Linux VPS-ல் Agentlas OS-ஐ நிறுவுவது எப்படி?

Agentlas OS என்றால் என்ன

Agentlas OS என்பது ஒரு open source agent runtime ஆகும். இது சிறப்புத் திறன் கொண்ட agents-ஐ packages வடிவில் வட்டில் (disk) சேமித்து வைத்து, ஒவ்வொரு பணிக்கும் தற்காலிகமான ஒரு orchestrator-ஐ உருவாக்குகிறது. இதை நீங்கள் ஒரு Linux VPS-ல் உங்கள் சொந்த user account-ல் நிறுவி self-host செய்யலாம். இது ஒரு service அல்ல. இதில் daemon கிடையாது, listening port கிடையாது, web interface கிடையாது, மேலும் repository-ல் container image-ம் கிடையாது.

இந்த கடைசி வாக்கியமே இந்தப் பக்கத்தில் உள்ள மற்ற அனைத்தையும் தீர்மானிக்கிறது. பெரும்பாலான multi-agent அமைப்புகள், எப்போதும் இயங்கிக்கொண்டிருக்கும் ஒரு supervisor process-ஐப் பயன்படுத்தி agents-ஐ நிர்வகிக்கின்றன. Agentlas இதற்கு நேர்மாறாகச் செயல்படுகிறது: இதில் specialists என்பது வட்டில் இருக்கும் கோப்புகள் மட்டுமே, மேலும் ஒரு பணி நடக்கும்போது மட்டுமே orchestrator இயங்கும். இதன் நடைமுறைப் பயன் என்னவென்றால், பயன்பாட்டில் இல்லாத ஒரு hub உங்கள் memory-ஐப் பயன்படுத்தாது, வட்டில் உள்ள இடத்தைப் மட்டுமே பயன்படுத்தும்.

இந்தத் திட்டத்தின் open core பகுதி Hephaestus என்று அழைக்கப்படுகிறது. commands, paths மற்றும் environment variables ஆகியவற்றில் நீங்கள் இந்த பெயரையே காண்பீர்கள். இதன் repository agentlas-ai/Agentlas-OS ஆகும். இது Apache-2.0 உரிமத்தின் கீழ் உள்ளது மற்றும் பெரும்பாலும் Python-ல் எழுதப்பட்டுள்ளது.

இந்தத் திட்டம் எவ்வளவு ஆரம்ப நிலையில் உள்ளது

இந்த repository 4 June 2026 அன்று உருவாக்கப்பட்டது. 12 August 2026 நிலவரப்படி, இது சுமார் பத்து வாரங்கள் மட்டுமே பழமையானது, மேலும் இது சுமார் 1,150 stars மற்றும் 112 forks பெற்றுள்ளது. உண்மையான பணிகளுக்குப் பயன்படுத்தும் ஒரு திட்டத்திற்கு இது மிகக் குறைந்த காலமாகும்.

திட்டத்தின் வயதை விட அதன் release cadence முக்கியமானது. Version v1.1.103 ஆனது 8 August 2026 அன்றும், v1.2.0 ஆனது 12 August 2026 அன்றும் வெளியிடப்பட்டன. 1.1 series-ல் நூற்றுக்கும் மேற்பட்ட tagged releases வெளியிடப்பட்டுள்ளன, சில நாட்களில் பல releases வந்துள்ளன, இவை அனைத்தும் automation மூலம் வெளியிடப்படுகின்றன. இவ்வளவு வேகத்தில் இயங்கும் ஒரு திட்டத்தில், செவ்வாய்க்கிழமைக்கும் வியாழக்கிழமைக்கும் இடையில் அதன் செயல்பாடுகள் மாறக்கூடும்.

