Hermes AI Agent: 10 Use Case Nyata yang Gua Pakai Tiap Hari

Gua nggak punya tim. Tapi kalau lo lihat volume konten, pipeline kerja, dan output yang keluar dari sistem gua setiap hari — lo mungkin kira gua punya lima orang di belakang layar. Satu orang khusus riset, satu lagi nulis, satu QA, satu distribusi, satu lagi jaga sistem malam. Kenyataannya? Semua itu dikerjain oleh Hermes AI Agent yang jalan di VPS sendiri, dengan 19 sub-agent aktif yang gua bangun dan kalibrasi selama beberapa bulan terakhir. Artikel ini bukan teori — semuanya sudah jalan di production dan gua pakai tiap hari.

Konteks: Kenapa Gua Perlu Sistem Ini

Sebagai freelancer sekaligus developer, gua ngelola beberapa hal secara paralel: blog wasian.my.id, platform sipilpedia.ai untuk insinyur sipil, konten Threads dan Instagram, job hunting untuk proyek baru, plus kerjaan client aktif. Kalau semua dikerjain manual, gua harus milih — fokus ke satu, sisanya ketinggalan. Dan kalau gua coba kerjain semuanya sendiri, kualitas drop di mana-mana karena tenaga gua terbagi.

Solusinya bukan hire orang. Biaya tetapnya nggak worth it untuk volume yang gua butuhkan, dan koordinasinya justru makan waktu lebih banyak. Gua pilih bangun sistem. Hermes Agent di VPS, dengan arsitektur yang gua namain Arcapada. Orchestrator-nya bernama Kala — dia yang manage 19 agent spesialis, semuanya dinamai dari tokoh pewayangan Jawa. Kala nggak pernah eksekusi task sendiri. Tugas dia satu: delegasi ke agent yang tepat, monitor hasilnya, dan ping gua via Slack kalau ada keputusan yang butuh pertimbangan manusia.

Ini 10 use case nyata yang sudah berjalan.

Use Case 1: Blog Pipeline Otomatis — Dari Riset Sampai Live Tanpa Gua Sentuh

Ini use case yang paling kompleks dan yang paling gua banggain. Setiap hari, artikel baru untuk wasian.my.id diproduksi secara otomatis mulai dari riset topik sampai siap publish — dan satu-satunya hal yang gua lakukan adalah approve atau reject dari Slack.

Cara kerjanya begini: jam 05:15 pagi, Antareja (research agent) bangun duluan. Dia cek trending keywords, lihat gap di artikel blog yang sudah ada, analisis topik apa yang relevan untuk audiens gua minggu ini, lalu pilih satu topik terbaik dan simpan ke state file. Sejam kemudian, jam 06:15, Srikandi (content agent) baca output Antareja dan langsung mulai nulis artikel penuh — format HTML fragment plus JSON metadata, sesuai skema blog. Bukan outline, bukan draft kasar. Artikel jadi, siap masuk ke repository.

Jam 07:15, giliran Dananjaya (QA agent) yang kerja. Dia validasi word count minimum, cek semua field JSON schema, review tone apakah sesuai voice blog, verifikasi struktur HTML, dan flag kalau ada yang kurang. Kalau lolos, artikel masuk ke safety-net pass jam 08:15 — satu layer cek tambahan sebelum naik ke approval queue. Jam 09:00, gua dapat notif di Slack: preview artikel, link baca, dan dua pilihan respons.

Kalau gua balas "approved", Setyaki (deploy agent) langsung push dua file ke GitHub — HTML content dan update articles.json. Cloudflare Pages auto-deploy dalam 2-3 menit. Artikel live, gua nggak buka terminal satu kali pun. Kalau sampai jam 12:00 siang gua nggak respons, pipeline berhenti sendiri — artikel masuk arsip draft dan besok dimulai dari topik baru.

