Agentlas OS sa VPS: install, Ollama, at gastos

Ano talaga ang Agentlas OS

Ang Agentlas OS ay isang open source agent runtime na nag-iimbak ng mga specialist agent sa disk bilang mga package at gumagawa ng pansamantalang orchestrator para sa bawat task. Mase-self-host mo ito sa pamamagitan ng pag-install nito sa sarili mong user account sa isang Linux VPS. Hindi ito isang service. Walang daemon, listening port, web interface, o container image sa repository.

Ang huling pangungusap na iyon ang nagtatakda sa lahat ng iba pa sa page na ito. Karamihan sa mga multi-agent system ay nagpapatakbo ng supervisor process na patuloy na tumatakbo at nagho-host sa mga agent. Binabaligtad ito ng Agentlas: mga file na naka-store ang mga specialist, at umiiral lamang ang orchestrator habang tumatakbo ang isang task. Ang praktikal na resulta: ang idle na hub ay disk space lamang ang ginagamit, hindi memory.

Tinatawag ng project ang open core nito na Hephaestus, at ang pangalang ito ang makikita mo sa mga command, path, at environment variable. Ang repository ay agentlas-ai/Agentlas-OS, lisensyado sa ilalim ng Apache-2.0, at pangunahing nakasulat sa Python.

Gaano pa kaaga ang yugtong ito ng project, sa totoo lang

Nilikha ang repository noong 4 June 2026. Noong 12 August 2026, humigit-kumulang sampung linggo pa lamang itong umiiral, na may halos 1,150 stars at 112 forks. Bata pa ito para sa isang bagay na gagamitin mo sa aktuwal na trabaho.

Mas mahalaga ang dalas ng release kaysa sa edad nito. Na-publish ang version v1.1.103 noong 8 August 2026, at inilabas ang v1.2.0 noong 12 August 2026. Mahigit isang daang tagged release iyon sa 1.1 series, at may ilang araw na maraming release, na inilalathala ng automation. Ang project na gumagalaw nang ganoon kabilis ay maaaring magbago ng behavior nang hindi mo namamalayan sa pagitan ng Martes at Huwebes.

Kaya i-pin ang release. Binabasa ng installer ang isang environment variable para rito, at ginagamit ito sa buong guide sa ibaba. Kapag hindi naka-pin ang install ng isang project na ilang beses nagre-release bawat araw, makukuha mo kung ano man ang nasa main sa oras na iyon.

Mga kailangan sa VPS

Kaunti lamang ang mga requirement dahil walang tumatakbo sa background.

• Isang Linux VPS. Maayos na baseline ang Ubuntu 24.04. Tinutukoy ng installer ang operating system gamit ang uname -s at gumagamit ng non-macOS branch para sa Linux, kaya suportado ang headless box.
• curl, tar at git sa box, kasama ang gumaganang Python interpreter.
• Outbound HTTPS papunta sa raw.githubusercontent.com at github.com. Nagda-download ang installer ng release archive at sinusuri ang SHA-256 nito, kaya hindi makakapag-install ang box na walang outbound access.
• Isang host harness, na siyang coding agent na aktuwal na kumokonekta sa isang model. Supported na adapters ang Claude Code, Codex, opencode, goose at Hermes.

Hindi mo kailangan ng root. Sa iyong home directory lamang at sa ~/.local/bin nagsusulat ang installer, at nagbibigay ito ng warning sa halip na mag-abort kapag hindi writable ang isang path. Kung pumipili ka pa lamang ng box, ipinapaliwanag ng pagpapatakbo ng coding agent sa VPS ang base image at access setup na pinapatungan nito.

I-install ang naka-pin na release

Idinodokumento ng upstream README ang isang linya na nagpi-pipe ng script mula sa main direkta sa bash. I-download muna ito at basahin. Nagsusulat ito sa iyong shell configuration at sa bawat agent harness na makita nito, kaya maglaan ng sampung segundo para suriin ito.

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

Ang HEPHAESTUS_REF ang pin. Sa loob ng script, ang linyang ito ay version="${HEPHAESTUS_REF:-v1.2.0}", kaya kapag hindi ito itinakda, magbibigay ito ng v1.2.0 ngayon at ibang bersyon sa susunod na linggo. Itakda ito nang tahasan upang ang rebuild mo sa October ay mag-install ng bersyong sinubukan mo noong August.

May isang mahalagang limitasyon: sinusundan ng script URL sa itaas ang main, habang pini-pin ng HEPHAESTUS_REF ang runtime payload na dina-download ng script. Magkaiba ang dalawang ito. Para parehong ma-pin, kunin ang script mula sa tag sa halip na sa main sa pamamagitan ng pagpapalit ng main ng v1.2.0 sa URL na iyon.