எனவே, release-ஐ pin செய்யவும். இதற்கான environment variable-ஐ installer வாசிக்கும், மேலும் கீழே உள்ள முழு வழிகாட்டியும் அதையே பயன்படுத்துகிறது. ஒரு நாளில் பலமுறை வெளியாகும் ஒரு திட்டத்தை pin செய்யாமல் install செய்தால், அந்த நேரத்தில் main-ல் என்ன பதிப்பு இருக்கிறதோ அதுவே உங்களுக்குக் கிடைக்கும்.

VPS-ல் உங்களுக்குத் தேவையானவை

பின்னணியில் எதுவும் இயங்காததால், இதற்கான தேவைகள் மிகக் குறைவு.

• ஒரு Linux VPS. Ubuntu 24.04 ஒரு சிறந்த அடிப்படைத் தேர்வாகும். நிறுவி (installer) uname -s மூலம் இயங்குதளத்தைக் கண்டறிந்து, Linux-க்காக non-macOS கிளையைத் தேர்வு செய்யும், எனவே headless box-களும் ஆதரிக்கப்படுகின்றன.
• கணினியில் curl, tar மற்றும் git, மற்றும் அதனுடன் செயல்படும் Python interpreter இருக்க வேண்டும்.
• raw.githubusercontent.com மற்றும் github.com-க்கு outbound HTTPS அணுகல் தேவை. நிறுவி ஒரு release archive-ஐத் தரவிறக்கம் செய்து அதன் SHA-256-ஐச் சரிபார்க்கும், எனவே outbound அணுகல் இல்லாத கணினியில் இதை நிறுவ முடியாது.
• ஒரு host harness, இதுவே மாதிரியுடன் (model) தொடர்பு கொள்ளும் coding agent ஆகும். Claude Code, Codex, opencode, goose மற்றும் Hermes ஆகிய அனைத்து adapters-களும் ஆதரிக்கப்படுகின்றன.

உங்களுக்கு root அணுகல் தேவையில்லை. நிறுவி உங்கள் home directory மற்றும் ~/.local/bin-ல் மட்டுமே எழுதும், மேலும் ஒரு பாதையில் எழுத அனுமதி இல்லை என்றால் அது நிறுத்துவதற்குப் பதிலாக எச்சரிக்கை மட்டுமே செய்யும். நீங்கள் இன்னும் கணினியைத் தேர்வு செய்து கொண்டிருக்கிறீர்கள் என்றால், VPS-ல் coding agent-ஐ இயக்குவது என்ற பகுதி, இதற்கான அடிப்படை image மற்றும் அணுகல் அமைப்புகளை விளக்குகிறது.

Pinned release-ஐ நிறுவுதல்

Upstream README-ல் main-லிருந்து வரும் script-ஐ நேரடியாக bash-க்கு pipe செய்யும் ஒரு வரி குறிப்பிடப்பட்டுள்ளது. அதை முதலில் தரவிறக்கம் செய்து வாசிக்கவும். அது உங்கள் shell configuration மற்றும் அது கண்டறியும் ஒவ்வொரு agent harness-லும் மாற்றங்களைச் செய்யும் என்பதால், அதைச் சரிபார்க்கும் பத்து நொடிகள் அவசியமானது.

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 என்பது pin ஆகும். அந்த script-க்குள் உள்ள வரி version="${HEPHAESTUS_REF:-v1.2.0}" ஆகும், எனவே அதை அமைக்காமல் விட்டால், இன்று v1.2.0 கிடைக்கும், அடுத்த வாரம் வேறொன்று கிடைக்கலாம். அதைத் தெளிவாக அமைத்துவிட்டால், ஆகஸ்டில் நீங்கள் சோதித்த அதே பதிப்பு அக்டோபரில் மீண்டும் கட்டமைக்கும்போது (rebuild) நிறுவப்படும்.

ஒரு முக்கியமான வரம்பு: மேலே உள்ள script URL main-ஐப் பின்தொடர்கிறது, ஆனால் HEPHAESTUS_REF அந்த script தரவிறக்கம் செய்யும் runtime payload-ஐ pin செய்கிறது. இவை இரண்டும் வெவ்வேறு விஷயங்கள். இரண்டையும் pin செய்ய, main-க்கு பதிலாக tag-லிருந்து script-ஐப் பெறவும்; அதற்கு அந்த URL-ல் உள்ள main-ஐ v1.2.0 என்று மாற்றவும்.

