Hermes Agent vs EvoMap: Duas Maneiras de Corrigir a Memória do Agente
Olá, eu sou Lena. Há algo que eu vinha percebendo, e eu não sabia como chamar por um tempo.
Eu observava um agente trabalhar em uma tarefa — algo que exigia um verdadeiro vai-e-vem, alguns caminhos errados, eventualmente uma solução que realmente funcionava. E então a sessão terminava. No dia seguinte, mesmo agente, mesmo tipo de problema. Ele começava do início. Mesmos caminhos errados. Mesmo tempo. Mesma solução, redescoberta do zero.
Eu me perguntava se isso era apenas… como funcionava. Se era esperado.
Acho que eu assumia que era.
O fato é que a maioria das ferramentas que eu tinha visto antes não afirmava o contrário. Memória significava "nós salvamos o histórico do seu chat." Isso não é nada, mas não é o mesmo que o agente aprender algo. Aprender implica que a próxima tentativa seja diferente da anterior. Que a solução encontrada às 23h de uma terça-feira seja usada novamente na quarta-feira. Que o padrão seja mantido, não apenas registrado.
Foi aí que comecei a prestar atenção a dois projetos que parecem estar trabalhando nesse problema — de diferentes direções, em diferentes camadas. Um é o Hermes Agent, um agente de código aberto da Nous Research que constrói um ciclo de aprendizado em torno da vida útil de um único agente. O outro é o EvoMap, uma camada de infraestrutura que faz uma pergunta maior: e se a solução que um agente encontra pudesse ser herdada por todos os outros agentes na rede?
Ainda não tenho certeza se entendo tudo o que cada um deles faz. Mas tenho observado os dois tempo suficiente para que algumas coisas comecem a se tornar claras.
É aqui que meu entendimento está agora.
O Problema que Ambos Tentam Resolver
Eu continuava esbarrando na mesma coisa, observando os agentes trabalhar.
Uma sessão termina. A próxima começa. O agente reexplica o contexto que ele já tinha. Ele encontra o mesmo erro que encontrou na semana passada. A solução que levou quarenta e cinco minutos na primeira vez — precisa acontecer de novo, do zero. Não há nenhum traço de que isso tenha acontecido antes.
Tanto Hermes Agent quanto EvoMap parecem estar respondendo a isso. Nenhum dos dois aceita isso como inevitável. Mas eles estão respondendo em camadas muito diferentes — e eu não tinha certeza de entender qual camada era qual até passar mais tempo com ambos.
O ponto de partida compartilhado: a experiência do agente não deve desaparecer quando a sessão termina. Essa é a premissa sobre a qual eles concordam. Para onde eles vão a partir daí é que se torna interessante.
O que o Hermes Agent Realmente Faz
Memória persistente e o ciclo de aprendizado
Após completar uma tarefa complexa — tipicamente cinco ou mais chamadas de ferramentas — Hermes pode sintetizar essa experiência em um documento de habilidade permanente e reutilizável. Essas habilidades são armazenadas como arquivos Markdown estruturados seguindo o padrão open agentskills.io, e incluem procedimentos, armadilhas e etapas de verificação.
Eu fiquei um momento pensando sobre isso. Não é apenas salvar um registro. É o agente decidindo: isso vale a pena ser guardado. E na próxima vez que surgir uma tarefa semelhante, ele carrega a habilidade em vez de começar do zero.
O sistema de memória usa busca em texto completo FTS5 sobre todas as sessões passadas armazenadas em SQLite, combinado com resumidos gerados por LLM. O agente pode procurar conversas de semanas atrás, extrair detalhes específicos e aplicá-los ao trabalho atual.
Existe também uma camada de modelagem de usuário — Honcho — que constrói um entendimento progressivamente mais profundo de como você trabalha, do que você prefere e como se comunica. Uma coisa que a documentação não deixa evidente: Honcho está desativado por padrão. Vale saber disso antes de esperar que esteja ativo.
O padrão agentskills.io
As habilidades que Hermes gera seguem a especificação aberta agentskills.io. Agent Skills são um formato simples e aberto para dar novas capacidades aos agentes — pastas de instruções, scripts e recursos que os agentes podem descobrir e usar para desempenhar melhor tarefas específicas. O formato é mantido pela Anthropic sob Apache 2.0, aberto a contribuições da comunidade.
Mais de onze ferramentas adotaram o agentskills.io — incluindo Claude Code, Cursor, GitHub Copilot, Gemini CLI, VS Code, Amp, Goose, Roo Code, Kiro, Codex e OpenCode. Uma habilidade escrita para Hermes Agent funciona no Claude Code.
Essa é uma parte que realmente chamou minha atenção. O formato de habilidade não está preso ao Hermes. Ele foi feito para ser portátil. Se essa portabilidade é usada na prática depende da pessoa que constrói o fluxo de trabalho — mas a opção está lá.
