运行一个 24/7 本地智能体以整理新闻摘要
作者在 Proxmox 虚拟机跑 Hermes Agent，本地 Qwen 3.6 MoE 经 MCP 连 RSS，每日整理新闻，经 Telegram、Signal 送达。零 API 成本运行，作者称无需监督，无准确性或省时指标。任务：作者在 Proxmox 虚拟机上部署了 Hermes Agent，以编排运行在 RTX 5060 Ti 上的本地 Qwen 3.6 MoE 模型。该智能体通过 MCP 连接 RSS 源和 API，执行每日定时任务以整理新闻，并更新持久记忆文件。Telegram 和 Signal 作为消息网关用于交付和私密查询，而人类最初负责配置定时任务和数据源。；工具：Hermes Agent。人工角色：原始帖子没有说明人如何参与。；局限：前提条件包括能够运行 Qwen 3.6 MoE 模型的本地 GPU 以及用于智能体的 Proxmox 虚拟机。该设置依赖自托管基础设施，消除了 API 成本，但需要维护 llama-server 和消息网关。文中提到了安全问题，作者建议对自主智能体进行内核级沙箱隔离（nono/Landlock），以减轻无人值守终端访问带来的风险。。
工具
Agent Work Atlas 发布日期:
概述
作者在 Proxmox 虚拟机跑 Hermes Agent，本地 Qwen 3.6 MoE 经 MCP 连 RSS，每日整理新闻，经 Telegram、Signal 送达。零 API 成本运行，作者称无需监督，无准确性或省时指标。
工作流程
作者在 Proxmox 虚拟机上部署了 Hermes Agent，以编排运行在 RTX 5060 Ti 上的本地 Qwen 3.6 MoE 模型。该智能体通过 MCP 连接 RSS 源和 API，执行每日定时任务以整理新闻，并更新持久记忆文件。Telegram 和 Signal 作为消息网关用于交付和私密查询，而人类最初负责配置定时任务和数据源。
原文报告的结果
该系统以零 API 成本提供结构化的每日简报，利用 125 t/s 的推理速度快速完成多步推理循环。随着时间推移，智能体的持久记忆积累模式，将原始数据转化为趋势检测等上下文洞察。作者报告称，该智能体现在无需主动监督即可自主运行，但未提供关于准确性或节省时间的具体量化指标。
人工角色
原始帖子没有说明人如何参与。
局限
前提条件包括能够运行 Qwen 3.6 MoE 模型的本地 GPU 以及用于智能体的 Proxmox 虚拟机。该设置依赖自托管基础设施，消除了 API 成本，但需要维护 llama-server 和消息网关。文中提到了安全问题，作者建议对自主智能体进行内核级沙箱隔离（nono/Landlock），以减轻无人值守终端访问带来的风险。
试一试
我想使用 Hermes Agent 和本地 LLM 设置一个用于每日新闻整理的本地 AI 智能体。首先，验证我拥有能够运行 Qwen 3.6 MoE 的 GPU 和 Proxmox 虚拟机。安装 Hermes Agent 并将其配置为连接到我的本地 llama-server。为 [可替换的 RSS 源或 API] 设置 MCP 连接。创建一个早上 8:00 的定时任务，指示智能体获取数据、与持久记忆进行比较并生成简报。配置 Telegram 作为交付渠道。在启用每日定时任务之前，运行一次手动测试以验证输出格式和数据准确性。审查生成的简报并确认其符合我的需求。只有在成功进行手动验证后，才启用自动化每日计划。确保智能体在沙箱环境中运行以保证安全。
来源报告未经独立核验。发布日期为本站案例发布日期，并非原始文章日期。