Agentlas OS zelf hosten op een Linux VPS

Wat Agentlas OS daadwerkelijk is

Agentlas OS is een open-source agent-runtime die gespecialiseerde agents als pakketten op schijf bewaart en voor elke taak een tijdelijke orchestrator samenstelt. U host dit zelf door het te installeren in uw eigen gebruikersaccount op een Linux VPS. Het is geen service. Er is geen daemon, geen luisterende poort, geen webinterface en geen container-image in de repository.

Die laatste zin bepaalt alles wat op deze pagina volgt. De meeste multi-agent-systemen draaien een supervisor-proces dat actief blijft en de agents vasthoudt. Agentlas draait dit om: de specialisten zijn bestanden in ruste en de orchestrator bestaat alleen zolang een taak wordt uitgevoerd. Het praktische resultaat is dat een inactieve hub schijfruimte kost, geen geheugen.

Het project noemt zijn open core Hephaestus, en die naam zult u zien in commando's, paden en omgevingsvariabelen. De repository is agentlas-ai/Agentlas-OS, gelicentieerd onder Apache-2.0 en grotendeels geschreven in Python.

Hoe pril is dit project, eerlijk gezegd

De repository is aangemaakt op 4 juni 2026. Op 12 augustus 2026 is het ongeveer tien weken oud, met ruwweg 1.150 sterren en 112 forks. Dat is jong voor software die u inzet voor serieuze werkzaamheden.

Het releasetempo is belangrijker dan de leeftijd. Versie v1.1.103 werd gepubliceerd op 8 augustus 2026 en v1.2.0 verscheen op 12 augustus 2026. Dat zijn meer dan honderd getagde releases in de 1.1-serie, soms meerdere op één dag, gepubliceerd door automatisering. Een project dat met die snelheid beweegt, kan tussen dinsdag en donderdag zijn gedrag wijzigen.

Pin daarom de release vast. Het installatieprogramma leest hiervoor een omgevingsvariabele uit, en de volledige handleiding hieronder maakt daar gebruik van. Een installatie zonder versie-pin van een project dat meerdere keren per dag nieuwe versies uitbrengt, levert u op wat er toevallig op dat uur op main stond.

Wat u nodig heeft op de VPS

De vereisten zijn minimaal omdat er niets op de achtergrond draait.

• Een Linux VPS. Ubuntu 24.04 is een uitstekende basis. Het installatieprogramma detecteert het besturingssysteem met uname -s en kiest een niet-macOS-branch voor Linux, waardoor een headless-server wordt ondersteund.
• curl, tar en git op de server, plus een werkende Python-interpreter.
• Uitgaand HTTPS-verkeer naar raw.githubusercontent.com en github.com. Het installatieprogramma downloadt een release-archief en controleert de SHA-256-hash; een server zonder uitgaande verbinding kan dit dus niet installeren.
• Een host-harness, de coding agent die daadwerkelijk communiceert met een model. Claude Code, Codex, opencode, goose en Hermes zijn allemaal ondersteunde adapters.

U heeft geen root-rechten nodig. Het installatieprogramma schrijft alleen naar uw home-directory en naar ~/.local/bin, en geeft een waarschuwing in plaats van het proces af te breken wanneer een pad niet beschrijfbaar is. Als u nog bezig bent met het kiezen van de server zelf, behandelt het draaien van een coding agent op een VPS de basisimage en de toegangsconfiguratie waarop dit is gebaseerd.

De vastgezette release installeren

De upstream README documenteert een enkele regel die een script van main direct naar bash pipe. Download het script en lees het eerst door. Het schrijft naar uw shell-configuratie en naar elke agent-harness die het vindt, dus het is tien seconden van uw aandacht waard.

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 is de pin. In het script staat de regel version="${HEPHAESTUS_REF:-v1.2.0}"; als u deze niet instelt, krijgt u vandaag v1.2.0 en volgende week mogelijk iets anders. Stel deze expliciet in, zodat uw rebuild in oktober installeert wat u in augustus heeft getest.

Eén eerlijke beperking: de bovenstaande script-URL volgt main, terwijl HEPHAESTUS_REF de runtime-payload vastzet die het script downloadt. Dit zijn twee verschillende zaken. Om beide vast te zetten, haalt u het script op van de tag in plaats van main door main te vervangen door v1.2.0 in die URL.