Ang matagumpay na pag-run ay nagpi-print ng mga path na isinulat nito, kabilang ang dalawang linyang ito:

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)

Ang ikalawang linyang iyon ang madalas nalalaktawan. Sa bagong Ubuntu box, madalas na wala ang ~/.local/bin sa PATH, kaya nagfa-fail ang bawat hep-* command na may command not found kahit matagumpay ang installation. Ayusin ito at kumpirmahin:

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

Iniuulat ng hep-global status kung ano ang in-install ng global router at kung aling mga harness ang natukoy nito. Kung tumatakbo ito, tama ang iyong PATH.

Kung saan naka-store ang state

Ang lahat ay file sa loob ng home directory mo, kaya simple ang pag-backup at pag-migrate.

• ~/.agentlas/runtime/v1.2.0/ ang naglalaman ng runtime mismo, at ang ~/.agentlas/runtime/current/ ay symlink papunta sa active version. Maaaring magkatabi ang dalawang pinned version.
• ~/.local/bin/ ang naglalaman ng shell wrappers: hephaestus, hep-build, hep-network, hep-search, hep-storm, hep-cloud at hep-upload.
• ~/.agentlas/networking/memory/ ang naglalaman ng persistent memory: playbook-registry.json, playbook-candidates.jsonl at memory-events.jsonl.
• ~/.agentlas/networking/hub-agents/<slug>/memory/experience.sqlite ang naglalaman ng experience ng bawat agent, na naka-scope ayon sa owner.
• <project>/.agentlas/ontology-runtime.sqlite ang naglalaman ng state ng bawat project, kaya kasama ito sa repository at hindi nakatali sa server.
• ~/.cache/agentlas/python ang naglalaman ng Python cache sa Linux. Iba ang path sa macOS; ito ang branch na pinipili ng installer gamit ang uname.

Malinaw sa memory documentation na hindi dapat ilagay ang secrets, raw credentials, at buong transcript sa anumang memory scope. Nananatili ang credential values sa mga lokal na file na naka-gitignore, at pangalan at path lamang ang itinatala ng memory. I-back up ang ~/.agentlas at ang mga directory ng project na .agentlas para ma-rebuild mo ang mga ito sa bagong VPS.

Mga model backend na maaari nitong i-target

Narito ang detalyeng nagbabago sa pag-unawa sa buong setup: Hindi tumatawag ang Agentlas sa isang model API. Ang host harness ang gumagawa nito.

Inilalarawan ng architecture document ang mga runtime adapter na nagsasalin ng isang core para sa bawat harness, at sinasabi nitong ang host runtime ang namamahala sa model credentials. Nagbibigay ang Agentlas ng dalawang surface na ginagamit ng harness: isang AgentSkills file at isang MCP (model context protocol) server na nakikipag-ugnayan sa pamamagitan ng stdio. Kaya ang tanong na “anong mga model ang sinusuportahan ng Agentlas” ay ang totoo’y “anong mga model ang sinusuportahan ng iyong harness,” at ang sagot ay anumang model na kayang maabot ng Claude Code, Codex, opencode, goose, o Hermes.

Ganito nirerehistro ang MCP server sa isang Codex-style TOML config:

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

Awtomatikong nirerehistro ang parehong server sa ~/.cursor/mcp.json, ~/.config/goose/config.yaml at sa iba pang harness config habang nag-i-install. Kung magse-set up ka ng ilan sa mga ito sa iisang box, mas detalyadong ipinapaliwanag ng pagpapatakbo ng mga MCP server sa isang VPS ang stdio at process model.

Ituro ito sa isang self-hosted na Ollama endpoint

Dahil ang harness ang namamahala sa koneksyon sa model, ang pag-configure ng Agentlas para gumamit ng mga lokal na model ay nangangahulugang pag-configure ng harness para gumamit ng Ollama. Nagdagdag ang Ollama ng launch subcommand sa v0.15 para mismo sa layuning ito, at kasama pa rin ito sa v0.32.9 noong 11 August 2026. Kino-configure nito ang isang umiiral na harness para gumamit ng mga lokal na model nang walang kailangang i-set na environment variable:

ollama pull qwen3-coder:30b
ollama launch opencode

Gamitin ang claude, codex o droid kapalit ng opencode, depende sa harness na na-install mo. Pagkatapos, i-route ang isang request sa lokal na runtime:

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

Ang matagumpay na pag-route ay nagbabalik ng JSON decision na nagsasaad kung aling agent o team ang pinili nito, kasama ang receipt_id. Kung wala itong kapaki-pakinabang na ibinabalik, karaniwang sanhi ang context length. Inirerekomenda ng dokumentasyon ng Agentlas ang model na may hindi bababa sa 64k context para sa mga session na maraming routing, at binabanggit bilang mga halimbawa ang qwen3-coder, gemma3 at deepseek-r1. Pareho rin ang 64k minimum sa sariling gabay ng Ollama para sa coding tools. Kasama sa prompt ang inventory ng mga agent para sa routing decisions, kaya kapag 8k o 32k context ang model, napuputol ang inventory at mali ang napipili nito.

