Jak zainstalować Agentlas OS na własnym serwerze VPS

Czym w rzeczywistości jest Agentlas OS

Agentlas OS to środowisko uruchomieniowe agentów typu open source, które przechowuje wyspecjalizowanych agentów na dysku w formie pakietów i dla każdego zadania tworzy tymczasowy orkiestrator. System instaluje się samodzielnie na własnym koncie użytkownika na serwerze Linux VPS. Nie jest to usługa. Nie posiada demona, nie nasłuchuje na żadnym porcie, nie oferuje interfejsu WWW i nie zawiera obrazów kontenerów w repozytorium.

To ostatnie zdanie determinuje wszystkie pozostałe aspekty opisane na tej stronie. Większość systemów wieloagentowych uruchamia proces nadzorczy, który działa w tle i utrzymuje agentów. Agentlas odwraca ten model: specjaliści są plikami w spoczynku, a orkiestrator istnieje tylko podczas wykonywania zadania. W praktyce oznacza to, że bezczynny hub zajmuje miejsce na dysku, a nie w pamięci RAM.

Projekt określa swoje otwarte jądro mianem Hephaestus i to właśnie tę nazwę można znaleźć w poleceniach, ścieżkach oraz zmiennych środowiskowych. Repozytorium znajduje się pod adresem agentlas-ai/Agentlas-OS, jest udostępnione na licencji Apache-2.0 i napisane głównie w języku Python.

Jak wczesny jest to projekt w rzeczywistości

Repozytorium zostało utworzone 4 czerwca 2026. Według stanu na 12 sierpnia 2026 projekt ma około dziesięciu tygodni, posiada w przybliżeniu 1150 gwiazdek i 112 forków. To niewiele jak na rozwiązanie, które planuje się wykorzystać w rzeczywistych zadaniach.

Częstotliwość wydań jest ważniejsza niż wiek projektu. Wersja v1.1.103 została opublikowana 8 sierpnia 2026, a v1.2.0 pojawiła się 12 sierpnia 2026. To ponad sto oznaczonych wydań w serii 1.1, z których kilka opublikowano w ciągu jednego dnia za pomocą automatyzacji. Projekt rozwijany w takim tempie może zmienić swoje zachowanie między wtorkiem a czwartkiem.

Dlatego należy przypiąć wersję wydania. Instalator odczytuje w tym celu zmienną środowiskową, a cały poniższy przewodnik z niej korzysta. Instalacja bez przypiętej wersji projektu, który publikuje zmiany kilka razy dziennie, skutkuje otrzymaniem kodu, który akurat znajdował się na main w danej godzinie.

Wymagania na serwerze VPS

Wymagania są niewielkie, ponieważ w tle nie działa żaden proces.

• Serwer VPS z systemem Linux. Ubuntu 24.04 stanowi odpowiednią bazę. Instalator wykrywa system operacyjny za pomocą uname -s i wybiera gałąź inną niż macOS dla systemu Linux, dzięki czemu wspierane są serwery bez interfejsu graficznego.
• curl, tar oraz git zainstalowane na serwerze, a także działający interpreter Python.
• Ruch wychodzący HTTPS do raw.githubusercontent.com oraz github.com. Instalator pobiera archiwum z wydaniem i weryfikuje jego sumę kontrolną SHA-256, więc instalacja na serwerze bez dostępu do sieci zewnętrznej nie jest możliwa.
• Host harness, czyli agent programistyczny komunikujący się z modelem. Obsługiwane adaptery to Claude Code, Codex, opencode, goose oraz Hermes.

Uprawnienia root nie są wymagane. Instalator zapisuje dane wyłącznie w katalogu domowym użytkownika oraz w ~/.local/bin, a w przypadku braku uprawnień do zapisu w danej ścieżce wyświetla ostrzeżenie zamiast przerywać działanie. Jeśli wybór serwera jest w toku, artykuł uruchamianie agenta programistycznego na VPS zawiera informacje o bazowym obrazie systemu i konfiguracji dostępu, na których opiera się to rozwiązanie.