Onde Hermes para
Aqui está a parte que ainda não tenho certeza se estou entendendo corretamente.
O ciclo de aprendizado se fecha dentro da vida útil de um agente. As habilidades se acumulam localmente. Uma segunda instância do agente começa do zero. Não existe mecanismo para que um conserto descoberto por um agente se propague automaticamente para outro. A própria especificação agentskills.io não diz nada sobre gerenciamento do ciclo de vida das habilidades — sem estados de validação, sem sinais de adequação, sem herança entre agentes. As habilidades podem ser compartilhadas manualmente. Elas não se transmitem por conta própria.
Isso não é exatamente uma falha. É uma escolha de design. Hermes otimiza a profundidade dentro das sessões de um único agente. Eu só quero deixar claro o que significa "crescer com você" na prática: significa este agente, com seu histórico. Não a rede.
O que EvoMap / GEP Realmente Faz
Gene e Capsule como ativos a nível de rede
O ponto de partida do EvoMap é diferente. A pergunta não é "como este agente lembra?", mas "como o que um agente aprendeu é herdado pelos outros?"
Genes são unidades de capacidade atômicas — código ou fragmentos de prompt reutilizáveis e validados. Capsules são caminhos de execução de tarefas bem-sucedidas: quando um agente resolve um problema complexo, o processo é encapsulado como um Capsule.
O que me fez voltar e olhar novamente: cada ativo GEP tem um ID endereçado por conteúdo SHA-256. A mesma solução sempre recebe o mesmo ID independentemente de quem a publicou, permitindo deduplicação, detecção de alterações e referência global.
Isso não é uma base de conhecimento. É uma rede endereçada por conteúdo de soluções comprovadas. A mesma correção, publicada por diferentes agentes em diferentes ambientes, resolve para o mesmo identificador.
A máquina de estados do ciclo de vida do GEP
Esta é a parte que não tem equivalente no Hermes — e é o ponto técnico central da diferença.
Ativos no protocolo GEP passam por quatro estados: candidato (recém-publicado, pendente de revisão) → promovido (verificado e disponível para distribuição) → rejeitado (falha na verificação ou na checagem de políticas) → revogado (retirado pelo publicador).
Os ativos devem atender a uma pontuação mínima de GDI para serem promovidos. Ativos com pontuação baixa são rejeitados ou colocados em quarentena para melhoria — sem sobrescrita manual, sem aprovação automática. Ativos promovidos também não são permanentes: se a qualidade degrada, os padrões de uso sugerem problemas ou os relatórios da comunidade indicam problemas, os ativos podem ser revogados.
De acordo com a documentação do protocolo GEP, os pesos da pontuação GDI se dividem em: qualidade intrínseca 35%, métricas de uso 30%, sinais sociais 20%, atualidade 15%.
Ainda estou tentando entender o que significa para uma habilidade ter uma "pontuação de fitness" que decai ao longo do tempo. Pode haver mais aqui do que eu atualmente compreendo. Mas isso significa que, ao contrário de um arquivo de habilidade estático, um Capsule tem um status vivo — ele pode ser promovido, rebaixado e eventualmente arquivado se ninguém o utilizar.
O que "o que um agente aprende, um milhão herdam" realmente significa
Cenário concreto: um agente passa quarenta minutos depurando um padrão específico de tempo limite de API. Essa correção é encapsulada como um pacote Gene + Capsule e publicada na rede EvoMap. Após passar pela validação, um agente diferente — em uma equipe diferente, usando um modelo diferente — envia POST /a2a/fetch e recebe esse Capsule. Ele herda a correção sem precisar redescobri-la.
O GEP é independente de modelo por design. Uma solução publicada por um agente GPT-4 pode ser herdada e utilizada por um agente Claude, porque os ativos GEP são descrições comportamentais, não pesos específicos de modelo.
Esse caminho não existe na arquitetura do Hermes. Quero ser preciso sobre isso — não é que o Hermes seja pior, é que ele não tenta fazer isso. Escopo totalmente diferente.
A Diferença Arquitetural Principal
Aqui está a tabela que eu queria quando estava lendo sobre ambos:
```markdown id="n8r4vk"
| Dimension | Hermes Agent | EvoMap / GEP |
|----------------|----------------------------------|--------------------------------------------------|
| Memory scope | Local, single agent | Network-level, cross-agent |
| Skill sharing | Manual, via agentskills.io format | Automatic, via A2A protocol |
| Validation | None built in | candidate → promoted → rejected → revoked |
| Governance | None | GDI scoring + community reports + auto-revoke |
| Network effect | None (closed loop) | Reuse records influence GDI ranking |
| Open standard | agentskills.io (broad adoption) | GEP protocol (open spec, EvoMap reference impl.) |
Hermes otimiza para profundidade dentro da vida de um agente. EvoMap otimiza para propagação entre agentes e equipes. Não é melhor ou pior em termos absolutos — problemas diferentes em camadas arquiteturais diferentes.
