke setiap harness, serta menyatakan bahwa runtime host mengelola kredensial model. Agentlas menyediakan dua interface yang digunakan oleh harness: file AgentSkills dan server MCP (model context protocol) yang berkomunikasi melalui stdio. Jadi, pertanyaan "model apa yang didukung Agentlas" sebenarnya berarti "model apa yang didukung harness Anda", dan jawabannya adalah model apa pun yang dapat diakses oleh Claude Code, Codex, opencode, goose, atau Hermes.

Pendaftaran server MCP dalam konfigurasi TOML bergaya Codex terlihat seperti berikut:

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

Server yang sama otomatis didaftarkan ke ~/.cursor/mcp.json, ~/.config/goose/config.yaml, dan konfigurasi harness lainnya selama instalasi. Jika Anda menghubungkan beberapa server ini ke satu host, menjalankan server MCP pada VPS menjelaskan model stdio dan proses secara lebih mendalam.

Arahkan ke endpoint Ollama yang di-host sendiri

Karena harness mengelola koneksi model, mengarahkan Agentlas ke model lokal berarti mengarahkan harness ke Ollama. Ollama menambahkan subperintah launch pada v0.15 khusus untuk kebutuhan ini, dan subperintah tersebut masih tersedia pada v0.32.9 per 11 August 2026. Subperintah ini mengonfigurasi harness yang sudah ada agar menggunakan model lokal tanpa perlu menetapkan variabel lingkungan:

ollama pull qwen3-coder:30b
ollama launch opencode

Ganti opencode dengan claude, codex, atau droid sesuai harness yang Anda instal. Kemudian, teruskan permintaan melalui runtime lokal:

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

Rute yang berhasil mengembalikan keputusan JSON yang menyebutkan agent atau team yang dipilih, beserta receipt_id. Jika hasilnya tidak berguna, penyebab yang umum adalah panjang konteks. Dokumentasi Agentlas meminta model dengan konteks minimal 64k untuk sesi yang banyak menggunakan routing dan menyebut qwen3-coder, gemma3, serta deepseek-r1 sebagai contoh. Panduan Ollama sendiri untuk alat coding juga menetapkan batas minimum yang sama, yaitu 64k. Keputusan routing menyertakan inventaris agent dalam prompt. Karena itu, model dengan konteks 8k atau 32k dapat memotong inventaris tersebut dan memilih dengan buruk.

Ada satu batasan yang tidak akan dijelaskan oleh tagline. Ollama, Gemma, dan DeepSeek tidak memiliki sistem plugin atau command bawaan. Karena itu, slash command /agentlas tidak tersedia di sana. Pada penyiapan dengan model lokal, Anda mengendalikan sistem melalui server MCP dan command hephaestus route. Ini benar-benar mengurangi cakupan fitur, dan merupakan kompromi yang wajar untuk mempertahankan bobot model di server Anda sendiri.

Biaya hub spesialis yang menganggur dalam RAM

Tidak ada. Itu seluruh jawabannya, dan Anda dapat membuktikannya sendiri tanpa harus mempercayainya.

Spesialis hub yang dipinjam hadir sebagai artefak paket, bukan proses. Spesialis terdiri atas agent.md serta direktori .agentlas/ yang berisi JSON: routing-card.json untuk pemicu dan kapabilitas, memory-map.json untuk batas penulisan, dan mode-map.json untuk menentukan apakah spesialis berjalan sendiri atau sebagai bagian dari tim. Hephaestus Network dijelaskan sebagai scheduler in-process tanpa service latar belakang. Di antara tugas, periksa sendiri:

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

Dua perintah pertama tidak menampilkan apa pun pada host yang sedang menganggur karena tidak ada proses yang berada di memori. Perintah ketiga menampilkan satu-satunya biaya yang dibebankan hub yang diparkir kepada Anda, yaitu disk. Ukurannya bertambah sesuai jumlah spesialis yang Anda simpan serta model embedding bawaan yang disertakan runtime.