Pipeline yang sama juga jalan paralel untuk sipilpedia.ai, tapi di slot waktu berbeda: mulai 13:18 dengan agent yang sudah dikalibrasi khusus untuk domain teknik sipil.

Use Case 2: Konten Threads & Instagram — Tiga Post Per Hari, Otomatis

Tiap hari ada tiga post Threads yang keluar dari akun gua — jam 16:00, 18:30, dan 20:00. Bukan post yang sama diulang, dan bukan konten yang gua tulis manual. Semuanya dihasilkan dari planner mingguan yang punya dua mode berbeda, tergantung jenis konten yang dibutuhkan.

Fluid Planner bekerja dengan cara membaca tren. Setiap minggu, Antareja identifikasi tujuh topik yang sedang relevan dengan persona dan audiens gua — bisa soal freelancing, AI, remote work, atau topik yang lagi banyak dibicarakan di niche gua. Tujuh topik ini dikirim ke Slack sebagai draft mingguan. Gua baca, approve atau minta revisi, dan kalau sudah cocok, topik-topik itu jadi bahan konten tujuh hari ke depan dengan angle yang dinamis.

Static Planner punya pendekatan berbeda — dia khusus untuk konten remote work yang sifatnya evergreen. Topiknya di-generate dari script Python yang gua tulis sendiri, berdasarkan database platform dan resource yang sudah gua kurasi. Karena kontennya predictable dan nggak sensitif terhadap konteks harian, planner ini jalan tanpa perlu approval. Langsung masuk ke queue. Kalau lo penasaran dengan resource remote work yang gua kurasi, daftarnya bisa dicek di halaman remote works gua.

Ada satu lagi yang sedikit berbeda: money threads. Konten seputar finansial dan market punya lapisan tambahan sebelum ditulis. Agent baca briefing pagi dulu, score setiap kandidat topik berdasarkan sentimen pasar hari itu, baru kemudian generate copy. Hasilnya jauh lebih relevan dibanding konten yang ditulis tanpa konteks apa yang sedang terjadi di market.

Untuk Instagram, pipeline-nya berjalan terpisah. Srikandi produksi konten carousel harian — slide deck dengan template yang sudah fix, gua tinggal approve visualnya sebelum naik.

Use Case 3: Morning Intelligence Briefing — Konteks Hari Ini Sebelum Gua Buka Laptop

Jam 06:00 pagi, sebelum gua nyentuh laptop atau buka chat mana pun, briefing sudah nunggu di Slack channel khusus. Ini bukan sekadar kumpulan berita acak — ini laporan yang dikurasi spesifik untuk apa yang gua butuhkan hari itu.

Isinya ada empat bagian. Pertama, agenda hari ini dari Narada — semua task aktif, deadline yang approaching, dan meeting atau komitmen yang sudah terjadwal. Gua nggak perlu buka ClickUp dulu; semuanya sudah diringkas. Kedua, intel pasar dari Antareja — berita yang relevan dengan proyek dan klien aktif gua, bukan semua berita teknologi, tapi yang spesifik punya dampak ke pekerjaan atau keputusan gua hari ini.

Ketiga, analisis harga emas XAU/USD lengkap dengan konversi ke IDR dan technical indicators — moving average, RSI, level support dan resistance. Ini relevan karena sebagian portofolio gua di emas. Keempat, kurs USD/IDR dengan konteks pergerakan sepekan — penting untuk proyek dengan klien luar negeri.

Lima menit baca briefing ini, gua tahu harus fokus ke mana hari ini. Nggak perlu browsing ke berbagai platform satu per satu, nggak ketinggalan deadline karena lupa buka task manager.

Use Case 4: Sistem Multi-Agent dengan Arsitektur Wayang

Ini fondasi dari semua yang gua ceritakan. Bukan satu AI yang serba bisa, tapi 19 agent yang masing-masing punya scope ketat dan bertanggung jawab atas domain spesifik. Kala baca semua file definisi agent, dan setiap kali ada task masuk — dari user atau dari cron — dia routing ke agent yang paling tepat.