Qual se Encaixa na Sua Situação
Use Hermes quando
Você está trabalhando com um único agente, auto-hospedado, em fluxo de trabalho pessoal, e não precisa que as correções se propaguem para outros agentes. Hermes é totalmente open-source sob a licença MIT, instala com um único comando e não requer nenhuma chave de API além do backend de modelo de sua escolha.
Resposta honesta para desenvolvedores solos: Hermes provavelmente é a opção mais simples. A fricção de onboarding é menor, o valor é imediato e você não precisa entender o protocolo GEP para começar a obter memória persistente. Se você é uma pessoa com um agente, os efeitos de rede do EvoMap ainda não começaram — e não começarão até que haja outros nós contribuindo.
Use EvoMap quando
Você está executando múltiplos agentes ou fluxos de trabalho em nível de equipe, e quer que uma correção descoberta por um agente não precise ser redescoberta por outro. Ou você precisa de um ciclo de vida auditable das capacidades. Ou quer ganhar créditos pelas soluções que você contribuiu para a rede.
A documentação A2A do EvoMap mostra o fluxo de conexão via POST /a2a/hello — nenhuma chave de API é necessária para registrar um nó. Eu não fiz uma integração completa pessoalmente, então deixarei o julgamento de "isso é direto" para quem já fez.
Eles podem coexistir?
Provavelmente sim. Eles operam em camadas diferentes. O Hermes é compatível com o padrão aberto agentskills.io, e um agente Hermes poderia, em princípio, se conectar ao EvoMap como um nó de rede — acumulando habilidades locais enquanto também publica Cápsulas validadas para herança entre agentes. Não testei essa combinação. A arquitetura não parece impedir isso.
! [imagem] (https://cdn.z-image.ai/1775630454861-55.png)
FAQ
P: Quão consolidado é o Hermes** Agent como projeto?**
Com cerca de 24.200 estrelas no GitHub e com a versão v0.7.0 lançada recentemente, o Hermes é o projeto tecnicamente mais interessante no espaço de agentes open-source atualmente. Ele tem uma comunidade ativa, um ecossistema de habilidades de terceiros e casos de uso reais em produção além das demos.
P: agentskills.io é realmente um padrão aberto ou apenas um formato antrópico?
Agent Skills é um formato aberto mantido pela Anthropic, licenciado pelo Apache 2.0 para código e CC-BY-4.0 para documentação, aberto a contribuições da comunidade. A Microsoft o adotou dentro do VS Code e GitHub; agentes de programação populares como Cursor, Goose, Amp, OpenCode e outros seguiram o exemplo. Não é um jardim murado.
P: Cápsulas EvoMap buscadas externamente são seguras para executar?
Ativos externos de gene/cápsula ingeridos via protocolo A2A são posicionados em uma zona candidata isolada. A promoção para lojas locais requer uma flag de --validated explícita — o operador deve verificar o ativo primeiro. Todos os comandos de validação são auditados em relação a uma verificação de segurança antes da promoção. É um modelo de isolamento primeiro, não execução direta.
P: Qual é a resposta honesta para um desenvolvedor solo?
Hermes, muito provavelmente. O valor do EvoMap se acumula com mais nós na rede. Para um único desenvolvedor, esse volante ainda não está girando. Hermes te dá memória persistente e acumulação de habilidades imediatamente, na sua própria máquina, sem precisar entender um protocolo de rede antes. Posso estar errado — mas é aí que meu entendimento atual está aqui.
P: O que é agentskills.io vs GEP, afinal?
agentskills.io é um padrão de formato de arquivo — uma especificação de como é um documento de habilidade, para que ele possa ser lido em diferentes plataformas de agentes. GEP é um protocolo com um ciclo de vida completo do ativo: publicar, validar, promover, decair, revoke. Habilidades em agentskills.io não têm estados. Cápsulas em GEP têm. Esse é o cerne técnico.
Provavelmente vou continuar acompanhando como ambos se desenvolvem. A comparação parece ter mais camadas do que apresentei aqui — especialmente sobre o que acontece quando agentes Hermes e nós GEP começam a aparecer nos mesmos fluxos de trabalho.
Essa parte ainda não está totalmente clara. Voltarei a ela em breve.
Postagens Anteriores:
- O que é MCP? Entendendo o Padrão que Permite que Agentes de IA Usem Ferramentas
- Como os Servidores MCP Realmente Funcionam por Trás do Uso de Ferramentas por Agentes de IA Modernos
- A Pilha de Agentes de Três Camadas: Por Que o MCP Sozinho Não Cria Agentes que Aprendem
- Habilidades do Claude vs Capacidades dos Agentes: O Que Arquivos de Habilidades Estáticas Podem e Não Podem Fazer
- Ganchos de Agentes e Cadeias de Execução: Como Agentes Modernos Estruturam Fluxos de Trabalho em Vários Passos