Instalacja przypiętej wersji

Dokumentacja upstream zawiera polecenie przesyłające skrypt z main bezpośrednio do bash. Należy go pobrać i najpierw przeczytać. Skrypt modyfikuje konfigurację powłoki oraz wszystkie wykryte środowiska agentów, więc warto poświęcić chwilę na jego analizę.

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 stanowi znacznik wersji. Wewnątrz skryptu znajduje się linia version="${HEPHAESTUS_REF:-v1.2.0}", więc pozostawienie jej bez wartości spowoduje pobranie wersji v1.2.0 dzisiaj, a innej wersji w przyszłym tygodniu. Należy ustawić ją jawnie, aby podczas przebudowy w październiku zainstalować dokładnie to, co przetestowano w sierpniu.

Istnieje jedno istotne ograniczenie: adres URL skryptu wskazuje na main, podczas gdy HEPHAESTUS_REF przypina środowisko uruchomieniowe pobierane przez skrypt. Są to dwa różne elementy. Aby przypiąć oba, należy pobrać skrypt z konkretnego tagu zamiast z main, zastępując main przez v1.2.0 w adresie URL.

Poprawne wykonanie operacji wyświetla ścieżki, do których zapisano zmiany, w tym te dwie linie:

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)

Druga linia jest często pomijana. W świeżej instalacji Ubuntu zmienna ~/.local/bin często nie występuje w PATH, przez co każde polecenie hep-* kończy się błędem command not found, mimo że instalacja przebiegła pomyślnie. Należy to naprawić i zweryfikować:

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

hep-global status raportuje, co zostało zainstalowane przez globalny router oraz jakie środowiska zostały wykryte. Jeśli polecenie działa, konfiguracja PATH jest poprawna.

Lokalizacja stanu

Wszystkie dane są przechowywane jako pliki w katalogu domowym, co upraszcza tworzenie kopii zapasowych oraz migrację.

• ~/.agentlas/runtime/v1.2.0/ przechowuje samo środowisko uruchomieniowe, a ~/.agentlas/runtime/current/ stanowi dowiązanie symboliczne do aktywnej wersji. Dwie przypięte wersje mogą współistnieć jednocześnie.
• ~/.local/bin/ zawiera wrappery powłoki: hephaestus, hep-build, hep-network, hep-search, hep-storm, hep-cloud oraz hep-upload.
• ~/.agentlas/networking/memory/ przechowuje trwałą pamięć: playbook-registry.json, playbook-candidates.jsonl oraz memory-events.jsonl.
• ~/.agentlas/networking/hub-agents/<slug>/memory/experience.sqlite przechowuje doświadczenia poszczególnych agentów, przypisane do właściciela.
• <project>/.agentlas/ontology-runtime.sqlite przechowuje stan poszczególnych projektów, dzięki czemu przenosi się on wraz z repozytorium, a nie z serwerem.
• ~/.cache/agentlas/python przechowuje pamięć podręczną Python w systemie Linux. System macOS używa innej ścieżki, wybieranej przez instalator za pomocą uname.

Dokumentacja pamięci wyraźnie wskazuje, że sekrety, surowe dane uwierzytelniające oraz pełne transkrypcje nie mogą trafiać do żadnego zakresu pamięci. Wartości poświadczeń pozostają w lokalnych plikach ignorowanych przez git, a pamięć rejestruje jedynie nazwy i ścieżki. Wykonaj kopię zapasową ~/.agentlas oraz katalogów projektowych .agentlas, aby móc odtworzyć środowisko na nowym VPS.

Obsługiwane modele backendowe

Oto szczegół, który zmienia postrzeganie całej konfiguracji: Agentlas nie wywołuje API modelu. Robi to host harness.

Dokumentacja architektury opisuje adaptery uruchomieniowe, które tłumaczą jeden rdzeń na każdy harness, oraz stwierdza, że to środowisko uruchomieniowe hosta posiada poświadczenia modelu. Agentlas udostępnia dwa interfejsy, z których korzysta harness: plik AgentSkills oraz serwer MCP (model context protocol) komunikujący się przez stdio. Zatem pytanie „jakie modele wspiera Agentlas” w rzeczywistości oznacza „jakie modele wspiera Twój harness”, a odpowiedź brzmi: każdy model, do którego dostęp mają Claude Code, Codex, opencode, goose lub Hermes.

