Hermes Agent sur Cloud Run — Guide de lab

📖 Guide de configuration

Vue d'ensemble

Durée estimée : 45–60 minutes

Hermes Agent est l'agent d'IA personnel auto-hébergé et auto-améliorant de Nous Research — il apprend des compétences par l'expérience, conserve une mémoire d'une session à l'autre et expose une API compatible OpenAI ainsi que des connecteurs de messagerie depuis un unique processus de passerelle (gateway). Ce lab vous fait parcourir l'intégralité du cycle de vie opérationnel du module Hermes on Cloud Run sur Google Cloud : le déployer, y accéder et le vérifier, l'exploiter au quotidien, l'observer, diagnostiquer les problèmes courants et le démanteler. Comme Hermes n'a aucune base de données Cloud SQL, les déploiements sont nettement plus rapides que pour la plupart des modules de ce catalogue.

Le lab porte sur l'exploitation du module Cloud Run et de la plateforme Google Cloud, et non sur les fonctionnalités du produit Hermes. Pour la liste complète des services provisionnés et de chaque paramètre de configuration (organisés par groupe), consultez le Guide de configuration — ce lab ne reprend volontairement pas ce détail afin de rester exact dans le temps.

Objectifs

À la fin de ce lab, vous saurez :

• Déployer le module depuis la plateforme RAD et repérer les ressources qu'il provisionne.
• Appeler l'API compatible OpenAI de la passerelle avec le jeton bearer généré automatiquement.
• Effectuer les opérations du jour 2 — mettre à jour la version, renouveler les clés et vérifier que l'état de l'agent, stocké sur NFS, survit à un redéploiement.
• Observer le service avec Cloud Logging et Cloud Monitoring.
• Diagnostiquer et résoudre les problèmes de déploiement et d'exécution les plus courants.
• Démanteler proprement le déploiement, en comprenant ce qu'il advient de l'état de l'agent.

Prérequis

• Services_GCP, avec la VM du serveur NFS (create_network_filesystem = true) — Hermes stocke l'intégralité de son identité sur le partage NFS partagé, la VM du serveur NFS est donc obligatoire. Vous n'avez pas besoin de la déployer ni de la configurer vous-même au préalable : create_network_filesystem est activé par défaut pour chaque déploiement automatisé, si bien que le Services_GCP provisionné automatiquement par la plateforme satisfait déjà cette exigence. Si vous déployez plutôt Services_GCP manuellement, ne désactivez pas ce paramètre. Pour vérifier que la VM du serveur NFS est RUNNING après le déploiement :

  gcloud compute instances list --project="$PROJECT" \
    --filter="name~nfs" --format="table(name,zone,status)"

• Un projet Google Cloud avec la facturation activée.
• Une clé API Anthropic (ou une clé OpenAI) — l'agent ne peut exécuter aucun tour sans au moins une clé de fournisseur de modèles.
• gcloud CLI authentifiée : gcloud auth login et gcloud auth application-default login.
• Le rôle IAM Project Owner (ou équivalent) sur le projet.
• Vous utilisez votre propre projet ? Avant le premier déploiement dans celui-ci, la boîte de dialogue de confirmation du déploiement vous demande de prouver que vous le contrôlez (Get verification code, exécutez les commandes affichées en tant que propriétaire (Owner) du projet, puis Verify) et d'attribuer le rôle Owner au compte de service de déploiement RAD. Un projet que RAD crée pour vous ne nécessite ni l'un ni l'autre.
• Mode avancé pour les modifications ultérieures. Le formulaire de création ne demande que la première page de paramètres (et, dans un projet que RAD crée pour vous, guère plus que le nom du tenant et la région). Tous les autres paramètres du Guide de configuration — y compris les paramètres de mise à l'échelle et de version des tâches du jour 2 — se modifient ensuite avec Update sur la page du déploiement après avoir coché Enable advanced mode, ce qui exige un solde de crédits couvrant le coût de build estimé de la mise à jour (les mises à jour n'entraînent jamais de frais de module). Dans un environnement de lab, seul un administrateur peut utiliser le mode avancé.
• Accès à la plateforme RAD avec l'autorisation de déployer des modules dans le projet.

