Hermes Agent sur GKE Autopilot — 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 GKE Autopilot 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 GKE 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.
• Vous connecter au cluster GKE et appeler l'API compatible OpenAI de la passerelle avec le jeton bearer généré automatiquement.
• Accéder au tableau de bord web de Hermes via kubectl port-forward.
• 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 la charge de travail 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) — il fournit le VPC, le cluster GKE Autopilot, Artifact Registry et les comptes de service partagés, et 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 et kubectl installés ; gcloud auth login et gcloud auth application-default login effectués.
• 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. Ouvrez Solutions → Solution Catalog → RAD modules dans la barre de navigation supérieure de la plateforme RAD, ouvrez Hermes (GKE) depuis la liste Platform Modules pour commencer la configuration, 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 déploie la charge de travail de la passerelle à réplica unique (min=1, max=1) dans le cluster GKE Autopilot, provisionne 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, l'expose via un Service LoadBalancer avec une IP statique réservée, 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 10–20 minutes.

3. Connectez-vous au cluster et repérez l'espace de noms avec des filtres indépendants des noms :

   CLUSTER=$(gcloud container clusters list --project="$PROJECT" --format="value(name)" --limit=1)
   gcloud container clusters get-credentials "$CLUSTER" --region="$REGION" --project="$PROJECT"
   
   NS=$(kubectl get ns -o name | grep hermes | head -1 | cut -d/ -f2)
   echo "Cluster: $CLUSTER   Namespace: $NS"
   kubectl get all -n "$NS"

---

Tâche 2 — Accéder et vérifier [Manuel]

1. Vérifiez que la charge de travail est en cours d'exécution et trouvez son adresse externe :

   kubectl get pods,svc -n "$NS"
   EXTERNAL_IP=$(kubectl get svc -n "$NS" \
     -o jsonpath='{.items[?(@.spec.type=="LoadBalancer")].status.loadBalancer.ingress[0].ip}')
   SVC_PORT=$(kubectl get svc -n "$NS" \
     -o jsonpath='{.items[?(@.spec.type=="LoadBalancer")].spec.ports[0].port}')
   echo "External endpoint: ${EXTERNAL_IP}:${SVC_PORT}"

2. Le serveur d'API compatible OpenAI de la passerelle 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 $KEY" "http://${EXTERNAL_IP}:${SVC_PORT}/v1/models"
   curl -s -H "Authorization: Bearer $KEY" "http://${EXTERNAL_IP}:${SVC_PORT}/v1/models" | wc -c  # expect a non-zero byte count
   curl -s -o /dev/null -w "%{http_code}\n" "http://${EXTERNAL_IP}:${SVC_PORT}/v1/models"  # expect 401/403

   Une liste de modèles au format JSON confirme que la passerelle est démarrée. Vérifiez aussi que le corps de la réponse n'est pas vide (la vérification wc -c) — un 200 avec un corps de longueur nulle signifie que le point de terminaison a été servi par le mauvais processus, et non par la passerelle.

3. Accédez au tableau de bord web (gestion des clés API, configuration des profils) via un port-forward — il s'exécute sur le port 9119 derrière une authentification basique et n'est volontairement pas exposé par le Service :

   DASH_SECRET=$(gcloud secrets list --project="$PROJECT" \
     --filter="name~hermes AND name~dashboard-password" \
     --format="value(name)" --limit=1)
   gcloud secrets versions access latest --secret="$DASH_SECRET" --project="$PROJECT"; echo
   
   DEPLOY=$(kubectl get deploy -n "$NS" -o jsonpath='{.items[0].metadata.name}')
   kubectl port-forward -n "$NS" deploy/"$DEPLOY" 9119:9119
   # In a browser: http://localhost:9119 — user `admin`, password from the secret above

   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 la charge de travail — le Deployment, le pod et le montage NFS :

   kubectl get deploy,pods -n "$NS"
   kubectl describe deploy -n "$NS"
   kubectl exec -n "$NS" deploy/"$DEPLOY" -- df -h /opt/data

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. Comme Hermes repose sur NFS, la fondation utilise la stratégie Recreate — l'ancien pod s'arrête avant que le nouveau ne démarre (une brève interruption de disponibilité est attendue et protège la base de données SQLite d'un chevauchement de deux processus d'écriture). N'augmentez pas max_instance_count — une validation au moment du plan rejette toute valeur supérieure à 1.