Een succesvolle uitvoering toont de paden waarnaar is geschreven, inclusief deze twee regels:

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)

Die tweede regel is wat mensen vaak overslaan. Op een verse Ubuntu-installatie ontbreekt ~/.local/bin vaak in PATH, waardoor elk hep-*-commando faalt met command not found, ook al is de installatie geslaagd. Herstel dit en controleer het:

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

hep-global status rapporteert wat de globale router heeft geïnstalleerd en welke harnesses zijn gedetecteerd. Als het commando überhaupt draait, is uw PATH correct.

Waar de status wordt opgeslagen

Alles is een bestand in uw home-directory, wat back-ups en migraties eenvoudig maakt.

• ~/.agentlas/runtime/v1.2.0/ bevat de runtime zelf, waarbij ~/.agentlas/runtime/current/ fungeert als een symlink naar de actieve versie. Twee vastgezette versies kunnen naast elkaar bestaan.
• ~/.local/bin/ bevat de shell-wrappers: hephaestus, hep-build, hep-network, hep-search, hep-storm, hep-cloud en hep-upload.
• ~/.agentlas/networking/memory/ bevat het duurzame geheugen: playbook-registry.json, playbook-candidates.jsonl en memory-events.jsonl.
• ~/.agentlas/networking/hub-agents/<slug>/memory/experience.sqlite bevat de ervaring per agent, gespecificeerd per eigenaar.
• <project>/.agentlas/ontology-runtime.sqlite bevat de status per project, zodat deze met de repository meereist in plaats van aan de server gebonden te zijn.
• ~/.cache/agentlas/python bevat de Python-cache op Linux. macOS gebruikt een ander pad; dit is de branch die het installatieprogramma kiest met uname.

De documentatie over het geheugen stelt expliciet dat geheimen, onbewerkte inloggegevens en volledige transcripten niet in een geheugenscope mogen worden opgeslagen. Waarden van inloggegevens blijven in gitignored lokale bestanden, en geheugenrecords bevatten alleen namen en paden. Maak een back-up van ~/.agentlas en uw project .agentlas-directories, zodat u alles op een nieuwe VPS kunt herstellen.

Welke model-backends kunnen worden aangestuurd

Hier is het detail dat de gehele opzet in een ander perspectief plaatst: Agentlas roept zelf geen model-API aan. De host-harness doet dit.

Het architectuurdocument beschrijft runtime-adapters die één kern vertalen naar elke harness, en stelt dat de host-runtime de model-inloggegevens beheert. Agentlas levert twee interfaces die een harness oppikt: een AgentSkills-bestand en een MCP (model context protocol)-server die via stdio communiceert. De vraag "welke modellen ondersteunt Agentlas" is dus in feite "welke modellen ondersteunt uw harness", en het antwoord is alles wat Claude Code, Codex, opencode, goose of Hermes kan bereiken.

Het registreren van de MCP-server ziet er in een TOML-configuratie in Codex-stijl als volgt uit:

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

Dezelfde server wordt tijdens de installatie automatisch geregistreerd in ~/.cursor/mcp.json, ~/.config/goose/config.yaml en de andere harness-configuraties. Als u er meerdere op één systeem aansluit, behandelt het draaien van MCP-servers op een VPS het stdio- en procesmodel in meer detail.

Verwijs naar een zelf-gehost Ollama-endpoint

Omdat de harness de modelverbinding beheert, betekent het koppelen van Agentlas aan lokale modellen dat u uw harness naar Ollama moet verwijzen. Ollama heeft in v0.15 een launch-subcommando toegevoegd voor precies dit doel, en dit is per 11 augustus 2026 nog steeds aanwezig in v0.32.9. Hiermee configureert u een bestaande harness voor lokale modellen zonder dat er omgevingsvariabelen ingesteld hoeven te worden:

ollama pull qwen3-coder:30b
ollama launch opencode

Vervang claude, codex of droid door opencode, afhankelijk van de harness die u heeft geïnstalleerd. Route vervolgens een verzoek via de lokale runtime:

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

Een succesvolle route retourneert een JSON-besluit met de naam van de agent of het team dat is geselecteerd, inclusief een receipt_id. Als er geen bruikbaar resultaat wordt geretourneerd, is de oorzaak meestal de contextlengte. De documentatie van Agentlas vereist een model met ten minste 64k context voor sessies met veel routing en noemt qwen3-coder, gemma3 en deepseek-r1 als voorbeelden. De eigen richtlijnen van Ollama voor programmeertools hanteren dezelfde ondergrens van 64k. Routingbeslissingen bevatten de agent-inventaris in de prompt; een model met 8k of 32k context kapt de inventaris af, wat leidt tot slechte keuzes.