Définissez une fois ces variables shell ; chaque tâche ci-dessous les réutilise :

export PROJECT="<your-gcp-project-id>"
export REGION="us-central1"          # the region you deploy into

---

Tâche 1 — Déployer le module [Automatisé]

1. Dans la plateforme RAD, ouvrez Solutions → Solution Catalog → RAD modules, puis ouvrez Hermes (Cloud Run) depuis la liste Platform Modules, choisissez Configuration Form sous How would you like to configure this deployment? (le formulaire s'ouvre sur le Conversational Assistant si vous détenez des crédits achetés ou si vous êtes partenaire ou administrateur), renseignez project_id et collez votre anthropic_api_key. Ne configurez que ce dont vous avez besoin — le Guide de configuration documente chaque paramètre par groupe, avec ses valeurs par défaut. Cliquez sur Deploy Module, vérifiez le coût estimé dans la boîte de dialogue Deployment Confirmation lorsqu'elle apparaît et cliquez sur Submit (si la boîte de dialogue ajoute ensuite une étape de confirmation, comme la vérification d'un projet que vous apportez, effectuez-la et cliquez sur Confirm), ce qui ouvre la page d'état du déploiement avec les journaux en temps réel.

2. La plateforme provisionne le service Cloud Run (une seule instance toujours active — min=1, max=1, CPU toujours alloué), les secrets Secret Manager (votre clé de fournisseur ainsi que API_SERVER_KEY et le mot de passe du tableau de bord, générés automatiquement), met en miroir l'image officielle nousresearch/hermes-agent dans Artifact Registry, et monte le NFS partagé sur /opt/data. Il n'y a ni instance Cloud SQL, ni job d'initialisation de base de données, ni build d'image, si bien que les premiers déploiements se terminent généralement en 10–15 minutes.

3. Une fois terminé, repérez les ressources avec des filtres indépendants des noms (afin que les commandes continuent de fonctionner quel que soit le suffixe du déploiement) :

   SERVICE=$(gcloud run services list --project="$PROJECT" --region="$REGION" \
     --filter="metadata.name~hermes" --format="value(metadata.name)" --limit=1)
   SERVICE_URL=$(gcloud run services describe "$SERVICE" \
     --project="$PROJECT" --region="$REGION" --format="value(status.url)")
   echo "Service: $SERVICE"
   echo "URL:     $SERVICE_URL"
   
   gcloud secrets list --project="$PROJECT" --filter="name~hermes"

---

Tâche 2 — Accéder et vérifier [Manuel]

1. Le serveur d'API compatible OpenAI de la passerelle (port 8642) authentifie chaque requête avec le jeton bearer API_SERVER_KEY généré automatiquement. Récupérez-le dans Secret Manager et appelez l'API :

   API_SECRET=$(gcloud secrets list --project="$PROJECT" \
     --filter="name~hermes AND name~api-server-key" \
     --format="value(name)" --limit=1)
   KEY=$(gcloud secrets versions access latest --secret="$API_SECRET" --project="$PROJECT")
   
   curl -s -H "Authorization: Bearer $KEY" "$SERVICE_URL/v1/models"

   Une liste de modèles au format JSON confirme que la passerelle est démarrée, que le répertoire d'état NFS est initialisé et que la clé API est correctement câblée. Vérifiez aussi que le corps de la réponse n'est pas vide — un 200 avec un corps de longueur nulle signifie que le point de terminaison de santé a été servi par le mauvais processus, et non par la passerelle :

   curl -s -H "Authorization: Bearer $KEY" "$SERVICE_URL/v1/models" | wc -c   # expect a non-zero byte count

   Une requête non authentifiée doit être rejetée :

   curl -s -o /dev/null -w "%{http_code}\n" "$SERVICE_URL/v1/models"   # expect 401/403

2. Notez que le tableau de bord web (port 9119) n'est pas joignable sur Cloud Run — Cloud Run n'achemine qu'un seul port d'entrée (8642). Utilisez l'API compatible OpenAI (ou le port-forward de la variante GKE) pour un accès interactif. Si vous avez activé Telegram (enable_telegram + jeton du bot), envoyez un message à votre bot — le connecteur interroge en long-polling vers l'extérieur, il fonctionne donc sans webhook ni URL de rappel publique.