Rejestracja serwera MCP w pliku konfiguracyjnym TOML w stylu Codex wygląda następująco:

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

Ten sam serwer jest automatycznie rejestrowany w ~/.cursor/mcp.json, ~/.config/goose/config.yaml oraz innych konfiguracjach harness podczas instalacji. Jeśli integrujesz kilka z nich na jednej maszynie, artykuł uruchamianie serwerów MCP na VPS szczegółowo omawia model stdio oraz procesy.

Wskazanie lokalnego punktu końcowego Ollama

Ponieważ to harness zarządza połączeniem z modelem, skierowanie Agentlas na modele lokalne wymaga wskazania harnessowi instancji Ollama. W wersji v0.15 dodano podpolecenie launch, które służy dokładnie do tego celu; jest ono dostępne również w wersji v0.32.9 (stan na 11 sierpnia 2026). Konfiguracja istniejącego harnessa do pracy z modelami lokalnymi nie wymaga ustawiania żadnych zmiennych środowiskowych:

ollama pull qwen3-coder:30b
ollama launch opencode

Zastąp claude, codex lub droid wartością opencode, w zależności od zainstalowanego harnessa. Następnie skieruj żądanie przez lokalne środowisko uruchomieniowe:

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

Poprawne przekierowanie zwraca decyzję w formacie JSON, wskazującą wybrany agent lub zespół, wraz z kodem receipt_id. Jeśli odpowiedź nie zawiera użytecznych danych, najczęstszą przyczyną jest zbyt mała długość kontekstu. Dokumentacja Agentlas zaleca użycie modelu z kontekstem co najmniej 64k w przypadku sesji wymagających intensywnego routingu, podając jako przykłady qwen3-coder, gemma3 oraz deepseek-r1. Wytyczne Ollama dotyczące narzędzi programistycznych również wskazują na próg 64k. Decyzje o routingu uwzględniają spis agentów w prompcie, więc model z kontekstem 8k lub 32k ucina spis, co prowadzi do błędnych wyborów.

Istnieje jedno ograniczenie, o którym nie wspomina opis marketingowy. Ollama, Gemma oraz DeepSeek nie posiadają własnego systemu wtyczek ani poleceń, dlatego polecenia typu slash /agentlas w nich nie działają. W konfiguracji z modelem lokalnym system obsługuje się za pośrednictwem serwera MCP oraz polecenia hephaestus route. Jest to realne ograniczenie funkcjonalności, stanowiące uczciwy kompromis za możliwość uruchamiania wag modelu na własnym sprzęcie.

Jaki jest koszt pamięci RAM dla centrum bezczynnych specjalistów

Żaden. To pełna odpowiedź, którą można zweryfikować, zamiast polegać na zapewnieniach.

Pobrani specjaliści centrum trafiają do systemu jako artefakty pakietów, a nie jako procesy. Specjalista składa się z agent.md oraz katalogu .agentlas/ z plikami JSON: routing-card.json dla wyzwalaczy i możliwości, memory-map.json dla granic zapisu, mode-map.json dla informacji, czy działa samodzielnie, czy w zespole. Hephaestus Network jest opisana jako harmonogram wewnątrzprocesowy bez usługi działającej w tle. Pomiędzy zadaniami można to sprawdzić samodzielnie:

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

Pierwsze dwa polecenia nie zwracają nic na bezczynnej maszynie, ponieważ nic nie jest rezydentne w pamięci. Trzecie polecenie wyświetla jedyny koszt, jaki generuje zaparkowane centrum: zajętość dysku. Rośnie ona wraz z liczbą przechowywanych specjalistów oraz dołączonym modelem osadzeń (embedding model), który dostarcza środowisko uruchomieniowe.