Kenapa nama pewayangan? Setiap tokoh wayang punya karakter, kekuatan, dan batasan yang jelas dalam narasinya. Itu yang gua cari: agent yang tahu persis apa tugasnya dan tidak coba keluar dari scope. Antareja adalah peneliti yang tahu cara cari informasi; Srikandi adalah kreator yang fokus ke kualitas konten; Dananjaya adalah QA yang skeptis dan teliti; Wisanggeni adalah dev/ops yang bisa handle VPS dan scripting. Masing-masing punya file SOUL sendiri di Obsidian Vault yang mendefinisikan identitas, kapabilitas, dan batasannya.

Error routing juga otomatis. Kalau ada pipeline yang gagal, warning atau exception langsung ke channel Slack khusus ops — gua tahu ada masalah tanpa perlu cek log manual. Notif sukses ke channel terpisah. Signal-to-noise ratio terjaga.

Use Case 5: Analytics Pipeline — Semua Data di Satu Tempat

Sebelum ada sistem ini, gua harus login ke beberapa platform berbeda untuk lihat performa konten: Repliz untuk Threads analytics, platform IG untuk reach dan engagement, lalu kompilasi sendiri kalau mau lihat pattern. Sekarang semua itu dikerjain Citrasena setiap Senin pagi.

Citrasena pull data dari Repliz API untuk analytics Threads — engagement rate, reach, topik mana yang paling perform minggu lalu — lalu combine dengan data IG dan compile jadi satu laporan yang masuk ke Slack. Gua baca satu laporan, lihat angka yang penting, dan punya konteks yang cukup untuk planning konten minggu depan.

Di luar analytics konten, ada dua layer monitoring sistem yang jalan di background. Nightly guard aktif jam 00:00 setiap malam: backup vault, arsip memory session yang sudah basi, dan health check semua pipeline aktif. Kalau ada cronjob yang missed atau pipeline dalam kondisi aneh, gua dapat alert subuh-subuh sebelum hari kerja mulai. Weekly watchdog monitor semua cron job secara keseluruhan — kalau ada yang skip lebih dari threshold tertentu, langsung flagged dan gua dinotif.

Use Case 6: Memory & Knowledge System — AI yang Tidak Pikun

Salah satu masalah terbesar pakai AI untuk kerjaan sehari-hari adalah stateless-nya. Setiap sesi baru, konteks hilang. Gua harus jelasin ulang siapa gua, apa proyeknya, apa preferensi gua. Itu melelahkan dan buang waktu.

Solusinya adalah Obsidian Vault di VPS sebagai persistent memory. Semua keputusan penting, konteks proyek, preferensi, catatan dari session sebelumnya — tersimpan di sana, terstruktur, dan bisa diakses oleh semua agent. Setiap kali Hermes mulai session baru, dia load konteks yang relevan dari vault. Gua nggak perlu briefing ulang dari nol.

Gandamana jalan jam 02:00 dini hari untuk "memory dreaming" — istilah yang gua pakai untuk proses hygiene vault otomatis. Dia offload catatan-catatan dari session yang sudah selesai, reorganisasi knowledge yang masih relevan, dan buang yang sudah tidak terpakai. Pagi-pagi vault sudah bersih dan terstruktur tanpa gua sentuh.

Graphify membangun knowledge graph dari semua isi vault yang bisa gua akses via web di vps.wasian.my.id/graph. Gua bisa lihat koneksi antar konsep, proyek, dan keputusan secara visual — berguna banget waktu gua mau review kenapa dulu gua memutuskan sesuatu atau mau lihat dependensi antar proyek.