May isang limitasyong hindi sasabihin ng tagline. Walang sariling plugin o command system ang Ollama, Gemma at DeepSeek, kaya hindi available ang /agentlas slash commands sa mga ito. Sa setup na gumagamit ng lokal na model, pinapagana mo ang system sa pamamagitan ng MCP server at ng hephaestus route command. Totoong nababawasan nito ang mga feature na available, ngunit ito ang kapalit ng pagpapanatili ng mga weights sa sarili mong machine.

Gastos sa RAM ng hub ng mga idle specialist

Wala. Iyan ang buong sagot, at mapatutunayan mo ito sa halip na basta paniwalaan.

Dumarating ang mga borrowed hub specialist bilang package artifact, hindi bilang mga process. Ang isang specialist ay isang agent.md kasama ang isang .agentlas/ directory ng JSON: routing-card.json para sa mga trigger at capability, memory-map.json para sa mga hangganan ng pagsusulat, at mode-map.json para tukuyin kung tumatakbo ito nang mag-isa o bilang bahagi ng team. Inilalarawan ang Hephaestus Network bilang in-process scheduler na walang background service. Sa pagitan ng mga task, suriin ito mismo:

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

Walang inilalabas ang unang dalawang command sa isang idle na machine dahil walang naka-resident. Inilalabas ng ikatlong command ang tanging gastos na ipinapataw sa iyo ng isang naka-park na hub: disk space. Lumalaki ito batay sa dami ng specialist na pinananatili mo, pati sa bundled embedding model na kasama sa runtime.

Kaya ang tanong tungkol sa memory ay ganap na tanong tungkol sa burst, at ang burst ay ang iyong harness kasama ang model backend. Kung nakikipag-ugnayan ang harness sa isang hosted API, ang resident cost ay isang process na ilang daang megabyte. Kung ikaw mismo ang nagho-host ng weights, ang weights ang pangunahing gastos:

[
  {
    "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
  }
]

Ang mga iyon ay mga naka-publish na download size mula sa model library ng Ollama, hindi mga sukat mula sa isang benchmark run. Bukod sa bawat figure na higit sa zero, kailangan ding idagdag ang KV cache para sa 64k context. Ang model na unang tinutukoy sa Agentlas docs, qwen3-coder:30b, ay nangangailangan ng 19 GB na weights bago isama ang context. Kahit ang 27B Gemma variant ay nangangailangan ng 17 GB. Kung ihahambing sa mga numerong iyon, hindi na lumilitaw sa budget ang mismong Agentlas layer.

Paghahambing nito sa pagpapatakbo ng isang harness

Magpatakbo ng isang harness laban sa isang hosted API, at isang process ang dadalhin ng iyong VPS. Idagdag ang Agentlas, at ganoon pa rin ang isang process, pati ang mga file. Hindi isang dagdag na long-lived program ang orchestrator. Isa itong mas malaking prompt na binubuo mula sa mga package sa disk at pagkatapos ay dini-discard.

Ang nagbabago ay context, hindi memory. Ang orchestrator na kumukuha ng ilang specialist card at routing metadata nito ay gumagamit ng mas maraming token sa bawat task kaysa sa bare harness. Sa hosted API, gastos ito at hindi RAM. Sa local weights, oras naman ang kapalit, dahil ang mas mahabang prompt ay nangangailangan ng mas mahabang prefill sa CPU o mas mabigat na gawain sa GPU.

Ito ang dahilan kung bakit nakabatay ang sizing advice para sa ganitong box sa desisyon tungkol sa model, hindi sa agent framework. Detalyadong tinatalakay ito sa Pag-size ng RAM at CPU para sa coding agent VPS, at pareho pa rin ang konklusyon dito: piliin ang plan batay sa backend na balak mong patakbuhin, pagkatapos ay magdagdag ng ilang gigabytes na headroom para sa harness. Kung gusto mo namang ikumpara ang always-on supervisor design, nananatiling naka-resident ang coordinator ng Omnigent multi-agent harness, kaya kabaligtaran ito ng trade-off at direktang makikita sa idle memory.

Mga failure mode at mga string na makikita mo

hep-build: command not found kaagad pagkatapos ng malinis na install. Sumulat ang installer sa ~/.local/bin, na wala sa PATH sa default na Ubuntu image. Nakasaad ito sa huling linya nito, pero lumampas na ang linya sa screen. Idagdag ang export na ipinakita sa itaas.

Nagbabago ang behavior pagkatapos mong i-rebuild ang box. Hindi mo itinakda ang HEPHAESTUS_REF, kaya ginamit ng installer ang tag na kasalukuyang default noong araw na iyon. I-pin ito at itala ang pin kasama ng iba mong version number.