வெற்றிகரமாக இயங்கினால், அது எழுதிய பாதைகளைத் திரையில் காட்டும், அதில் இந்த இரண்டு வரிகளும் அடங்கும்:

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)

அந்த இரண்டாவது வரியைத்தான் பலரும் கவனிக்கத் தவறுவார்கள். புதிய Ubuntu கணினியில் PATH-ல் பெரும்பாலும் ~/.local/bin இருக்காது, எனவே நிறுவல் வெற்றிகரமாக முடிந்தாலும், ஒவ்வொரு hep-* கட்டளையும் command not found பிழையுடன் தோல்வியடையும். அதைச் சரிசெய்து உறுதிப்படுத்தவும்:

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

hep-global status, global router எதை நிறுவியது மற்றும் அது எந்தெந்த harness-களைக் கண்டறிந்தது என்பதைத் தெரிவிக்கும். அது இயங்கினால், உங்கள் PATH சரியாக உள்ளது என்று அர்த்தம்.

நிலைத் தரவுகள் சேமிக்கப்படும் இடம்

உங்கள் home directory-க்குள் அனைத்தும் கோப்புகளாகவே இருப்பதால், backup எடுப்பதும், migration செய்வதும் எளிது.

• ~/.agentlas/runtime/v1.2.0/ runtime-ஐக் கொண்டுள்ளது, இதில் ~/.agentlas/runtime/current/ என்பது தற்போதைய active version-க்கான symlink ஆகும். இரண்டு pinned version-களை அருகருகே வைத்திருக்க முடியும்.
• ~/.local/bin/ shell wrappers-ஐக் கொண்டுள்ளது: hephaestus, hep-build, hep-network, hep-search, hep-storm, hep-cloud மற்றும் hep-upload.
• ~/.agentlas/networking/memory/ நீடித்த நினைவகத்தை (durable memory) கொண்டுள்ளது: playbook-registry.json, playbook-candidates.jsonl மற்றும் memory-events.jsonl.
• ~/.agentlas/networking/hub-agents/<slug>/memory/experience.sqlite ஒவ்வொரு agent-ன் அனுபவத்தையும், அதன் உரிமையாளர் அடிப்படையில் சேமிக்கிறது.
• <project>/.agentlas/ontology-runtime.sqlite ஒவ்வொரு project-ன் நிலையையும் கொண்டுள்ளது, எனவே இது server-ஐச் சார்ந்து இருக்காமல், repository-யுடன் பயணிக்கிறது.
• ~/.cache/agentlas/python Linux-ல் Python cache-ஐக் கொண்டுள்ளது. macOS வேறு ஒரு path-ஐப் பயன்படுத்துகிறது, இது uname மூலம் installer தேர்ந்தெடுக்கும் branch-ஐப் பொறுத்தது.

ரகசியங்கள் (secrets), raw credentials மற்றும் முழுமையான transcripts எதையும் memory scope-க்குள் சேமிக்கக்கூடாது என்று நினைவக ஆவணங்கள் (memory documentation) தெளிவாகக் கூறுகின்றன. Credential மதிப்புகள் gitignore செய்யப்பட்ட local கோப்புகளிலேயே இருக்க வேண்டும்; நினைவகத்தில் பெயர்களும் path-களும் மட்டுமே பதியப்பட வேண்டும். ~/.agentlas மற்றும் உங்கள் project .agentlas ஆகிய directory-களை backup எடுத்தால், புதிய VPS-ல் அனைத்தையும் மீண்டும் உருவாக்க முடியும்.

இது எந்தெந்த model backends-ஐக் குறிவைக்க முடியும்

இந்த முழு அமைப்பையும் மறுவரையறை செய்யும் விவரம் இதோ: Agentlas ஒரு model API-ஐ அழைப்பதில்லை. மாறாக, host harness-தான் அதைச் செய்கிறது.

