• SEO Pivo
  • Marketingová Plzeň
  • AI Bootcamp
  • Kontakt
[email protected]
Osobní web
Blog o SEO, AI a Marketingu
Martin Bangho
  • GEO & SEO
  • AI & Agenti
  • Marketing
  • GEO & SEO
  • AI & Agenti
  • Marketing
Blog AI & LLMs
Porovnání modelů vede od stejného úkolu přes záznam skutečné modelové trasy ke kontrole nákladů a přijatelného výstupu; nejde o benchmark.

Jak vybrat model v Hermes Agent a měřit náklady na jeho používání

Martin Bangho Martin Bangho
19. 11. 2026
Kategorie: AI & LLMs
10 minut čtení
0
0

Model v Hermes Agent vybírejte podle dokončeného úkolu, ne podle nejnižší ceny za milion tokenů. Levnější odpověď může vyžadovat víc pokusů, dražší model nemusí pomoci s chybně nastaveným nástrojem a část spotřeby mohou vytvářet pomocné úlohy mimo hlavní chat. Nejdřív proto zjistěte, která služba a který model práci opravdu vykonávají.

Následující postup odděluje poskytovatele, model aktuální konverzace, výchozí volbu profilu a pomocné modely. Na konci získáte prázdný měřicí list pro stejné kontrolní zadání. Nedostanete univerzální žebříček ani tabulku domnělých úspor.

Rozsah ověření: návod vychází z oficiální dokumentace načtené 19. listopadu 2026. Poslední stabilní release v načteném GitHub API byl v0.23.2 z 16. listopadu. Živé docs mohou popisovat novější chování než váš balíček, proto si zapisujte i verzi klienta a backendu. Při přípravě článku neproběhlo přihlášení k poskytovateli, změna modelu, instalace lokální inference ani vlastní benchmark. Měřicí list je šablona k vyplnění, nikoli výsledek testu.

Další články

Martin Bangho zvedá modrý provaz mezi třemi dřevěnými uzlovými objekty na stole.

Kdy GraphRAG pomůže a kdy jen prodraží vyhledávání

18. 11. 2026
Tři části práce v Hermes Desktop: konverzace na správné gatewayi, konkrétní výstupní soubor a host, na kterém běží agent nebo terminál.

Jak používat Hermes Desktop: konverzace, soubory a vzdálené připojení

19. 11. 2026
Redakční AI ilustrace: konzultant v bílé košili kontroluje lupou list s geometrickými tvary; vedle leží otevřená kniha.

AI rešerše z PDF a videí: od souhrnu k tvrzení, které lze dohledat

19. 11. 2026
Adversarial Machine Learning: Jak se manipuluje s AI

Adversarial Machine Learning: Jak se manipuluje s AI

15. 11. 2026

Provider není model a přihlášení není ceník

Provider je poskytovatel nebo cesta ke službě, přes kterou Hermes model volá. Model je konkrétní systém, který odpovídá. Stejná modelová rodina může být dostupná přímo od výrobce, přes agregátor nebo přes lokální server. Odlišná cesta může mít jiné přihlašování, nabídku modelů, limity, zpracování dat a účtování. Do měření proto nestačí napsat jen obchodní název modelu.

Oficiální přehled poskytovatelů rozlišuje například OpenAI Codex přes přihlášení ChatGPT a OpenRouter s API klíčem či podporovaným OAuth přihlášením. OAuth je způsob autorizace, ne synonymum bezplatného nebo neomezeného provozu. Ani API klíč sám neříká, zda platíte za tokeny, čerpáte kredit nebo podléháte jinému smluvnímu omezení.

U konkrétního účtu předem ověřte, co plán skutečně zahrnuje, zda podporuje zvolenou cestu použití a kde najdete spotřebu či fakturaci. Model dostupný na webu služby nemusí být dostupný ve stejném účtu přes dané rozhraní. Tarif a souhlas se zpracováním firemních dat kontrolujte u poskytovatele, ne podle toho, že se položka objevila v nabídce Hermes. Tento článek neuvádí ceny: bez přesné aktuální trasy a podmínek účtu by šlo o zavádějící srovnání.

