Hermes: Seu Agente na OCI que Aprende Enquanto Você Trabalha

#Inteligência Artificial (IA)

Quando configurei o OpenClaw em uma instância GPU na Oracle Cloud, o agente funcionou do jeito esperado: executa tarefas, mantém memória entre sessões, responde via Telegram, tudo ótimo... à primeira vista. O problema apareceu depois.

O OpenClaw exige que você escreva e mantenha as skills manualmente. Quer ensinar o agente a fazer algo novo? Você escreve um arquivo Markdown ou tenta a sorte descrevendo para ele o que fazer.

No começo, tudo estava ótimo, mas à medida que o volume de automações cresce, a manutenção começa a consumir mais tempo do que a automação economiza. E pior: as falhas contínuas fazem você perder a confiança no agente que deveria ser o seu braço direito.

Agora temos um novo concorrente. Melhor, mais eficiente e, principalmente, que resolve as falhas da arquitetura do OpenClaw. Chegou a vez de falarmos sobre o Hermes.

O que é o Hermes Agent

Lançado em 25 de fevereiro de 2026 pela Nous Research, o Hermes é um agente de IA open-source com licença MIT, ou seja, ela permite qualquer tipo de uso, inclusive comercial.

Além disso, a Nous Research não é desconhecida: é a mesma equipe por trás da família Hermes de modelos no Hugging Face e do framework Atropos para treinamento com RL. mNos primeiros três meses após o lançamento, o projeto passou de zero para 135 mil estrelas no GitHub. Mas por que?

A principal diferença em relação ao OpenClaw está no que acontece depois que uma tarefa é concluída. No OpenClaw, a skill que foi usada continua igual. No Hermes, o agente analisa o que fez, extrai o que funcionou, e cria ou refina a skill automaticamente. Isso quer dizer que da próxima vez que uma tarefa similar aparecer, ela já incorporou o aprendizado que adquiriu com as tarefas anteriores.

Pode parecer simples, mas muda tudo.

Qual a diferença na prática?

GEPA: o mecanismo de autoaprendizado

GEPA (Genetic-Pareto Prompt Evolution, em tradução livre "Evolução de Prompts Genético-Pareto") é o sistema de autoaprendizado do Hermes. O paper que descreve o mecanismo foi aceito para uma apresentação presencial na ICLR 2026, uma das principais conferências de machine learning do mundo.

Na prática, o agente analisa as tarefas que executou, entende o que funcionou e o que falhou e gera variações de prompts e skills para melhorar o desempenho. Esse ciclo se repete e conforme o agente acumula experiência, as skills geradas vão refinando a execução automaticamente. A partir de um certo ponto de maturidade, tarefas repetidas passam a ser concluídas até 40% mais rápido do que numa instância nova, sem nenhuma intervenção manual.

Memória em quatro camadas

O OpenClaw usa arquivos Markdown simples indexados via banco de dados SQLite. Tudo o que o agente sabe fica num único pool acessível a cada execução. Já o Hermes divide esse conhecimento em quatro camadas com funções distintas, separando o que está sendo usado no momento do que deve ficar arquivado para uso futuro.

CAMADA              |  FUNÇÃO
Sessão              |  Contexto da conversa atual
Perfil de usuário   |  Modelagem contínua do comportamento
FTS5                |  Busca full-text com sumarização por LLM
Memória procedural  |  Skills e padrões de execução acumulados

Apenas o que é necessário para determinada tarefa entra no prompt ativo. O restante fica em arquivo e consultado sob demanda. Em sessões longas e com histórico mais extenso, um projeto, por exemplo, essa separação reduz o uso de tokens por inferência consideravelmente.

Skills Automáticas vs. Skills Manuais

No OpenClaw, as mais de 13.700 skills disponíveis no ClawHub foram escritas por humanos, quer dizer, foram escritas para o OpenClaw e não pelo OpenClaw. No Hermes a história muda: o agente escreve as próprias skills a partir das tarefas que conclui. Existe sim um repositório comunitário como o ClawHub, mas a proposta em si não é bem essa: a ideia é que o seu agente construa o próprio repertório com o tempo.

Comparação com o OpenClaw

Qual das duas é melhor? Bom, falar assim de forma genérica não funciona. Cada uma delas é otimizada para funções diferentes e a escolha depende do que você precisa que o agente faça.

                     | OPENCLAW                                   | HERMES
Skills                 | Manuais, cerca de 13.700 disponíveis       | Geradas e refinadas automaticamente
Memória                | SOUL.md / MEMORY.md + SQLite               | 4 camadas com separação hot/cold
Canais Disponíveis     | +20 (QQ, LINE, Feishu, Teams...)           | +16
GPU necessária         | Sim, para modelos locais                   | Não, suporta providers externos
Provedores de Modelos  | Ollama, OpenAI, Anthropic                  | OpenRouter, Ollama, OCI Generative AI
Segurança              | CVEs críticos em 2026, patches disponíveis | Scanner Tirith, defaults conservadores
Migração               | Nativo para Hermes                         | hermes claw migrate

Um detalhe importante para quem é usuário do OpenClaw: o Hermes tem um comando de migração nativo. hermes claw migrate importa persona, memória, skills, configurações de canal e chaves de API do OpenClaw. Um alívio para quem já perdeu horas configurando seu agente.