இந்த architecture ஆவணம், ஒவ்வொரு harness-க்கும் ஒரு core-ஐ மொழிபெயர்க்கும் runtime adapters-ஐ விவரிக்கிறது. மேலும், host runtime-தான் model credentials-ஐக் கொண்டுள்ளது என்பதையும் குறிப்பிடுகிறது. Agentlas இரண்டு தளங்களை வழங்குகிறது, அவற்றை harness எடுத்துக்கொள்கிறது: ஒரு AgentSkills கோப்பு மற்றும் stdio வழியாகச் செயல்படும் ஒரு MCP (model context protocol) server. எனவே, "Agentlas எந்தெந்த models-ஐ ஆதரிக்கிறது" என்ற கேள்விக்கு, "உங்கள் harness எந்தெந்த models-ஐ ஆதரிக்கிறது" என்பதே சரியான பதில். Claude Code, Codex, opencode, goose அல்லது Hermes ஆகியவற்றால் எட்டக்கூடிய எதையும் இது ஆதரிக்கும்.

Codex-பாணி TOML config-ல் MCP server-ஐப் பதிவு செய்வது இப்படி இருக்கும்:

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

இதே server, நிறுவலின் போது ~/.cursor/mcp.json, ~/.config/goose/config.yaml மற்றும் பிற harness config-களில் தானாகவே பதிவு செய்யப்படுகிறது. நீங்கள் இவற்றில் பலவற்றை ஒரே பெட்டியில் இணைக்கிறீர்கள் என்றால், VPS-ல் MCP servers-ஐ இயக்குவது என்ற பகுதி stdio மற்றும் process model-ஐப் பற்றி விரிவாக விளக்குகிறது.

சுய-வழங்கப்பட்ட (self-hosted) Ollama endpoint-ஐ சுட்டிக்காட்டுதல்

Harness-தான் model இணைப்பைக் கட்டுப்படுத்துவதால், Agentlas-ஐ local model-களுடன் இணைக்க, உங்கள் harness-ஐ Ollama-வை நோக்கிச் சுட்டிக்காட்ட வேண்டும். இதற்காகவே Ollama v0.15 பதிப்பில் launch subcommand-ஐச் சேர்த்தது; இது 11 ஆகஸ்ட் 2026 நிலவரப்படி C32.9% பதிப்பிலும் தொடர்ந்து வழங்கப்படுகிறது. இது எந்தவொரு environment variable-ஐயும் அமைக்கத் தேவையில்லாமல், ஏற்கனவே உள்ள harness-ஐ local model-களுடன் கட்டமைக்கிறது:

ollama pull qwen3-coder:30b
ollama launch opencode

நீங்கள் நிறுவிய harness-க்கு ஏற்ப opencode-க்கு பதிலாக claude, codex அல்லது droid என்பதைப் பயன்படுத்தவும். பின்னர், local runtime வழியாக ஒரு கோரிக்கையை (request) அனுப்பவும்:

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

வெற்றிகரமான routing, தேர்ந்தெடுக்கப்பட்ட agent அல்லது குழுவின் பெயருடன் ஒரு JSON முடிவை receipt_id-உடன் வழங்கும். பயனுள்ள பதில் எதுவும் கிடைக்கவில்லை என்றால், அதற்கு வழக்கமான காரணம் context length ஆகும். அதிக routing தேவைப்படும் அமர்வுகளுக்குக் குறைந்தது 64k context கொண்ட model-ஐ Agentlas ஆவணங்கள் பரிந்துரைக்கின்றன; இதற்கு உதாரணமாக qwen3-coder, gemma3 மற்றும் deepseek-r1 ஆகியவற்றைக் குறிப்பிடுகின்றன. Coding tools-க்கான Ollama-வின் சொந்த வழிகாட்டுதலும் இதே 64k அளவையே குறைந்தபட்சமாக வைக்கிறது. Routing முடிவுகள் prompt-ல் agent inventory-ஐக் கொண்டு செல்வதால், 8k அல்லது 32k context கொண்ட model inventory-ஐ வெட்டி (truncate) தவறான முடிவுகளை எடுக்கக்கூடும்.