Před výběrem si napište tři podmínky úkolu: jaký výstup potřebujete, které nástroje musí model spolehlivě používat a jaká data smí danou cestou odejít. Pro rešerši veřejných dokumentů bude jiný problém chybějící zdroj než pro interní analýzu nepovolený přenos dat. Katalog modelů tuto volbu za vás neudělá.

Aktuální session a výchozí model profilu kontrolujte zvlášť

Nejprve v otevřené konverzaci zkontrolujte model a poskytovatele. Dokumentace doporučuje /model bez argumentů nebo /status. Nespoléhejte pouze na výchozí hodnotu v konfiguraci: již běžící session může používat jiný model. Když se zhorší odpovědi, toto je praktičtější první kontrola než další přepisování promptu.

Pro změnu výchozí volby nabízí CLI interaktivní příkaz hermes model. V Desktopu současná dokumentace popisuje Settings → Model → Main model, výběr poskytovatele a modelu a potvrzení Apply. Tato změna je záměrné nastavení výchozí volby profilu; není důkazem přepnutí už otevřeného chatu. V dashboardu se volba hlavního modelu rovněž vztahuje na nové sessions.

V probíhající konverzaci slouží k přepnutí /model. Podle aktuálních docs je obyčejná změna standardně jen pro session, pokud nastavení model.persist_switch_by_default neurčuje jinak. Varianta --global změnu také ukládá, zatímco --once ji vztahuje na jediný následující tah. Nezaměňujte proto „fungovalo to v tomto chatu“ a „takto se spustí další úkol“.

Také výběr v composeru Desktopu má vlastní chování: dokumentace popisuje zapamatovanou volbu rozhraní napříč novými chaty, která sama běžně nepřepisuje výchozí nastavení profilu. Uvádí přitom výjimku prvního výběru na dosud nenastaveném profilu a vliv pravidla pro ukládání přepnutí. Pro kontrolovaný pokus proto vždy zaznamenejte skutečně zvolenou trasu v nové session, ne pouze to, kam jste předtím klikli.

  1. Zapište verzi, profil, aktuální model a poskytovatele. Tajné údaje do záznamu nepatří.
  2. Rozhodněte, zda měníte jen tento pokus, nebo výchozí chování dalších úloh. Zvolte odpovídající ovládání, ne obě varianty bez rozmyslu.
  3. Před měřením otevřete čistou kontrolní session a znovu ověřte aktivní trasu.
  4. Pokud dojde k automatickému přepnutí, zapište skutečně použitou náhradní trasu. Výsledek už nepřipisujte pouze původně vybranému modelu.

Přepínání uprostřed dlouhé konverzace může znamenat ztrátu využitelné prompt cache a nové načtení rozsáhlého vstupu. Velikost dopadu závisí na poskytovateli a konkrétním účtování; není vhodné z něj odvozovat univerzální procento úspory. Pro porovnání dvou modelů raději připravte shodné nové zadání než neustále přepínejte tutéž rostoucí historii.

Vision, review a další pomocné úlohy mohou mít vlastní model

Hlavní model vede konverzaci a smyčku nástrojů. Pomocné modely mohou obsluhovat například rozpoznání obrázku, kompresi historie, vytvoření titulku, posouzení rizika příkazu nebo kontrolu přes /review. Delegovaný agent je další samostatná cesta s vlastními nastaveními; ověření hlavního chatu nepotvrzuje jeho přihlašování, model ani cenu.

V aktuální dokumentaci modelů znamená auto u pomocné úlohy nejprve pokus o hlavní model. Při nedostupnosti nebo kapacitním selhání se uplatní nakonfigurované náhradní cesty. S vybraným hlavním poskytovatelem a bez deklarované náhrady docs výslovně popisují přeskočení úlohy s varováním, ne libovolné použití jiného přihlášeného účtu. Z označení auto tedy nelze vyvozovat ani „vždy stejný model“, ani „Hermes si vybere jakýkoli levný účet“.