---

Tâche 3 — Exploiter et maintenir en service (jour 2) [Manuel]

1. Inspectez le service et ses révisions (chaque déploiement crée une révision immuable ; l'instance unique reste chaude car le CPU est toujours alloué) :

   gcloud run services describe "$SERVICE" --project="$PROJECT" --region="$REGION"
   gcloud run revisions list --service="$SERVICE" --project="$PROJECT" --region="$REGION"

2. Mettez à jour la version de l'application en modifiant le paramètre de version dans la plateforme RAD et en l'appliquant via Update ; le miroir recopie le tag si le digest a changé et une nouvelle révision est déployée. N'augmentez pas max_instance_count — une validation au moment du plan rejette toute valeur supérieure à 1 (SQLite n'accepte qu'un seul processus d'écriture).

3. Renouvelez les clés. Fournissez une nouvelle valeur pour api_server_key (ou anthropic_api_key) dans la plateforme RAD et cliquez sur Update — une nouvelle version Secret Manager est créée et le service redémarre avec elle. Laisser un identifiant vide lors d'une mise à jour conserve la version stockée :

   gcloud secrets versions list "$API_SECRET" --project="$PROJECT"

4. Vérifiez que l'état survit à un redéploiement. L'identité de l'agent (configuration SQLite, sessions, compétences apprises, mémoires) réside dans /opt/data sur le NFS partagé, et non dans le conteneur. Après la mise à jour de version de l'étape 2, vérifiez que le même API_SERVER_KEY fonctionne toujours et que l'agent se souvient toujours de sa configuration. Vous pouvez aussi inspecter directement les fichiers d'état depuis la VM du serveur NFS :

   NFS_VM=$(gcloud compute instances list --project="$PROJECT" \
     --filter="name~nfs" --format="value(name)" --limit=1)
   NFS_ZONE=$(gcloud compute instances list --project="$PROJECT" \
     --filter="name~nfs" --format="value(zone)" --limit=1)
   gcloud compute ssh "$NFS_VM" --zone="$NFS_ZONE" --project="$PROJECT" \
     --command='ls -la /mnt/nfs* 2>/dev/null || ls -la /export 2>/dev/null'

---

Tâche 4 — Observer : journalisation et surveillance [Manuel]

1. Journaux — depuis la CLI ou l'explorateur de journaux (Logs Explorer) :

   gcloud run services logs read "$SERVICE" --project="$PROJECT" --region="$REGION" --limit=50

   Filtre du Logs Explorer : resource.type="cloud_run_revision" AND resource.labels.service_name="<service>". Recherchez les lignes d'initialisation de s6-overlay et les messages de démarrage de la passerelle/du serveur d'API.

2. Surveillance — ouvrez le tableau de bord Cloud Run du service et examinez le nombre d'instances (attendez-vous à une valeur constante de 1 — ce module est volontairement toujours actif), l'utilisation du CPU / de la mémoire et la latence des requêtes. Le test de disponibilité est désactivé par défaut (le serveur d'API exige une authentification), les alertes reposent donc sur des métriques — consultez Alerting → Policies.

---

Tâche 5 — Dépanner et déboguer [Manuel]

Des techniques durables pour les modes de défaillance que vous rencontrerez le plus probablement. Il s'agit de diagnostics au niveau de la plateforme, qui ne changent pas avec les versions de Hermes.

• VM du serveur NFS non RUNNING → échec du déploiement ou du démarrage. Si la VM NFS partagée est arrêtée ou en rupture de capacité (ZONE_RESOURCE_POOL_EXHAUSTED — un problème de capacité, et non de quota), la découverte ne trouve aucun serveur et le montage échoue, ou bien le module tente de créer un NFS intégré et entre en collision avec des ressources existantes (409 already exists). Vérifiez d'abord la VM, et attendez qu'elle soit RUNNING avant de redéployer :

  gcloud compute instances list --project="$PROJECT" \
    --filter="name~nfs" --format="table(name,zone,status)"