Er is één voorbehoud dat de slogan u niet vertelt. Ollama, Gemma en DeepSeek beschikken niet over een eigen plug-in- of commandsysteem, waardoor de /agentlas-slash-commando's daar niet bestaan. Bij een opstelling met lokale modellen stuurt u het systeem aan via de MCP-server en het hephaestus route-commando. Dit is een daadwerkelijke beperking van de functionaliteit, en het is de eerlijke afweging voor het lokaal draaien van de modelgewichten.

Wat een hub van inactieve specialisten kost aan RAM

Niets. Dat is het volledige antwoord, en u kunt dit bewijzen in plaats van het aan te nemen.

Geleende hub-specialisten arriveren als pakket-artefacten, niet als processen. Een specialist is een agent.md plus een .agentlas/-map met JSON: routing-card.json voor triggers en mogelijkheden, memory-map.json voor schrijfgrenzen, mode-map.json voor de vraag of deze solo of als team draait. Het Hephaestus Network wordt beschreven als een in-process scheduler zonder achtergrondservice. Controleer het zelf tussen taken door:

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

De eerste twee commando's tonen niets op een inactieve machine, omdat er niets resident is. Het derde commando toont de enige kosten die een geparkeerde hub met zich meebrengt, namelijk schijfruimte, en deze groeit naarmate u meer specialisten bewaart, plus het gebundelde embedding-model dat de runtime meelevert.

De geheugenvraag is dus volledig een vraag over de burst, en de burst bestaat uit uw harness plus uw model-backend. Als de harness communiceert met een gehoste API, zijn de residentiële kosten één proces van enkele honderden megabytes. Als u de weights zelf host, vormen de weights de rekening:

[
  {
    "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
  }
]

Dit zijn de gepubliceerde downloadgroottes uit de modelbibliotheek van Ollama, geen metingen uit een benchmark-run, en de KV-cache voor een 64k-context komt bovenop elk cijfer boven nul. Het model dat als eerste wordt genoemd in de Agentlas-documentatie, qwen3-coder:30b, vereist 19 GB aan weights vóór de context, en zelfs de 27B Gemma-variant vraagt om 17 GB. Afgezet tegen deze getallen komt de Agentlas-laag zelf niet voor in het budget.

Hoe dit zich verhoudt tot het draaien van één harness

Draai één harness tegen een gehoste API en uw VPS voert één proces uit. Voeg Agentlas toe en het voert hetzelfde proces uit, plus bestanden. De orchestrator is geen extra langlopend programma; het is een grotere prompt die wordt samengesteld uit de pakketten op de schijf en vervolgens wordt verwijderd.

De kosten die wel verschuiven zijn context, niet geheugen. Een orchestrator die verschillende specialistische kaarten en hun routeringsmetadata ophaalt, verbruikt meer tokens per taak dan een kaal harness. Bij een gehoste API betekent dit geld in plaats van RAM. Bij lokale gewichten is dit tijd, omdat een langere prompt een langere prefill op de CPU of een zwaardere belasting van de GPU betekent.

Dit is de reden waarom het advies voor de dimensionering van een dergelijke server de modelkeuze volgt en niet het agent-framework. RAM en CPU dimensioneren voor een coding agent VPS behandelt dit in detail, en de conclusie blijft hier staan: kies het plan voor de backend die u wilt draaien en voeg vervolgens een paar gigabyte aan reservegeheugen toe voor het harness. Als u ter vergelijking het always-on supervisor-ontwerp wilt, het Omnigent multi-agent harness houdt zijn coördinator resident in het geheugen. Dit is de tegenovergestelde afweging en is direct zichtbaar in het inactieve geheugen.

Foutmodi en de meldingen die u zult zien

hep-build: command not found direct na een schone installatie. Het installatieprogramma schreef naar ~/.local/bin, wat op een standaard Ubuntu-image niet op PATH staat. Dit werd vermeld in de laatste regel, maar deze regel is uit het zicht gescrolld. Voeg de hierboven getoonde export toe.

Gedragswijzigingen na het opnieuw opbouwen van de server. U heeft HEPHAESTUS_REF niet ingesteld, waardoor het installatieprogramma standaard de tag gebruikte die op dat moment actueel was. Pin deze versie vast en noteer de pin naast uw andere versienummers.