Jadi, pertanyaan tentang penggunaan memori sepenuhnya berkaitan dengan lonjakan beban. Lonjakan tersebut berasal dari harness dan backend model Anda. Jika harness berkomunikasi dengan API ter-host, penggunaan resident-nya adalah satu proses berukuran beberapa ratus megabyte. Jika Anda meng-host weights sendiri, weights itulah biayanya:

[
  {
    "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
  }
]

Itu adalah ukuran unduhan yang dipublikasikan dari pustaka model Ollama, bukan hasil pengukuran dari benchmark, dan KV cache untuk konteks 64k berada di atas setiap angka yang lebih besar dari nol pada daftar tersebut. Model yang disebut pertama dalam dokumentasi Agentlas, qwen3-coder:30b, memerlukan 19 GB weights sebelum konteks diperhitungkan. Bahkan varian Gemma 27B memerlukan 17 GB. Dibandingkan angka-angka tersebut, lapisan Agentlas sendiri tidak terlihat dalam anggaran penggunaan memori.

Perbandingan dengan menjalankan satu harness

Jalankan satu harness terhadap API yang di-hosting, dan VPS Anda menjalankan satu proses. Tambahkan Agentlas, dan VPS tetap menjalankan satu proses yang sama, ditambah beberapa file. Orchestrator bukan program tambahan yang berjalan terus-menerus. Orchestrator adalah prompt yang lebih besar, yang dirakit dari package di disk lalu dibuang.

Biaya yang berubah adalah konteks, bukan memori. Orchestrator yang memuat beberapa kartu spesialis beserta metadata peruteannya menggunakan lebih banyak token per tugas dibandingkan harness dasar. Pada API yang di-hosting, biaya ini berupa uang, bukan RAM. Pada local weights, biayanya berupa waktu, karena prompt yang lebih panjang memerlukan prefill yang lebih lama pada CPU atau membuat GPU lebih sibuk.

Karena itu, panduan sizing untuk server seperti ini mengikuti keputusan model, bukan framework agent. Sizing RAM dan CPU untuk VPS coding agent membahasnya secara terperinci. Kesimpulannya tetap sama: pilih plan berdasarkan backend yang ingin Anda jalankan, lalu tambahkan headroom beberapa gigabyte untuk harness. Jika Anda ingin membandingkannya dengan desain supervisor yang selalu aktif, harness multi-agent Omnigent mempertahankan coordinator di memori, sehingga trade-off-nya berlawanan dan terlihat langsung pada penggunaan memori saat idle.

Mode kegagalan dan string yang akan Anda lihat

hep-build: command not found segera setelah instalasi bersih. Installer menulis ke ~/.local/bin, yang tidak terdapat di PATH pada image Ubuntu default. Pesan tersebut tercantum pada baris terakhir, tetapi baris itu terlewat saat layar bergulir. Tambahkan export yang ditampilkan di atas.

Perilaku berubah setelah Anda membangun ulang server. Anda tidak menetapkan HEPHAESTUS_REF, sehingga installer menggunakan tag default yang sedang berlaku pada hari itu. Tetapkan tag tersebut dan catat nilainya di samping nomor versi lainnya.

Routing memilih spesialis yang salah pada model lokal. Context window model terlalu kecil untuk inventaris agent. Gunakan model dengan ukuran 64k atau lebih besar dan tetapkan panjang context Ollama agar sesuai, karena nilai default lebih kecil daripada yang dibutuhkan coding tools.

ollama launch tidak dikenali. Subcommand tersebut diperkenalkan di Ollama v0.15. Package lama dari repository distribusi dirilis sebelum fitur itu tersedia, jadi instal Ollama versi terbaru.