ChromaDB jalan di background sebagai semantic search engine. Kalau gua tanya sesuatu ke Hermes, dia bisa cari konteks yang relevan dari seluruh vault — bukan hanya berdasarkan kata kunci yang exact match, tapi berdasarkan makna dan kedekatan konsep. Hasilnya terasa seperti ngobrol dengan asisten yang betul-betul ingat semua yang pernah kita diskusikan.

Use Case 7: Approval Loop — Kontrol Tetap di Tangan Gua

Gua sengaja tidak membuat sistem yang bisa publish seenaknya. Semua konten yang keluar ke publik — artikel blog, money threads, fluid threads weekly, static threads weekly — butuh approval eksplisit dari gua sebelum eksekusi. Ini bukan karena gua nggak percaya sistemnya, tapi karena ada hal-hal yang agent tidak bisa tahu tanpa konteks yang gua punya.

Contohnya: money threads. Konten finansial yang bagus di hari normal bisa jadi sangat tidak tepat di hari yang market lagi volatile atau ada berita geopolitik besar. Agent bisa analisis data, tapi gua yang tahu apakah momen itu tepat untuk posting. Sama dengan artikel blog — Dananjaya bisa validasi struktur dan SEO, tapi apakah topiknya relevan dengan apa yang sedang gua fokuskan bulan ini, itu judgment call yang tetap ada di tangan gua.

Flow-nya simpel dan cepat: agent kirim preview ke Slack dengan summary singkat, gua balas dengan keyword. "approved" langsung trigger eksekusi. "reject: [alasan]" dibaca oleh agent, dia revisi berdasarkan alasan itu, dan kirim preview baru. Kalau gua diam sampai deadline expiry, konten masuk arsip draft dan tidak publish — pipeline reset untuk besok.

Use Case 8: Sipilpedia.ai — Dua Blog, Satu Infrastruktur

Sipilpedia.ai adalah platform AI untuk insinyur sipil yang juga gua kelola. Platform ini punya blog sendiri dengan konten teknis seputar dunia konstruksi, infrastruktur, dan penggunaan AI di industri sipil. Audiensnya sangat spesifik — insinyur yang butuh informasi teknis, bukan pembaca umum.

Pipeline kontennya identik dengan wasian.my.id — riset topik, penulisan artikel, QA, approval, deploy. Yang berbeda adalah timing-nya (cron mulai 13:18, jalan di siang hari) dan kalibrasi agent-nya. Persona Srikandi untuk sipilpedia.ai sudah dikalibrasi khusus: tone lebih teknis, terminologi industri, referensi standar yang relevan untuk praktisi sipil.

Dua blog, dua niche yang sangat berbeda, jalan paralel dari satu infrastruktur Hermes yang sama. Ini yang gua maksud dengan "skalabel" — nambah satu pipeline baru tidak berarti nambah overhead operasional yang signifikan.

Use Case 9: Health & Journaling Reminders — Sistem yang Jaga Gua, Bukan Cuma Kerjaan

Ini mungkin use case yang paling personal. Waktu gua kerja solo dari rumah, nggak ada yang ingetin gua untuk minum air, jalan keluar sebentar, atau istirahat dari layar. Semuanya tergantung disiplin pribadi, dan gua tahu persis seberapa tidak reliabel-nya disiplin pribadi waktu lagi deep focus.

Nakula handle 10 cron reminder harian yang tersebar dari pagi sampai malam. Jadwalnya gua set sendiri berdasarkan ritme kerja gua: kapan biasanya gua lupa minum, kapan waktu yang pas untuk jalan kaki 10 menit, kapan perlu stretch sebelum punggung mulai protes. Bukan reminder yang annoying karena datang di waktu yang gua sendiri yang tentukan, bukan random interrupt.

Jam 21:00, Nakula kirim satu pertanyaan refleksi ke Slack — bukan template journaling yang panjang, cukup satu pertanyaan spesifik yang berputar setiap minggu. Gua jawab singkat, agent simpan ke vault. Lama-lama terkumpul catatan yang gua bisa baca balik untuk lihat bagaimana pola pikir gua berkembang.