Zdroj obsahuje i obecný troubleshooting příklad s odlišným popisem náhradního poskytovatele. Pro konkrétní pravidlo se zde opírám o výslovnou současnou sekci Setting auxiliary models a stránku Fallback Providers. Při rozporu v reálné instalaci ověřte její verzi a log konkrétní úlohy; tvrzení, že je trasa vždy známá z hlavního chatu, by nebylo poctivé.

Nastavení pomocných modelů hledejte v příslušné části Model Settings; CLI picker hermes model má také volbu Configure auxiliary models. V Desktopu dokumentace odděluje nastavení Subagents. Levnější model pro titulek může být rozumný, ale z toho neplyne, že má stejný model provádět obsahovou kontrolu nebo posuzovat rizikový příkaz. U každé role určete požadovanou schopnost a přípustnou trasu zvlášť.

Náklady úkolu zahrnují hlavní model, pomocné úlohy, externí nástroje a lidskou kontrolu. Fallback je náhradní trasa při selhání, nikoli automatická volba nejlevnějšího modelu.
Autorské vysvětlující schéma nákladových vrstev. Neobsahuje ceny ani naměřené výsledky.

Fallback řeší selhání, ne rozdělení úkolů podle obtížnosti

Fallback je náhradní poskytovatel a model pro situaci, kdy hlavní trasa selže. Dokumentace uvádí například kapacitní problémy, chyby přihlášení nebo výpadky spojení. Není to příkaz „jednoduché otázky posílejte levněji, složité dráž“. Takové plánování práce je jiné rozhodnutí a vyžaduje vlastní pravidla.

Stejně tak rotace přihlašovacích údajů u stejného poskytovatele není totéž jako přechod k jinému poskytovateli. U náhradního řetězce kontrolujte pořadí, obě identity provider a model, účet, datové podmínky a cenu. Drahá nebo datově nepřípustná záloha není dobrá pojistka jen proto, že dokáže odpovědět. Dokumentace dnes používá seznam fallback_providers; starší fallback_model uvádí jako podporovaný historický formát.

Užitečný detail z dokumentace fallbacku: příkaz hermes fallback check bez --live neprovádí inferenci, ale při vyhodnocení přihlášení může obnovit a uložit expirovaný OAuth token. Není proto bezpodmínečně bez zápisových účinků. S --live už posílá testovací požadavky. Ani jednu variantu jsme pro tento článek nespouštěli; před vlastním testem si vymezte oprávnění a případnou spotřebu.

Pokud potřebujete jen vybrat první model, náhradní řetězec zatím nepřidávejte. Je přehlednější znát jednu povolenou trasu a vědět, že neúspěch zůstane neúspěchem, než získat zdánlivý úspěch z účtu, se kterým měření nepočítalo.

Lokální model posuzujte podle skutečného kontextu a práce s nástroji

Lokální inference je volitelná větev, nikoli povinná součást základního nastavení. Aktuální dokumentace Local Models popisuje spravovaný runtime s llama.cpp a výběrem modelu podle hardwaru. Zvlášť připouští vlastní OpenAI-kompatibilní server. Spravovanou variantu a ručně řízené Ollama či jiné endpointy nespojujte do jednoho instalačního postupu.

Rozhodujte podle efektivního kontextového okna, tedy kapacity skutečně nastavené pro běžící model, ne pouze podle maxima uvedeného u modelové rodiny. Návod k diagnostice kvality konkrétně upozorňuje, že u ručně nastaveného Ollama může maximum z /api/show být jiné než zvolené num_ctx. Paměť přitom nespotřebovávají jen váhy modelu, ale i stav kontextu a provozní buffery.

Na stejném malém úkolu kontrolujte, zda model správně volá povolené nástroje, zpracuje jejich chybu a vytvoří požadovaný artefakt. Samotný plynulý odstavec nebo počet tokenů za sekundu nedokazuje vhodnost pro agentní práci. Lokální hlavní model také automaticky neznamená, že celý proces zůstává offline: pomocná úloha nebo externí nástroj může komunikovat se sítí. Zkontrolujte celý tok dat.