Zatem kwestia pamięci sprowadza się całkowicie do obciążenia w trakcie pracy, a to zależy od użytego mechanizmu (harness) oraz backendu modelu. Jeśli mechanizm komunikuje się z hostowanym API, koszt rezydentny to jeden proces o rozmiarze kilkuset megabajtów. Jeśli wagi modelu są hostowane lokalnie, to one stanowią główny koszt:

[
  {
    "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
  }
]

Są to opublikowane rozmiary plików do pobrania z biblioteki modeli Ollama, a nie pomiary z testów wydajnościowych. Pamięć podręczna KV dla kontekstu 64k doliczana jest do każdej z powyższych wartości. Model wymieniony jako pierwszy w dokumentacji Agentlas, qwen3-coder:30b, wymaga 19 GB na wagi przed uwzględnieniem kontekstu, a nawet wariant Gemma 27B wymaga 17 GB. W zestawieniu z tymi liczbami, warstwa Agentlas nie jest zauważalna w budżecie pamięci.

Porównanie z uruchomieniem pojedynczego środowiska wykonawczego

Uruchomienie jednego środowiska wykonawczego (harness) względem hostowanego API sprawia, że na VPS działa tylko jeden proces. Dodanie Agentlas nie zmienia liczby procesów, dodaje jedynie pliki. Orkiestrator nie jest dodatkowym, długo działającym programem; to rozbudowany prompt, składany z pakietów znajdujących się na dysku, a następnie usuwany.

Koszt, który ulega zmianie, dotyczy kontekstu, a nie pamięci RAM. Orkiestrator, który pobiera kilka specjalistycznych kart i ich metadane routingu, zużywa więcej tokenów na zadanie niż standardowe środowisko. W przypadku hostowanego API oznacza to wyższe koszty finansowe, a nie większe zużycie pamięci RAM. W przypadku lokalnych wag modelu oznacza to dłuższy czas przetwarzania, ponieważ dłuższy prompt wymaga dłuższego etapu prefill na CPU lub większego obciążenia GPU.

Dlatego zalecenia dotyczące doboru zasobów dla takiej maszyny opierają się na wyborze modelu, a nie na frameworku agenta. Dobór pamięci RAM i CPU dla VPS z agentem programistycznym szczegółowo omawia to zagadnienie, a wniosek pozostaje aktualny: należy wybrać plan odpowiedni dla backendu, który ma być uruchomiony, a następnie dodać kilka gigabajtów zapasu dla środowiska wykonawczego. Jeśli natomiast celem jest porównanie z architekturą nadzorcy działającego w trybie ciągłym, wielozadaniowe środowisko Omnigent utrzymuje swój koordynator w pamięci, co stanowi odwrotny kompromis i jest bezpośrednio widoczne w zużyciu pamięci w stanie spoczynku.

Tryby awaryjne i komunikaty błędów

hep-build: command not found bezpośrednio po czystej instalacji. Instalator zapisał dane w ~/.local/bin, co nie znajduje się w PATH w domyślnym obrazie Ubuntu. Informacja ta pojawiła się w ostatniej linii, która przewinęła się poza ekran. Należy dodać powyższe polecenie export.

Zmiany zachowania po przebudowaniu środowiska. Nie ustawiono HEPHAESTUS_REF, więc instalator przyjął domyślną wartość tagu aktualną w danym dniu. Należy przypiąć wersję (pin) i zapisać ją obok pozostałych numerów wersji.

Routing wybiera niewłaściwego specjalistę w modelu lokalnym. Okno kontekstowe modelu jest zbyt małe dla inwentarza agentów. Należy przejść na model z 64k lub większym oknem i ustawić długość kontekstu w Ollama zgodnie z tą wartością, ponieważ ustawienie domyślne jest niższe niż wymagane przez narzędzia programistyczne.

ollama launch nie jest rozpoznawane. Podpolecenie zostało wprowadzone w Ollama v0.15. Starsze pakiety z repozytoriów dystrybucji są starsze niż ta wersja, dlatego należy zainstalować aktualną wersję Ollama.

Instalator zapisuje dane w nieoczekiwanych lokalizacjach. Skrypt wykrywa i konfiguruje każdy znaleziony zestaw narzędzi, zapisując dane w ~/.claude/, ~/.codex/, ~/.gemini/, ~/.cursor/ i innych. Na współdzielonym serwerze budowania należy przeczytać skrypt przed jego uruchomieniem i zidentyfikować katalogi, które wymagają ochrony.