Tagline-ல் சொல்லப்படாத ஒரு எச்சரிக்கை: Ollama, Gemma மற்றும் DeepSeek ஆகியவற்றிற்குச் சொந்தமாக plugin அல்லது command அமைப்பு கிடையாது, எனவே அங்கு /agentlas slash commands செயல்படாது. Local-model அமைப்பில், நீங்கள் MCP server மற்றும் hephaestus route command மூலமாகவே system-ஐ இயக்க வேண்டும். இது surface-ஐக் குறைக்கும் ஒரு உண்மையான மாற்றாகும், மேலும் உங்கள் கணினியிலேயே weights-ஐ வைத்திருப்பதற்கான நியாயமான விலையுமாகும்.

செயலற்ற நிபுணர்களின் மையத்திற்கு (hub) தேவைப்படும் RAM அளவு என்ன

எதுவும் இல்லை. இதுவே முழுமையான பதில், இதை நீங்கள் நம்புவதை விட நீங்களே சரிபார்த்து உறுதிப்படுத்திக் கொள்ளலாம்.

மையத்திற்கு வரும் நிபுணர்கள் package artifacts-ஆகவே வருகிறார்கள், processes-ஆக அல்ல. ஒரு நிபுணர் என்பது ஒரு agent.md மற்றும் .agentlas/ கோப்பகத்திலான JSON ஆகும்: தூண்டுதல்கள் (triggers) மற்றும் திறன்களுக்காக routing-card.json, எழுதும் எல்லைகளுக்காக memory-map.json, மற்றும் அது தனித்து இயங்குமா அல்லது குழுவாக இயங்குமா என்பதற்காக mode-map.json. Hephaestus Network என்பது பின்னணி சேவை (background service) இல்லாத, in-process scheduler ஆக விவரிக்கப்படுகிறது. பணிகளுக்கு இடையில், நீங்களே சரிபார்க்கவும்:

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

செயலற்ற நிலையில் உள்ள ஒரு கணினியில் முதல் இரண்டு கட்டளைகளும் எதையும் அச்சிடாது, ஏனெனில் அங்கு எதுவும் இயங்கவில்லை. மூன்றாவது கட்டளை, ஒரு மையத்தை நிறுத்தி வைப்பதால் ஏற்படும் ஒரே செலவை அச்சிடுகிறது, அது வட்டு (disk) பயன்பாடு மட்டுமே. நீங்கள் வைத்திருக்கும் நிபுணர்களின் எண்ணிக்கை மற்றும் runtime-உடன் வரும் embedding model ஆகியவற்றைப் பொறுத்து இது அதிகரிக்கும்.

எனவே, நினைவகத்தைப் (memory) பொறுத்தவரை, இது முழுமையாக burst-ஐப் பற்றிய கேள்வியாகும். அந்த burst என்பது உங்கள் harness மற்றும் model backend ஆகியவற்றின் கூட்டுத்தொகை. உங்கள் harness ஒரு hosted API-உடன் இணைக்கப்பட்டால், அதன் resident cost என்பது சில நூறு மெகாபைட்கள் கொண்ட ஒரு process மட்டுமே. நீங்கள் weights-ஐ நீங்களே host செய்தால், அந்த weights-தான் உங்கள் செலவு:

[
  {
    "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
  }
]