Mental health tracker di Google Sheets diupdate otomatis setiap hari: mood, energi, kualitas tidur, olahraga. Gua review data ini sebulan sekali. Pattern yang muncul sering lebih jelas dari yang gua kira — misalnya korelasi antara tidur di bawah 6 jam dengan output kerja yang drop drastis hari berikutnya, atau bagaimana olahraga pagi berpengaruh ke fokus sore hari.

Use Case 10: Job Hunting Otomatis — Gua Tahu Peluang Tanpa Harus Cari

Sebagai freelancer, salah satu aktivitas yang paling makan waktu tapi hasilnya nggak selalu proporsional adalah scroll job board. Lo bisa habis 30 menit browsing Upwork dan tidak nemuin satu pun yang cocok. Atau sebaliknya, ada proyek bagus yang sudah expired sebelum lo sempat apply karena lo nggak cek hari itu.

Bimasena monitor Upwork RSS feed secara otomatis dengan filter yang sudah gua definisikan: tech stack yang gua kuasai, range budget minimum, jenis proyek yang relevan dengan pengalaman gua. Dia juga monitor Remote OK dan We Work Remotely dengan filter serupa. Kalau ada listing yang match semua kriteria, notif langsung masuk ke Slack dengan summary dan direct link ke posting-nya.

Sekarang gua nggak perlu buka job board tiap hari. Kalau ada yang relevan, gua tahu. Kalau tidak ada notif, gua fokus ke kerjaan yang sudah ada tanpa rasa takut ketinggalan peluang. Kalau lo juga cari remote opportunities atau resource untuk freelancer Indonesia yang mau expand ke pasar global, gua kumpulkan direktorinya di halaman remote works.

Apa yang Sistem Ini Bukan

Gua perlu jujur soal ini supaya ekspektasinya realistis. Sistem ini bukan magic dan bukan plug-and-play. Setup awalnya butuh investasi waktu yang tidak sedikit — nulis file definisi untuk setiap agent, merancang cron schedule yang logis, membangun approval flow yang tidak memperlambat kerja tapi juga tidak terlalu longgar, testing edge cases yang tidak ketahuan sampai production. Gua spend beberapa minggu di awal sebelum semuanya jalan mulus.

Dan sistem ini bukan pengganti judgment gua. Semua output penting tetap lewat review gua sebelum keluar ke publik. Agent bisa salah baca brief, bisa miss konteks yang hanya gua yang tahu, bisa generate konten yang teknisnya benar tapi tone-nya tidak pas untuk momen itu. Approval loop bukan formalitas — itu guard rail yang nyata dan gua ambil serius.

Yang berubah adalah di mana gua habiskan energi. Dulu banyak waktu gua tersita untuk hal-hal yang bisa diprediksi dan distrukturisasi: riset topik, nulis post, cek analytics, scroll job board, set reminder. Sekarang semua itu jalan tanpa gua inisiasi. Energi gua pindah ke keputusan yang butuh judgment manusia — arah konten, positioning produk, keputusan klien, dan hal-hal yang tidak bisa didelegasikan ke algoritma.

Infrastruktur di Baliknya

Kalau lo penasaran tech stack-nya: semua jalan di satu VPS dengan Hermes Agent self-hosted (Nous Research) sebagai engine utama. Obsidian Vault sebagai knowledge base dan persistent memory, ChromaDB untuk semantic search, Slack sebagai interface notifikasi dan approval, GitHub plus Cloudflare Pages untuk pipeline deploy blog. Semua agent berjalan dalam satu instance Hermes yang sama, tapi dengan context dan toolset yang diisolasi per agent.

Cost bulanannya jauh lebih murah dibanding hire satu orang untuk handle semua ini. Dan tidak seperti orang, sistem ini tidak pernah capek, tidak pernah lupa, dan tidak pernah minta libur lebaran.