Instalasi menulis ke harness yang tidak Anda perkirakan. Script mendeteksi dan mengonfigurasi setiap harness yang ditemukan, lalu menulis ke ~/.claude/, ~/.codex/, ~/.gemini/, ~/.cursor/, dan direktori lainnya. Pada build box bersama, baca script sebelum menjalankannya dan tentukan direktori mana yang perlu Anda gunakan.

Haruskah Anda menjalankannya sekarang

Proyek yang baru berusia sepuluh minggu dan merilis pembaruan otomatis beberapa kali sehari belum layak digunakan untuk beban kerja produksi. Arsitekturnya memang menarik, lisensinya Apache-2.0, dan desain berbasis file membuat proses pencopotannya cukup dengan menghapus dua direktori. Faktor-faktor tersebut membuatnya murah untuk dicoba, tetapi mahal jika dijadikan dependensi.

Untuk saat ini, pendekatan yang masuk akal adalah mengunci versi v1.2.0, menjalankannya pada mesin yang dapat Anda bangun ulang, menyertakan ~/.agentlas dalam backup, dan membaca kembali changelog sebelum mengubah versi yang dikunci. Untuk tinjauan yang lebih luas tentang pilihan lain di ruang ini dan tingkat kematangan masing-masing, ringkasan agen AI yang di-host sendiri adalah titik awal yang lebih baik, sedangkan meng-host sendiri agen Hermes pada VPS membahas salah satu harness yang diadaptasi oleh Agentlas.

FAQ

Apakah Agentlas OS berjalan sebagai server pada VPS saya?

Tidak. Tidak ada daemon, port yang listening, atau container image di repositori. Installer menulis runtime ke ~/.agentlas/runtime/ dan wrapper perintah ke ~/.local/bin, sedangkan Hephaestus Network merupakan scheduler dalam proses, bukan service latar belakang. Anda dapat mengonfirmasinya pada mesin yang idle: pgrep -af hephaestus tidak menampilkan apa pun, dan tidak ada unit systemd yang perlu diaktifkan. Self-hosting di sini berarti kode dan state berada di mesin Anda, bukan berarti ada service yang listening.

Berapa banyak RAM yang digunakan hub dengan specialist yang idle?

Tidak ada, karena specialist yang idle bukan proses. Specialist terdiri atas file agent.md serta direktori .agentlas/ yang berisi routing-card.json, memory-map.json, dan metadata serupa, sehingga hub yang diparkir hanya menggunakan ruang disk. Ukur dengan du -sh ~/.agentlas. Memori hanya digunakan saat task berjalan. Komponen yang menggunakannya adalah proses harness dan backend model Anda, bukan layer Agentlas.

Model mana yang dapat saya gunakan, dan apakah saya dapat mengarahkannya ke Ollama milik sendiri?

Agentlas tidak memanggil API model secara langsung. Harness host mengelola kredensial dan koneksi, sehingga model yang didukung adalah model apa pun yang didukung oleh harness Anda. Untuk bobot lokal, jalankan ollama launch opencode dengan mengganti claude, codex, atau droid. Perintah ini mengonfigurasi harness agar terhubung ke server Ollama Anda tanpa variabel lingkungan. Gunakan model dengan context setidaknya 64k, seperti qwen3-coder atau gemma3, karena prompt routing memuat inventaris agent dan akan terpotong dengan buruk pada window yang lebih kecil.

Versi mana yang sebaiknya saya instal, dan mengapa pinning penting di sini?

Instal v1.2.0, yaitu tagged release terbaru pada 12 August 2026, dengan menetapkan HEPHAESTUS_REF=v1.2.0 sebelum menjalankan installer. Default bawaan script adalah version="${HEPHAESTUS_REF:-v1.2.0}", yang mengikuti tag berikutnya dari maintainer. Pinning lebih penting dari biasanya karena project ini menerbitkan lebih dari seratus release dalam seri 1.1, beberapa di antaranya pada hari yang sama. Karena itu, rebuild tanpa pinning beberapa minggu kemudian tidak akan menghasilkan sistem yang sama dengan yang Anda uji.