இவை Ollama-வின் model library-யிலிருந்து வெளியிடப்பட்ட தரவிறக்க அளவுகள், benchmark சோதனையிலிருந்து எடுக்கப்பட்ட அளவீடுகள் அல்ல. 64k context-க்கான KV cache, மேலே உள்ள பூஜ்ஜியத்திற்கு மேலான ஒவ்வொரு மதிப்பிற்கும் கூடுதலாகச் சேரும். Agentlas ஆவணங்களில் முதலில் குறிப்பிடப்பட்டுள்ள qwen3-coder:30b மாதிரிக்கு, context-க்கு முன்பே 19 GB weights தேவைப்படுகிறது. 27B Gemma மாறுபாடு கூட 17 GB-ஐக் கேட்கிறது. இந்த எண்களுடன் ஒப்பிடும்போது, Agentlas அடுக்கு (layer) என்பது கணக்கீட்டில் வராத அளவிற்கு மிகச் சிறியது.

ஒரே harness-ஐ இயக்குவதுடன் இதை ஒப்பிடுதல்

ஒரு hosted API-க்கு எதிராக ஒரு harness-ஐ இயக்கினால், உங்கள் VPS ஒரு process-ஐ மட்டுமே சுமக்கும். Agentlas-ஐச் சேர்த்தால், அது அதே ஒரு process-ஐயும், அதனுடன் சில கோப்புகளையும் சுமக்கும். Orchestrator என்பது நீண்ட காலம் இயங்கும் கூடுதல் நிரல் அல்ல; இது வட்டில் (disk) உள்ள தொகுப்புகளைக் கொண்டு உருவாக்கப்பட்டு, பின்னர் நீக்கப்படும் ஒரு பெரிய prompt ஆகும்.

இங்கே மாறும் செலவு நினைவகம் (memory) அல்ல, context ஆகும். பல சிறப்புத் திறன் கொண்ட cards மற்றும் அவற்றின் routing metadata-வை உள்ளிழுக்கும் ஒரு orchestrator, சாதாரண harness-ஐ விட ஒரு பணிக்கு அதிக tokens-ஐச் செலவிடும். Hosted API-ல் இது RAM-க்கு பதிலாக பணமாகச் செலவாகும். Local weights-ஐப் பயன்படுத்தினால், இது நேரமாக மாறும்; ஏனெனில் நீண்ட prompt என்பது CPU-ல் நீண்ட prefill அல்லது GPU-ன் அதிகப்படியான பயன்பாட்டைக் குறிக்கும்.

இதனால்தான், இது போன்ற ஒரு box-க்கான அளவு குறித்த ஆலோசனை (sizing advice), agent framework-ஐ அடிப்படையாகக் கொள்ளாமல், model முடிவை அடிப்படையாகக் கொள்கிறது. coding agent VPS-க்கான RAM மற்றும் CPU அளவு என்பது இதை விரிவாக விளக்குகிறது. அதன் முடிவு இங்கும் பொருந்தும்: நீங்கள் இயக்க விரும்பும் backend-க்கு ஏற்ற plan-ஐத் தேர்வு செய்யுங்கள், பின்னர் harness-க்காகக் கூடுதலாகச் சில gigabytes நினைவகத்தை ஒதுக்குங்கள். இதற்கு மாற்றாக always-on supervisor வடிவமைப்பை நீங்கள் ஒப்பிட விரும்பினால், Omnigent multi-agent harness அதன் coordinator-ஐ எப்போதும் இயங்கிக் கொண்டிருக்கும்படி வைத்திருக்கும். இது முற்றிலும் மாறுபட்ட அணுகுமுறை என்பதால், idle memory பயன்பாட்டில் நேரடியாகத் தெரியும்.

தோல்வி நிலைகள் மற்றும் நீங்கள் காணும் சரங்கள்

hep-build: command not found ஒரு சுத்தமான நிறுவலுக்குப் பிறகு. நிறுவி ~/.local/bin-க்கு எழுதியது, இது ஒரு இயல்புநிலை Ubuntu image-ல் PATH-ல் இல்லை. அதன் இறுதி வரியிலும், கடந்து சென்ற வரியிலும் அது இதைக் குறிப்பிட்டது. மேலே காட்டப்பட்டுள்ள export-ஐச் சேர்க்கவும்.