Deploy na OCI com Ampere A1

No artigo anterior sobre a implementação do OpenClaw na OCI, usei uma VM.GPU.A10.1 já que o OpenClaw usando modelo local precisa de VRAM. Com o Hermes a abordagem é diferente já que ele suporta OCI Generative AI como provedor, ou seja, o modelo roda na infraestrutura Oracle e a máquina local não precisa de GPU. A partir da estrutura Ampere A1 é possível rodar o Hermes, desde que o serviço OCI Generative AI esteja disponível.

A instância Ampere A1 usa arquitetura ARM. O Hermes suporta ARM nativamente.

Criando a instância

No console da Oracle Cloud, vá em Compute > Instances > Create Instance e configure:

Name: hermes-agent
Image: Ubuntu 22.04
Shape: VM.Standard.A1.Flex (em "Ampere")
OCPUs: 2
Memory: 12 GB
Boot volume: 50 GB

Adicione sua chave SSH pública e confirme que a subnet tem IP público ativo.

Setup via shell

#!/bin/bash
set -e

# Sistema
sudo apt update && sudo apt upgrade -y
sudo apt install -y curl git

# Hermes
curl -fsSL https://hermes-agent.org/install.sh | bash
source ~/.bashrc

# Tailscale (acesso sem porta pública exposta)
curl -fsSL https://tailscale.com/install.sh | sh
sudo tailscale up --ssh --hostname=hermes-oci

Após o tailscale up, o terminal gera uma URL de autenticação. Abra no navegador, faça login e autorize o dispositivo antes de continuar.

Configurando OCI Generative AI como provedor

O Hermes suporta OCI Generative AI nativamente. Edite ~/.hermes/config.yaml:

model:
provider: oci-genai
model: meta.llama-4-maverick-17b-128e-instruct-fp8
region: us-chicago-1

gateway:
bind: loopback
tailscale:
  mode: serve

A autenticação usa o ~/.oci/config da própria instância. Se preferir não manter credenciais em arquivo, configure Instance Principals no compartment: a instância se autentica automaticamente sem chaves expostas no disco. Você pode aprender como fazer isso nesse artigo.

Mas antes de tudo, verifique se os modelos estão disponíveis em sua região. Caso não estejam, você precisará usar uma região com OCI Generative AI:

oci generative-ai model list \
--compartment-id $OCI_COMPARTMENT_ID \
--query "data[].{id:id,nome:\"display-name\"}" \
--output table

Rodando como serviço systemd

sudo tee /etc/systemd/system/hermes.service << EOF
[Unit]
Description=Hermes Agent
After=network.target

[Service]
User=$USER
ExecStart=/usr/local/bin/hermes start
Restart=always
RestartSec=5

[Install]
WantedBy=multi-user.target
EOF

sudo systemctl daemon-reload
sudo systemctl enable hermes
sudo systemctl start hermes

Para acompanhar os logs em tempo real:

journalctl -u hermes -f

Migração do OpenClaw

Se você seguiu o tutorial anterior de configuração do OpenClaw na OCI, a migração pode ser feita diretamente:

# Visualizar o que será importado sem alterar nada
hermes claw migrate --source ~/.openclaw --dry-run

# Confirmar migração
hermes claw migrate --source ~/.openclaw

O comando importa persona, memória, skills, configurações de canal e chaves de API. O --dry-run lista tudo antes de qualquer alteração.

O que muda para você?

Com o OpenClaw, cada nova automação exige escrever ou instalar uma skill. O agente apenas executa o que foi definido. Com o Hermes, a ordem se altera: você pede que o agente faça algo, ele faz, e se a tarefa for complexa o suficiente, ele gera uma nova skill para reutilização futura.

Depois de algumas semanas de uso, ele começa a antecipar padrões. Não por estar ficando mais inteligente, no sentido comum da palavra, mas porque incorporou procedimentos que funcionaram anteriormente.

Claro que isso vem com um custo. No OpenClaw, a lista de skills é visível e controlada: você sabe o que existe, o que faz, e pode remover o que não quer. Enquanto no Hermes, essa lista cresce por si só. Se você precisa de um controle maior sobre o que o agente pode fazer, talvez seja melhor pensar um pouco mais sobre passar a usar o Hermes - ou mesmo se deve continuar usando o OpenClaw.

A recomendação mais frequente entre os usuários dos dois serviços é: OpenClaw para orquestração e múltiplos canais e Hermes para automações mais dinâmicas que se beneficiem de aprimoramento constante.

Na verdade, o objetivo final é encontrar um assistente de IA que resolva tarefas repetitivas, facilite nosso trabalho e nos faça economizar tempo para focar no que realmente é importante, seja nossa carreira, família ou até mesmo tempo para descansar. Então a pergunta que vale a pena ser feita é: Será que já chegamos lá?