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 pod 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"
   kubectl get secrets -n "$NS"

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 pod. Après la mise à jour de version de l'étape 2, listez le répertoire d'état depuis le nouveau pod et vérifiez qu'il est rempli (et non un répertoire neuf et vide) :

   kubectl exec -n "$NS" deploy/"$DEPLOY" -- ls -la /opt/data

---

Tâche 4 — Observer : journalisation et surveillance [Manuel]

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

   kubectl logs -n "$NS" deploy/"$DEPLOY" --tail=50

   Filtre du Logs Explorer : resource.type="k8s_container" AND resource.labels.namespace_name="<namespace>". Recherchez les lignes d'initialisation de s6-overlay et les messages de démarrage de la passerelle/du serveur d'API.

2. Surveillance — ouvrez les tableaux de bord GKE / Kubernetes et examinez l'utilisation du CPU et de la mémoire des pods ainsi que le nombre de redémarrages (attendez-vous à un seul pod stable — ce module est volontairement à réplica unique). 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 → pod bloqué en ContainerCreating. Si la VM NFS partagée est arrêtée ou en rupture de capacité (ZONE_RESOURCE_POOL_EXHAUSTED — un problème de capacité, et non de quota), le volume NFS ne peut pas être monté, ou bien la découverte ne trouve aucun serveur et le module tente de créer un NFS intégré (collisions 409 already exists). Vérifiez d'abord la VM, attendez qu'elle soit RUNNING, puis redéployez :

  gcloud compute instances list --project="$PROJECT" \
    --filter="name~nfs" --format="table(name,zone,status)"
  kubectl describe pod -n "$NS" <pod>    # Events show mount failures explicitly

• Clé de fournisseur de modèles manquante → l'agent ne peut exécuter aucun tour. Le pod peut être Ready (la sonde TCP réussit) alors que chaque tour de l'agent échoue. Recherchez dans les journaux des erreurs d'authentification 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"

• Pod non Ready / déploiement bloqué : inspectez les événements et les journaux. Les sondes par défaut sont en TCP ; si quelqu'un les a basculées vers un chemin HTTP sur le serveur d'API authentifié, elles renvoient 401 indéfiniment et le pod ne devient jamais Ready — revenez au TCP.

  kubectl describe pod -n "$NS" <pod>
  kubectl logs -n "$NS" <pod> --previous

• 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 de récupération d'image : vérifiez que l'image mise en miroir existe dans Artifact Registry et que le compte de service des nœuds peut la récupérer.

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 — la charge de travail Kubernetes et l'espace de noms, les secrets Secret Manager et les images mises en miroir dans Artifact Registry. Les ressources appartenant à Services_GCP (le VPC, le cluster GKE, 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 déploie la charge de travail GKE à réplica unique, les secrets Secret Manager, le miroir d'image, le LoadBalancer 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 ; tableau de bord atteint via un port-forward sur 9119
3 — Exploiter	Manuel	Mettre à jour la version (stratégie Recreate), renouveler les clés, vérifier que l'état de /opt/data survit à un redéploiement
4 — Observer	Manuel	Interroger Cloud Logging ; examiner le pod unique stable et les métriques
5 — Dépanner	Manuel	Diagnostiquer les problèmes de disponibilité NFS, de clé de fournisseur, de sonde, de connecteur et de récupération d'image
6 — Démanteler	Automatisé	Delete (Trash) supprime les ressources du module ; l'état de l'agent sur le NFS partagé est conservé