Stahování modelu, spotřebu paměti ani rychlost zde neodhadujeme podle cizího notebooku. Než lokální větev vyzkoušíte, ověřte dostupnou paměť, úložiště a rozsah povoleného stahování ve vlastním prostředí. Pro rozhodnutí cloud versus lokál je podstatný váš úkol a jeho omezení, ne obecný slib nulových nákladů.

Měřicí list: stejný úkol, stejné podklady, skutečné opravy

Připravte stejné zadání nad stejnou uloženou sadou veřejných podkladů. Například: zpracovat tři dokumenty do reportu s dohledatelnými tvrzeními a přiznanými mezerami. Předem určete, co znamená přijatelný výsledek: existující soubor, správné zdrojové odkazy, věcně podložené závěry a žádné nepovolené operace. Hodnocení neměňte podle toho, který model právě zkoušíte.

Zachovejte stejné nástroje a rozsah oprávnění. Začněte v nové session, označte verzi a uložte vstupy tak, abyste odlišili změnu zdroje od rozdílu modelu. Jeden průchod může odhalit chybu nebo nevhodnost; nestačí na univerzální pořadí. Při opakování zapisujte i neúspěšné pokusy a použití fallbacku.

Prázdná šablona. Pomlčka znamená nevyplněno, nikoli nulu nebo naměřený výsledek.
Položka Průchod A Průchod B
Datum, verze, identita zadání a vstupů — —
Provider, model, účet bez tajných údajů — —
Pomocné modely, fallback, nástroje — —
Čas do kontrolovatelného výstupu — —
Chyby, další pokusy a minuty lidských oprav — —
Vstupní, výstupní a cache tokeny podle služby — —
Doložená inference: měna, částka, zdroj účtování — —
Poplatky nástrojů a přidělené provozní náklady — —
Splněné podmínky, nepovolené operace, rozhodnutí — —

Pro strojově čitelný zápis můžete použít následující JSON. Je to prázdný formulář bez přístupových údajů, nikoli konfigurace Hermes. Hodnota null znamená neznámé nebo nevyplněné pole. Zachovejte jednotky a měnu; prázdné pole nepřevádějte na nulu.

{
  "task_id": null,
  "input_version": null,
  "hermes_version": null,
  "provider": null,
  "model": null,
  "auxiliary_routes": [],
  "fallback_used": null,
  "elapsed_seconds": null,
  "human_repair_minutes": null,
  "inference_cost": null,
  "tool_cost": null,
  "currency": null,
  "acceptance_passed": null
}

Celkový náklad na přijatelný výstup zahrnuje doloženou inferenci, placené nástroje, přidělené náklady provozu a čas kontroly či oprav. U času použijte vlastní hodinový náklad a převeďte minuty na hodiny. Při účtování tokenů držte oddělené vstupní, výstupní a cache kategorie podle aktuálního ceníku přesné trasy; stejnou kategorii nesčítejte dvakrát. Odhad v rozhraní porovnejte se skutečným účtováním poskytovatele, není-li pro danou trasu částka doložená.

Předplatné není nulový náklad. Oddělte dodatečnou spotřebu od podílu paušálu, který úkolu přidělujete, a svou metodu napište. U lokální varianty podle situace přidejte provoz stroje a správu. Může vám stačit kvalitativní rozhodnutí „tato cesta nesplnila podmínky“; nemusíte vyrábět přesnou cenu tam, kde podklady chybějí.

Až po vyplnění listu rozhodněte, zda model ponecháte pro celý úkol, pouze pomocnou roli, nebo ho nepoužijete. Širší přehled nabízí článek o AI nástrojích. Tady má přednost doložená schopnost dokončit váš postup před popularitou značky.

Zdroje a co porovnání neprokazuje

Podklady tvoří Configuring Models, LLM and Model Providers, Fallback Providers, Local Models, diagnostika kvality a release v0.23.2. Dokumentované možnosti nejsou důkazem dostupnosti modelu ve vašem účtu ani zde provedeného měření. Po změně trasy nebo podmínek účtu znovu ověřte odpovídající část postupu.