நீங்கள் கணினியை மீண்டும் கட்டமைத்த பிறகு நடத்தை மாற்றங்கள். நீங்கள் HEPHAESTUS_REF-ஐ அமைக்கவில்லை, எனவே நிறுவி அந்த நாளில் நடப்பில் இருந்த tag-ஐ இயல்புநிலையாகக் கொண்டது. அதை pin செய்யவும், உங்கள் பிற version எண்களுடன் அந்த pin-ஐயும் குறித்து வைக்கவும்.

Routing ஒரு local model-ல் தவறான நிபுணரைத் தேர்ந்தெடுக்கிறது. agent inventory-க்கு model-ன் context window மிகவும் சிறியதாக உள்ளது. 64k அல்லது அதற்கு மேற்பட்ட அளவுள்ள model-க்கு மாறவும், Ollama-வின் context length-ஐ அதற்கேற்ப அமைக்கவும், ஏனெனில் இயல்புநிலை அளவு coding tools எதிர்பார்ப்பதை விடக் குறைவாக உள்ளது.

ollama launch அங்கீகரிக்கப்படவில்லை. இந்த subcommand Ollama v0.15-ல் அறிமுகமானது. ஒரு distribution repository-லிருந்து பெறப்பட்ட பழைய packages அதற்கு முந்தையவை, எனவே தற்போதைய Ollama-வை நிறுவவும்.

நிறுவல் நீங்கள் எதிர்பாராத harnesses-ல் எழுதுகிறது. இந்த script தான் கண்டறியும் ஒவ்வொரு harness-ஐயும் கண்டறிந்து கட்டமைக்கிறது, இது ~/.claude/, ~/.codex/, ~/.gemini/, ~/.cursor/ மற்றும் பலவற்றில் எழுதுகிறது. ஒரு பகிரப்பட்ட build box-ல், script-ஐ இயக்குவதற்கு முன் அதைப் படித்து, அவற்றில் எந்தெந்த directories உங்களுக்கு முக்கியம் என்பதைத் தெரிந்துகொள்ளவும்.

இதை இப்போதே பயன்படுத்தலாமா

பத்து வாரங்கள் மட்டுமே பழமையான, நாளொன்றுக்கு பலமுறை தானியங்கி முறையில் releases செய்யப்படும் ஒரு திட்டத்தை production பணிச்சுமைக்கு உட்படுத்துவது சரியானதல்ல. இதன் கட்டமைப்பு மிகவும் சுவாரஸ்யமானது, Apache-2.0 உரிமம் கொண்டது, மேலும் கோப்பு அடிப்படையிலான வடிவமைப்பு என்பதால், இரண்டு கோப்பகங்களை (directories) நீக்குவதன் மூலம் இதை எளிதாக uninstall செய்துவிடலாம். இந்த காரணங்களால், இதைச் சோதிப்பது எளிது, ஆனால் இதையே நம்பியிருப்பது அதிக ஆபத்தானது.

தற்போதைய சூழலில் ஒரு விவேகமான அணுகுமுறை இதுதான்: v1.2.0 பதிப்பைப் பயன்படுத்தவும், மீண்டும் உருவாக்கக்கூடிய (rebuildable) ஒரு server-ல் இதை இயக்கவும், ~/.agentlas-ஐ உங்கள் backups-ல் வைத்திருக்கவும், பதிப்பை மாற்றும் முன் changelog-ஐ மீண்டும் ஒருமுறை வாசிக்கவும். இந்தத் துறையில் உள்ள பிற விருப்பங்கள் மற்றும் அவற்றின் முதிர்ச்சி நிலை குறித்த விரிவான ஆய்வுக்கு, self-hosted AI agents குறித்த தொகுப்பு ஒரு சிறந்த தொடக்கப்புள்ளியாக இருக்கும். மேலும், VPS-ல் Hermes agent-ஐ self-hosting செய்வது என்பது Agentlas பயன்படுத்தும் ஒரு கட்டமைப்பை விளக்குகிறது.