Routing kiest de verkeerde specialist bij een lokaal model. Het contextvenster van het model is te klein voor de agent-inventaris. Stap over naar een model met 64k of meer en stel de contextlengte van Ollama hierop in, aangezien de standaardwaarde lager is dan wat de programmeertools vereisen.

ollama launch wordt niet herkend. Dit subcommando is toegevoegd in Ollama v0.15. Oudere pakketten uit een distributie-repository zijn ouder dan deze versie; installeer daarom een actuele versie van Ollama.

De installatie schrijft naar omgevingen die u niet had verwacht. Het script detecteert en configureert elke omgeving die het vindt en schrijft naar ~/.claude/, ~/.codex/, ~/.gemini/, ~/.cursor/ en meer. Lees op een gedeelde build-server het script voordat u het uitvoert en bepaal welke van deze mappen voor u van belang zijn.

Moet u dit al in gebruik nemen

Een project van tien weken oud met meerdere geautomatiseerde releases per dag is niet geschikt voor een productieomgeving. De architectuur is oprecht interessant, de licentie is Apache-2.0 en het bestandsgebaseerde ontwerp betekent dat de-installatie neerkomt op het verwijderen van twee mappen. Deze feiten maken het goedkoop om te proberen, maar riskant om op te vertrouwen.

Een verstandig standpunt voor nu: pin v1.2.0, draai het op een server die u opnieuw kunt opbouwen, neem ~/.agentlas op in uw back-ups en lees de changelog opnieuw door voordat u de pin verplaatst. Voor een breder overzicht van wat er nog meer in dit segment beschikbaar is en hoe volwassen elke optie is, is het overzicht van zelfgehoste AI-agents een beter startpunt, en het zelf hosten van een Hermes-agent op een VPS behandelt een van de frameworks waar Agentlas zich aan aanpast.

FAQ

Draait Agentlas OS als een server op mijn VPS?

Nee. Er is geen daemon, geen luisterende poort en geen container-image in de repository. Het installatieprogramma schrijft een runtime naar ~/.agentlas/runtime/ en command-wrappers naar ~/.local/bin, en het Hephaestus Network is een in-process scheduler in plaats van een achtergrondservice. U kunt dit controleren op een inactieve machine: pgrep -af hephaestus geeft geen uitvoer, en er is geen systemd-unit om in te schakelen. Self-hosting betekent hier dat de code en de status op uw machine staan, niet dat er een service actief is.

Hoeveel RAM verbruikt een hub van inactieve specialisten?

Niets, omdat inactieve specialisten geen processen zijn. Een specialist is een agent.md-bestand plus een .agentlas/-directory met routing-card.json, memory-map.json en vergelijkbare metadata; een geparkeerde hub kost dus alleen schijfruimte. Meet dit met du -sh ~/.agentlas. Geheugen wordt alleen verbruikt terwijl een taak wordt uitgevoerd, en wat dit verbruikt is uw harness-proces en uw model-backend, niet de Agentlas-laag.

Welke modellen kan ik gebruiken en kan ik deze koppelen aan mijn eigen Ollama?

Agentlas roept zelf geen model-API's aan. De host-harness beheert de inloggegevens en de verbinding, dus de ondersteunde modellen zijn afhankelijk van wat uw harness ondersteunt. Voor lokale gewichten voert u ollama launch opencode uit (waarbij u claude, codex of droid vervangt), wat de harness configureert voor uw Ollama-server zonder omgevingsvariabelen. Gebruik een model met een context van ten minste 64k, zoals qwen3-coder of gemma3, omdat routeringsprompts de agent-inventaris bevatten en slecht afkappen bij kleinere vensters.

Welke versie moet ik installeren en waarom is pinning hier van belang?

Installeer v1.2.0, de getagde release die actueel is op 12 augustus 2026, door HEPHAESTUS_REF=v1.2.0 in te stellen voordat u het installatieprogramma uitvoert. De standaardwaarde van het script is version="${HEPHAESTUS_REF:-v1.2.0}", die de volgende tag van de beheerders volgt. Pinning is hier belangrijker dan gebruikelijk omdat het project meer dan honderd releases in de 1.1-serie heeft gepubliceerd, soms meerdere op één dag; een niet-gepinde rebuild weken later levert u dus niet het systeem op dat u heeft getest.