IoT-сценарии для микро-агентов Hercules

Hercules спроектирован как крошечный самообучающийся микро-агент. Один из самых убедительных сценариев развёртывания — Raspberry Pi на edge: недорогое устройство, на котором работает агент с одной чёткой задачей, подключённый к сенсорам и актуаторам и при необходимости участвующий в большей сети агентов. Сам LLM работает вне Pi (YandexGPT, Ollama Cloud или любой OpenAI-совместимый провайдер) — Pi исполняет runtime агента, а не модель.

Этот документ собирает реалистичные микро-сценарии для B2C и B2B. Каждый сценарий намеренно мал, вертикально сфокусирован и развёртывается как один агент Hercules на одном Pi.

1. Референсная архитектура: один агент на одном Pi

┌───────────────────────────────────────────────┐
│              Raspberry Pi (edge)              │
│  ┌────────────┐  ┌──────────┐  ┌───────────┐ │
│  │  Сенсоры   │  │Актуаторы │  │  Hercules │ │
│  │  GPIO/I2C  │  │  GPIO    │  │  micro-   │ │
│  │  MQTT      │  │  relay   │  │  agent    │ │
│  └─────┬──────┘  └────┬─────┘  └─────┬─────┘ │
│        │              │               │       │
│        └──────────────┴───────────────┘       │
│                       │                       │
│              ┌────────▼────────┐              │
│              │  skills/ memory │              │
│              │  data/ (local)  │              │
│              └─────────────────┘              │
│                       │                       │
│              ┌────────▼────────┐              │
│              │  LLM-провайдер  │              │
│              │  (cloud/fallback)│             │
│              └─────────────────┘              │
└───────────────────────────────────────────────┘

Ключевые допущения на этой фазе:

2. B2C-сценарии

2.1 Умная теплица для домашнего огорода

Цель: поддерживать комфортные условия в одном балконном ящике, небольшой теплице или grow tent.

Имя агента: hercules-greenhouse-{id}

Устройства на Pi:

Навыки:

Память:

Почему микро: один Pi, одна теплица, один агент. Пользователь пишет в Telegram: “Как мой базилик?” — агент читает сенсоры, сверяется с памятью и отвечает с контекстом.

2.2 Домашний монитор энергии

Цель: отслеживать расход электроэнергии одного прибора или комнаты и давать советы.

Имя агента: hercules-energy-{id}

Устройства на Pi:

Навыки:

Память:

Почему микро: дёшево развернуть на комнату. Со временем навыки улучшаются и отличают приборы по сигнатуре мощности.

2.3 Монитор детской / комнаты пожилого человека

Цель: следить за комфортом и безопасностью одной комнаты, а не всего дома.

Имя агента: hercules-room-{id}

Устройства на Pi:

Навыки:

Память:

Почему микро: privacy-first, одна комната, только локальные аудио-триггеры. LLM используется для естественно-языковых саммари, а не для потоковой обработки аудио.

2.4 Кормушка и трекер для питомца

Цель: кормить питомца по расписанию и отвечать хозяину об истории кормления.

Имя агента: hercules-pet-{id}

Устройства на Pi:

Навыки:

Память:

Почему микро: один питомец, одно устройство, один агент. Навыки развиваются вокруг распорядка конкретного питомца.

2.5 Страж качества воздуха в мастерской

Цель: защищать одну комнату (гараж, мастерская, комната 3D-печати) от вредного воздуха.

Имя агента: hercules-air-{id}

Устройства на Pi:

Навыки:

Память:

Почему микро: нацелен на одну опасную комнату, а не на всё здание HVAC.

3. B2B-сценарии

3.1 Холодовая цепь для магазинов, аптек, фуд-траков

Цель: следить за температурой одного холодильника/морозилки и вести compliance-лог.

Имя агента: hercules-coldchain-{id}

Устройства на Pi:

Навыки:

Память:

Почему микро: один холодильник = один агент = одна лицензия/подписка. Навыки улучшаются под тип продукта на разных объектах.

3.2 Комфорт переговорки / open-space зоны

Цель: оптимизировать одну переговорку или зону open-space.

Имя агента: hercules-room-comfort-{id}

Устройства на Pi:

Навыки:

Память:

Почему микро: одна комната, один агент, легко масштабировать этаж за этажом.

3.3 Сторож серверной / сетевого шкафа

Цель: мониторить один шкаф, стойку или edge-узел и реагировать на экологические проблемы.

Имя агента: hercules-closet-{id}

Устройства на Pi:

Навыки:

Память:

Почему микро: один шкаф = один агент. IT может развернуть десятки с одинаковым базовым конфигом и per-site overrides.

3.4 Вендинговый аппарат / умная камера хранения

Цель: сделать один автомат разговорчивым и проактивным.

Имя агента: hercules-vending-{id}

Устройства на Pi:

Навыки:

Память:

Почему микро: один автомат, один агент, независимость от центральной платформы.

3.5 Телеметрия строительного / арендного оборудования

Цель: отслеживать использование и состояние одного генератора, компрессора или комплекта лесов.

Имя агента: hercules-equipment-{id}

Устройства на Pi:

Навыки:

Память:

Почему микро: один актив, один агент, переживает нестабильную связь, буферизуя данные локально.

4. Общие паттерны проектирования

Паттерн Как это помогает Hercules
Один агент = один физический объект Простое развёртывание, владение, биллинг.
Локальные навыки, облачный LLM Pi отвечает за логику; LLM даёт естественный язык и reasoning.
Навыки улучшаются на каждом объекте Каждое устройство учит свои пороги и предпочтения владельца.
Mesh при необходимости “Домашний хаб” или “флит-менеджер” может спросить у комнатного агента статус.
Устойчивость к офлайну Сенсоры продолжают логироваться; алерты ставятся в очередь; навыки не зависят от постоянного облака.

5. Базовое железо

Минимальный референсный набор Pi для любого сценария:

Сам Hercules остаётся маленьким: один процесс, одна папка data/, один конфиг.

6. От сценария к продукту

Для каждого сценария путь к продаваемому продукту одинаков:

  1. Шаблон агента — готовые навыки, схема памяти и схема подключения устройств.
  2. Образ SD-карты — ready-to-flash Pi-образ с Hercules + шаблон.
  3. Flow активации — пользователь задаёт Wi-Fi и API-ключ, агент регистрируется в mesh/облаке.
  4. Управляемый mesh — опциональный центральный dashboard со списком всех развёрнутых агентов.

Тот же runtime обслуживает B2C (одно устройство дома) и B2B (сотни устройств в поле). Разница только в масштабе и способе провижининга.

7. Следующие шаги

За mesh-видением см. docs/AGENT-MESH-RU.md.
За поэтапным roadmap см. docs/ROADMAP-RU.md.