Potřebujete vybrat model pro konkrétní firemní proces?

Můžeme nejprve vymezit úkol, datová omezení a podmínky přijatelného výsledku a z nich sestavit srovnatelný pilot. Napište mi, co má agent dokončit a kdo výstup kontroluje. Výběr modelu pak bude mít oporu v práci, ne pouze v ceníku.

Štítky: Hermes
Předchozí článek

Jak nastavit oprávnění a bezpečný přístup k souborům a účtům v Hermes Agent

Další příspěvek

Jak funguje paměť v Hermes Agent a co se ukládá mezi konverzacemi

Martin Bangho

Martin Bangho

Jmenuji se Martin a od roku 2015 se pohybuji ve světě online marketingu a tvorby webů. Věřím v marketing postavený na faktech, ne na iluzích. Mým cílem je pomáhat podnikatelům růst díky datově řízenému marketingu. Když zrovna neřeším marketing nebo podnikání, najdete mě ve fitku, na koncertě (hlavně hip-hop) nebo s přáteli. Jsem trochu kritik, puntičkář – ale hlavně optimista, který věří, že i marketing může být fér a ziskový.

Podobné články

Orientační bílo-modrá mapa cest od prvního startu k práci se zdroji a pravidelnému reportu.
AI & LLMs

Hermes Agent: přehled návodů od instalace po automatizaci úkolů

19. 11. 2026
Tři zdroje, uložené verze a kontrola reportu v bílo-modrém schématu.
AI & LLMs

Jak s Hermes Agent sledovat změny veřejných zdrojů a připravit report ke kontrole

19. 11. 2026
Společná Git historie se větví do vlastního worktree s patchem, testem, náhledem a kontrolou.
AI & LLMs

Jak s Hermes Agent upravit web v Git worktree a ověřit změny před nasazením

19. 11. 2026
Modelový proces sběru, návrhu a kontroly se závislostmi určenými před spuštěním.
AI & LLMs

Jak řídit úkoly, závislosti a kontrolu práce v Hermes Agent Kanbanu

19. 11. 2026
Další příspěvek
Tři oddělené způsoby práce s informací: uložit krátký fakt, načíst snapshot poznámek a zvlášť dohledat původní výrok v historii.

Jak funguje paměť v Hermes Agent a co se ukládá mezi konverzacemi

Odebírat
Upozornit na
0 Komentáře
Nejstarší
Nejnovější Nejlépe hodnocené

Bangho Martin

SEO Konzultant & AI Strategist

Specializuji se na datově řízené strategie, které propojují týmovou spolupráci napříč firmou, od obchodu přes vývoj až po obsah, s tvorbou plánů, jež posilují značku i výkonnost v konkurenčním prostředí.

Štítky

Analýza B2B B2C Brand E-commerce Google Hermes Nástroje Návod Off-page SEO On-page SEO Reporty z akcí SaaS Technické SEO Teorie User Experience Webové stránky

Nejnovější příspěvky

  • Produktový marketing: od znalosti zákazníka k úspěšnému uvedení produktu
  • Jak měřit AI viditelnost: protokol, vzorek a metriky
  • SEO audit: od checklistu k prioritám a opravám
  • Lokální SEO v době AI: co zkontrolovat jako první
  • Hermes Agent: přehled návodů od instalace po automatizaci úkolů
  • SEO Pivo
  • Marketingová Plzeň
  • AI Bootcamp
  • Kontakt

© 2025 Martin Bangho - SEO Konzultant & AI Strategist

Welcome Back!

Login to your account below

Forgotten Password?

Retrieve your password

Please enter your username or email address to reset your password.

Log In
  • GEO & SEO
  • AI
  • Marketing
[email protected]

© 2025 Martin Bangho - SEO Konzultant & AI Strategist

Tato webová stránka používá soubory cookie. Pokračováním v jejím používání vyjadřujete souhlas s jejich používáním. Navštivte naši Zásady ochrany osobních údajů a používání cookies.