Czy należy już korzystać z tego rozwiązania

Projekt mający dziesięć tygodni, w którym zautomatyzowane releases pojawiają się kilka razy dziennie, nie nadaje się do środowisk produkcyjnych. Architektura jest interesująca, licencja to Apache-2.0, a oparta na plikach konstrukcja sprawia, że odinstalowanie sprowadza się do usunięcia dwóch katalogów. Te fakty sprawiają, że testowanie jest tanie, ale poleganie na tym rozwiązaniu kosztowne.

Rozsądne podejście na ten moment: przypnij wersję v1.2.0, uruchom ją na maszynie, którą możesz odtworzyć, uwzględnij ~/.agentlas w swoich kopiach zapasowych i przeczytaj changelog przed zmianą przypiętej wersji. Aby uzyskać szerszy przegląd dostępnych rozwiązań i ich dojrzałości, lepszym punktem wyjścia jest zestawienie agentów AI do samodzielnego hostowania, a artykuł samodzielne hostowanie agenta Hermes na VPS opisuje jedno ze środowisk, do których dostosowuje się Agentlas.

FAQ

Czy Agentlas OS działa jako serwer na moim VPS?

Nie. W repozytorium nie ma demona, portu nasłuchującego ani obrazu kontenera. Instalator zapisuje środowisko uruchomieniowe w ~/.agentlas/runtime/, a wrappery poleceń w ~/.local/bin. Hephaestus Network to harmonogram działający wewnątrz procesu, a nie usługa działająca w tle. Można to zweryfikować na bezczynnej maszynie: pgrep -af hephaestus nie zwraca żadnych wyników, a w systemd nie ma jednostki do włączenia. Self-hosting oznacza w tym przypadku, że kod i stan znajdują się na Twojej maszynie, a nie że usługa oczekuje na połączenia.

Ile pamięci RAM zużywa hub bezczynnych specjalistów?

Żadnej, ponieważ bezczynni specjaliści nie są procesami. Specjalista to plik agent.md oraz katalog .agentlas/ zawierający routing-card.json, memory-map.json i podobne metadane, więc zaparkowany hub zajmuje jedynie miejsce na dysku. Można to zmierzyć za pomocą du -sh ~/.agentlas. Pamięć jest zużywana tylko podczas wykonywania zadania, a zużywają ją proces Twojego środowiska (harness) oraz backend modelu, a nie warstwa Agentlas.

Jakich modeli mogę używać i czy mogę wskazać własny serwer Ollama?

Agentlas nie wywołuje samodzielnie API modeli. Środowisko hosta zarządza poświadczeniami i połączeniem, więc obsługiwane są wszystkie modele wspierane przez dany harness. W przypadku wag lokalnych należy uruchomić ollama launch opencode (podstawiając claude, codex lub droid), co skonfiguruje harness do pracy z serwerem Ollama bez użycia zmiennych środowiskowych. Należy użyć modelu z kontekstem co najmniej 64k, takiego jak qwen3-coder lub gemma3, ponieważ prompty routingu zawierają inwentarz agentów i ulegają znacznemu ucięciu w przypadku mniejszych okien kontekstowych.

Którą wersję powinienem zainstalować i dlaczego przypinanie wersji jest tutaj istotne?

Należy zainstalować v1.2.0, czyli wydanie oznaczone jako aktualne w dniu 12 sierpnia 2026, ustawiając HEPHAESTUS_REF=v1.2.0 przed uruchomieniem instalatora. Domyślną wartością skryptu jest version="${HEPHAESTUS_REF:-v1.2.0}", która śledzi kolejne oznaczenia wydawane przez opiekunów projektu. Przypinanie wersji jest ważniejsze niż zazwyczaj, ponieważ projekt opublikował ponad sto wydań w serii 1.1, czasem kilka w ciągu jednego dnia. Z tego powodu nieprzypięta kompilacja wykonana po kilku tygodniach nie zapewni systemu, który był testowany wcześniej.