• Clé de fournisseur de modèles manquante → l'agent ne peut exécuter aucun tour. Le service peut être en bonne santé (la sonde TCP réussit) alors que chaque tour de l'agent échoue. Recherchez dans les journaux des erreurs d'authentification provenant du fournisseur, et vérifiez que le secret Anthropic a une version :

  gcloud secrets versions list "$(gcloud secrets list --project="$PROJECT" \
    --filter='name~hermes AND name~anthropic' --format='value(name)' --limit=1)" \
    --project="$PROJECT"

  Une erreur "Secret was not found" au moment du déploiement signifie que le conteneur du secret existe mais n'a aucune version — fournissez anthropic_api_key et effectuez une mise à jour.
• Révision en mauvaise santé / déploiement bloqué : inspectez la dernière révision et ses journaux. La sonde de démarrage par défaut est en TCP et la sonde de vivacité (liveness) est désactivée par défaut (Cloud Run ne prend pas en charge les sondes de vivacité TCP) ; si quelqu'un a basculé la sonde de démarrage vers un chemin HTTP sur le serveur d'API authentifié, elle renvoie 401 indéfiniment et le déploiement reste bloqué — revenez au TCP. De même, n'activez la sonde de vivacité avec un chemin HTTP qu'après avoir vérifié que le point de terminaison est sans authentification — les sondes s'exécutent sans authentification, si bien qu'un point de terminaison renvoyant 401/403 tue des instances saines.

  gcloud run revisions list --service="$SERVICE" --project="$PROJECT" --region="$REGION"
  gcloud run services logs read "$SERVICE" --project="$PROJECT" --region="$REGION" --limit=100

• Échecs d'authentification du connecteur (Telegram) : un jeton de bot erroné ou révoqué se traduit par des 401 répétés de api.telegram.org dans les journaux. Mettez à jour telegram_bot_token dans la plateforme et redéployez ; le connecteur fonctionne en long-polling, aucun enregistrement de webhook n'est donc en jeu.
• Erreurs 403 / d'autorisation : vérifiez les rôles IAM du compte de service d'exécution (en particulier Secret Manager accessor).

Consultez la section Configuration Pitfalls du Guide de configuration pour les pièges propres à chaque paramètre (notamment les règles essentielles selon lesquelles max_instance_count reste à 1 et enable_nfs reste à true).

---

Tâche 6 — Démanteler [Automatisé]

Sur la page Deployments, ouvrez le déploiement et cliquez sur l'icône Trash (Delete). Delete exécute terraform destroy et est irréversible (l'enregistrement du déploiement est conservé pour l'historique). Si un déploiement est bloqué et que la plateforme RAD ne peut plus le gérer (par exemple après des modifications manuelles en conflit avec l'état Terraform), utilisez plutôt Purge (depuis la même boîte de dialogue Delete) — cela supprime le déploiement des enregistrements de RAD sans détruire les ressources cloud (RAD oublie simplement le déploiement). Cela supprime tout ce que le module a créé — le service Cloud Run, les secrets Secret Manager et les images mises en miroir dans Artifact Registry. Les ressources appartenant à Services_GCP (le VPC, le serveur NFS, le registre) sont gérées séparément et ne sont pas supprimées ici — en particulier, le répertoire d'état de l'agent sur l'export NFS partagé est conservé, si bien qu'un redéploiement ultérieur sur le même tenant se rattache à l'identité existante de l'agent.

---

Récapitulatif

Tâche	Type	Résultat
1 — Déployer	Automatisé	Le module provisionne le service Cloud Run toujours actif, les secrets Secret Manager, le miroir d'image et le montage NFS — ni Cloud SQL, ni build
2 — Accéder et vérifier	Manuel	L'appel authentifié à /v1/models réussit avec le jeton bearer de Secret Manager ; l'appel non authentifié est rejeté
3 — Exploiter	Manuel	Mettre à jour la version, renouveler les clés, vérifier que l'état stocké sur NFS survit à un redéploiement
4 — Observer	Manuel	Interroger Cloud Logging ; examiner le profil à instance unique constante et les métriques
5 — Dépanner	Manuel	Diagnostiquer les problèmes de disponibilité NFS, de clé de fournisseur, de sonde, de connecteur et d'IAM
6 — Démanteler	Automatisé	Delete (Trash) supprime les ressources du module ; l'état de l'agent sur le NFS partagé est conservé