Um experimento prático revelou uma diferença fundamental entre frameworks de agentes de IA: a capacidade de aprender e reter conhecimento entre sessões. Durante sete dias consecutivos, um desenvolvedor executou o Hermes Agent na mesma tarefa diária e documentou como o sistema evoluiu autonomamente — sem qualquer ajuste manual.

O resultado? O arquivo de habilidades (skill file) cresceu de 12 linhas no primeiro dia para 60 linhas no sétimo, transformando-se de um rascunho básico em um procedimento inteligente e otimizado.

O problema da amnésia dos agentes

Frameworks populares como LangChain, AutoGen e CrewAI executam tarefas complexas — planejamento multi-etapas, uso de ferramentas, paralelismo. Mas todos compartilham a mesma limitação: quando você fecha o terminal ou reinicia a sessão, o agente esquece tudo.

Um agente pode gastar vinte minutos descobrindo exatamente como lidar com sua estrutura de dados. Na próxima execução, ele recomeça do zero. Não há memória persistente, não há aprendizado acumulado.

Segundo o desenvolvedor responsável pelo experimento, a indústria tem se concentrado tanto no que os agentes podem fazer que ninguém pergunta o que eles conseguem reter.

O experimento: 7 dias, mesma tarefa, evolução contínua

O caso de uso era real e repetitivo: curadoria diária de pesquisas sobre novos modelos de IA, atualizações de frameworks e lançamentos open-source. A rotina manual consumia 30 a 40 minutos todas as manhãs, varrendo HackerNews, arXiv e GitHub em busca dos 3 ou 4 itens realmente relevantes.

O Hermes Agent foi configurado para executar essa tarefa todos os dias. A cada execução, o sistema não apenas completava o trabalho — ele registrava o que aprendeu e ajustava seu próprio código de habilidades.

Entre o Dia 1 e o Dia 7, o arquivo de habilidades se transformou completamente. O que começou como uma lógica simples de 12 linhas evoluiu para um procedimento de 60 linhas, refinado e adaptado às nuances da tarefa.

A diferença entre um agente que esquece e um que aprende não é incremental — é estrutural. Agentes tradicionais são ferramentas poderosas, mas estáticas. A cada nova sessão, você paga o custo de aprendizado novamente.

Um agente que retém conhecimento se torna progressivamente mais eficiente, mais preciso e mais alinhado com suas necessidades específicas. Ele não apenas executa tarefas; ele melhora como as executa.

O experimento sugere que a próxima fronteira dos agentes de IA não está apenas em fazer mais, mas em lembrar melhor. E que a verdadeira automação pode exigir sistemas que evoluam sozinhos, sem supervisão constante.

O relato completo do experimento, incluindo cada etapa e saída documentada, está disponível como parte do Hermes Agent Challenge, uma competição focada em agentes que aprendem continuamente.