FAQ

Agentlas OS எனது VPS-ல் server-ஆக இயங்குமா?

இல்லை. இதில் daemon கிடையாது, listening port கிடையாது, repository-ல் container image-ம் கிடையாது. installer ஒரு runtime-ஐ ~/.agentlas/runtime/-லும், command wrappers-ஐ ~/.local/bin-லும் எழுதுகிறது. Hephaestus Network என்பது background service அல்ல, அது ஒரு in-process scheduler ஆகும். இதை idle நிலையில் உள்ள machine-ல் உறுதிப்படுத்தலாம்: pgrep -af hephaestus எதையும் காட்டாது, மேலும் enable செய்வதற்கு systemd unit-ம் கிடையாது. இங்கே self-hosting என்பது code மற்றும் state உங்கள் machine-ல் இருப்பதை குறிக்கிறதே தவிர, service ஏதும் இயங்கிக்கொண்டிருப்பதை அல்ல.

பயன்பாட்டில் இல்லாத specialists கொண்ட hub எவ்வளவு RAM-ஐப் பயன்படுத்தும்?

எதுவும் இல்லை, ஏனெனில் பயன்பாட்டில் இல்லாத specialists என்பவை processes அல்ல. ஒரு specialist என்பது ஒரு agent.md file மற்றும் routing-card.json, memory-map.json போன்ற metadata-க்களைக் கொண்ட .agentlas/ directory ஆகும். எனவே, parked hub-க்கு disk space மட்டுமே தேவைப்படும். இதை du -sh ~/.agentlas மூலம் அளவிடலாம். task இயங்கும்போது மட்டுமே memory பயன்படுத்தப்படும்; அந்த memory-ஐ உங்கள் harness process மற்றும் model backend பயன்படுத்துமே தவிர, Agentlas layer அல்ல.

நான் எந்த மாதிரியான models-ஐப் பயன்படுத்தலாம், அதை எனது சொந்த Ollama-வுடன் இணைக்க முடியுமா?

Agentlas தானாகவே model API-களை அழைப்பதில்லை. host harness-தான் credentials மற்றும் connection-ஐக் கையாள்கிறது, எனவே உங்கள் harness எதை ஆதரிக்கிறதோ அந்த models-ஐயே நீங்களும் பயன்படுத்த முடியும். local weights-க்கு, ollama launch opencode-ஐ இயக்கவும் (claude, codex அல்லது droid-க்கு பதிலாக). இது எந்த environment variables-ம் இன்றி உங்கள் Ollama server-உடன் harness-ஐ configure செய்யும். குறைந்தது 64k context கொண்ட model-ஐப் பயன்படுத்தவும் (உதாரணமாக qwen3-coder அல்லது gemma3). ஏனெனில் routing prompts-ல் agent inventory இருப்பதால், சிறிய context windows-ல் அவை சரியாக இயங்காது.

நான் எந்த version-ஐ நிறுவ வேண்டும், இங்கே pinning ஏன் முக்கியமானது?

12 August 2026 அன்று நடைமுறையில் உள்ள tagged release-ஆன v1.2.0-ஐ நிறுவவும். installer-ஐ இயக்கும் முன் HEPHAESTUS_REF=v1.2.0-ஐ set செய்யவும். script-ன் default மதிப்பு version="${HEPHAESTUS_REF:-v1.2.0}" ஆகும், இது maintainers அடுத்து வெளியிடும் tag-ஐப் பின்பற்றும். project-ன் 1.1 series-ல் நூற்றுக்கும் மேற்பட்ட releases வெளியிடப்பட்டதாலும், சில நாட்களில் பல releases வந்ததாலும் pinning மிகவும் முக்கியமானது. எனவே, pinning செய்யாமல் சில வாரங்களுக்குப் பிறகு rebuild செய்தால், நீங்கள் சோதித்த அதே system கிடைக்காது.