Maling specialist ang pinipili ng routing sa isang local model. Masyadong maliit ang context window ng model para sa agent inventory. Gumamit ng model na may 64k o higit pa, at itakda ang context length ng Ollama na katumbas nito, dahil mas mababa ang default kaysa sa kailangan ng coding tools.

Hindi nakikilala ang ollama launch. Dumating ang subcommand na ito sa Ollama v0.15. Mas luma rito ang mga package mula sa distribution repository, kaya mag-install ng kasalukuyang Ollama.

Sumusulat ang install sa mga harness na hindi mo inaasahan. Awtomatikong nade-detect at kino-configure ng script ang bawat harness na makita nito, at sumusulat sa ~/.claude/, ~/.codex/, ~/.gemini/, ~/.cursor/ at iba pa. Sa shared build box, basahin muna ang script bago ito patakbuhin at alamin kung alin sa mga directory na iyon ang kailangan mo.

Dapat mo na ba itong patakbuhin?

Ang isang project na sampung linggo pa lamang at may automated releases nang ilang beses bawat araw ay hindi pa angkop sa production workload. Talagang kawili-wili ang architecture nito, Apache-2.0 ang license nito, at dahil file-based ang disenyo, sapat nang burahin ang dalawang directory para ma-uninstall ito. Dahil dito, mura itong subukan pero magastos itong asahan.

Isang praktikal na posisyon sa ngayon: i-pin ang v1.2.0, patakbuhin ito sa isang box na maaari mong i-rebuild, isama ang ~/.agentlas sa iyong backups, at basahin muli ang changelog bago alisin o baguhin ang pin. Para sa mas malawak na pagsusuri sa iba pang nasa larangang ito at sa maturity ng bawat option, mas magandang panimulang punto ang roundup ng mga self-hosted AI agent, habang tinatalakay sa pagpapatakbo ng self-hosted Hermes agent sa isang VPS ang isa sa mga harness na ina-adapt ng Agentlas.

FAQ

Tumatakbo ba ang Agentlas OS bilang server sa aking VPS?

Hindi. Walang daemon, listening port, o container image sa repository. Nagsusulat ang installer ng runtime sa ilalim ng ~/.agentlas/runtime/ at mga command wrapper sa ~/.local/bin. Ang Hephaestus Network ay isang in-process scheduler, hindi background service. Makukumpirma mo ito sa isang idle box: walang inilalabas na output ang pgrep -af hephaestus, at walang systemd unit na maaaring i-enable. Ang ibig sabihin ng self-hosting dito ay nasa machine mo ang code at state, hindi na may service na nakikinig.

Gaano karaming RAM ang ginagamit ng hub ng mga idle specialist?

Wala, dahil hindi mga process ang idle specialist. Ang isang specialist ay isang agent.md file kasama ang .agentlas/ directory na naglalaman ng routing-card.json, memory-map.json, at katulad na metadata. Kaya disk space ang ginagamit ng isang parked hub. Sukatin ito gamit ang du -sh ~/.agentlas. Memory lang ang ginagamit habang tumatakbo ang isang task. Ang kumokonsumo nito ay ang harness process at model backend mo, hindi ang Agentlas layer.

Aling mga model ang maaari kong gamitin, at maaari ko ba itong ituro sa sarili kong Ollama?

Hindi direktang tumatawag ang Agentlas sa model API. Ang host harness ang namamahala sa credentials at connection, kaya ang mga suportadong model ay anumang sinusuportahan ng harness mo. Para sa local weights, patakbuhin ang ollama launch opencode, at palitan ito ng claude, codex, o droid. Kino-configure nito ang harness para gamitin ang Ollama server mo nang walang environment variable. Gumamit ng model na may hindi bababa sa 64k context, gaya ng qwen3-coder o gemma3, dahil dala ng routing prompt ang inventory ng agent at lubhang nati-truncate sa mas maliliit na window.

Aling version ang dapat kong i-install, at bakit mahalaga rito ang pag-pin?

I-install ang v1.2.0, ang tagged release na kasalukuyan noong 12 August 2026, sa pamamagitan ng pagtatakda ng HEPHAESTUS_REF=v1.2.0 bago patakbuhin ang installer. Ang sariling default ng script ay version="${HEPHAESTUS_REF:-v1.2.0}", na sumusubaybay sa susunod na ita-tag ng mga maintainer. Mas mahalaga rito ang pag-pin kaysa karaniwan dahil nag-publish ang project ng mahigit isang daang release sa 1.1 series nito, at may ilang araw na maraming release. Kaya kung hindi naka-pin ang rebuild makalipas ang ilang linggo, hindi nito ibibigay ang system na sinubukan mo.