Agentes de IA: o que muda quando a inteligência sai do navegador e entra na sua máquina

Terça-feira, fim de tarde. Eu estava esperando para ser atendido, com uns quarenta minutos livres pela frente e o meu computador ligado em casa, a quilômetros dali. Abri o Slack no celular, pedi para o meu assistente executar uma tarefa e fui esperando. Ele executou. Não me devolveu um texto bonito para eu copiar e colar quando chegasse. Ele rodou a tarefa, na minha máquina, enquanto eu estava em uma sala de espera.

É essa a diferença entre um agente e um chat.

Eu sou professor na Preditiva há cinco anos. Entrei como analista de dados, passei um tempo na coordenação e hoje sou coordenador de engenharia de dados em uma outra empresa, o iFood. Nesses anos muita coisa mudou, mas nada mudou tanto quanto o que aconteceu depois que a IA chegou no dia a dia de quem trabalha com dados. E a ferramenta que mais mexeu com a minha rotina não é um modelo. É a casca em volta dele.

O modelo é parte do todo, não o todo

Quando alguém me pergunta a diferença entre o Hermes e o ChatGPT, a resposta curta é essa: o ChatGPT é um modelo, com uma interface web por cima. O Hermes é uma harness. Um agente.

Harness é a estrutura que você constrói em volta do modelo. É a montagem de contexto, o loop do agente, os métodos de validação, os guard rails, as ferramentas que ele pode acionar. O modelo é o cérebro genérico, já treinado, que funciona prevendo o texto mais provável. Ele é uma etapa. Não é o conjunto da obra.

Eu insisto nisso porque vejo muita gente escolhendo ferramenta pelo modelo. Qual é o melhor, qual é o pior, quem soltou a versão nova. Na minha experiência, o que separa um assistente que você usa uma semana e abandona de um que vira parte do seu trabalho não é o modelo. É o que está montado em volta dele.

Eu uso um modelo da DeepSeek como padrão, o mais barato da linha deles. Tenho também modelos da OpenAI e da Moonshot configurados, e troco conforme a tarefa. Os modelos chineses, em geral, entregam um custo-benefício muito bom para o tipo de uso que eu faço. Mas se você trocar o meu modelo pelo seu, a ferramenta continua funcionando. Se você tirar a harness, não sobra nada além de uma conversa.

Uma dica de mentalidade, e essa vale para tudo: sempre testem. O que vale para mim não necessariamente vale para você.

A memória é o que transforma a ferramenta em parceiro

O grande diferencial do Hermes, para mim, é a memória persistente. Ele lembra das suas preferências. Ao longo das semanas, ele se ajusta ao que você costuma pedir e ao seu formato de interação.

Minha esposa usa muito o ChatGPT, e conforme ela foi usando, o chat foi virando um assistente pessoal para ela. Funciona. Mas quando eu penso em programar, em gerenciar a minha rotina, em organizar o meu próprio aprendizado, a coisa muda de escala. Um chat te dá uma sessão. Um agente com memória persistida te dá um histórico que vai se acumulando e um conjunto de processos que ficam salvos.

É a diferença entre explicar do zero toda vez e corrigir uma vez para nunca mais repetir.

Skills: o seu processo virando algo que o agente repete sozinho

Se eu pudesse dar uma única dica depois da instalação, seria esta: crie skills.

Skill é o seu processo escrito. É aquilo que você faz de forma repetida, documentado em um passo a passo que o agente consegue seguir. O formato é simples: um arquivo com nome da skill, uma descrição do que ela faz e as instruções. Você salva em uma pasta do projeto e o agente passa a acionar aquilo quando o assunto aparece.

Existe um monte de skills prontas circulando por aí. Uma que eu recomendo é a de grilling, que transforma o agente em entrevistador: ele vai te fazendo perguntas até refinar a ideia de um projeto. Para quem está começando a estruturar alguma coisa, vale muito a pena.

Mas o valor de verdade está nas skills que você escreve. Pense assim: você está estudando análise de dados, seguindo um método, fazendo cada etapa na mão. A pergunta não é mais como executar aquele passo a passo. A pergunta é como transformar aquele passo a passo em algo que você replica continuamente. Uma skill para conduzir uma análise seguindo as boas práticas que você aprendeu. Uma skill para rodar um teste A/B na sequência certa. Você escreve uma vez e o processo passa a existir fora da sua cabeça.

É aqui que a conversa sobre IA deixa de ser sobre escrever o pedido certo para o modelo e passa a ser sobre construir o método que ele executa.

MCP e os gateways: onde o agente ganha braços

Uma skill diz ao agente o que fazer. O MCP diz por onde ele faz.

O MCP funciona como porta de entrada para outras aplicações. No trabalho, eu uso MCP como entrada para o GitHub, para o Gmail, para o pacote Google inteiro e para o Slack. O agente passa a interagir com essas ferramentas diretamente. Combinar o agente com MCPs é o que multiplica o que você consegue fazer, e quem quiser entender melhor o protocolo por trás disso pode começar pelo artigo sobre o que é MCP e por que todo mundo está falando disso.

Do outro lado estão os gateways, que são os canais por onde você conversa com ele. Slack, e-mail, Telegram, WhatsApp. Foi assim que eu consegui pedir uma tarefa do celular naquela sala de espera: o meu computador estava ligado em casa, funcionando como servidor, e o Slack era a porta.

Vale o aviso: enquanto ele está rodando localmente, a máquina precisa ficar ligada. Se isso for um problema, nada impede você de contratar uma máquina na nuvem e hospedar o assistente lá.

A instalação não é bicho de sete cabeças (mas também não é mágica)

Eu uso Windows, e em uma máquina antiga. O primeiro passo, então, é o WSL, que é uma máquina virtual rodando Linux dentro do Windows.

Por que rodar Linux dentro do Windows? Porque no universo de desenvolvimento o Linux e o Mac têm um padrão muito mais bem estabelecido. Você consegue trabalhar no Windows puro, tem instalação para isso e ela funciona. Mas no longo prazo você vai esbarrar em mais atrito. O WSL foi justamente a forma que a Microsoft encontrou de estimular desenvolvedores a continuarem no Windows.

Feito isso, o resto é o caminho padrão: atualizar o sistema, instalar as dependências, rodar o script de instalação, configurar o provedor e colar a sua chave de API. Depois você escolhe o modelo, ativa as skills e as ferramentas que quiser, e está pronto.

E aqui eu preciso ser honesto com você, porque na live não foi liso. Rodei o comando que o próprio agente me sugeriu e ele falhou. Colei o erro de volta para ele, que identificou as dependências que faltavam. Instalei, rodei de novo, funcionou. Mais adiante a instalação travou de vez em uma das distribuições e eu tive que cancelar e seguir por outro caminho.

Repare no que aconteceu ali: eu usei o Hermes para instalar o Hermes. O agente foi a documentação, o suporte e o depurador do próprio processo. Isso não é um detalhe pitoresco, é exatamente o modo de trabalho que a ferramenta propõe. Você para de executar comandos que decorou e passa a supervisionar um processo que outra coisa executa.

Tem um custo, e eu não vou esconder. A ferramenta é a casca. Você precisa de um modelo por trás, e isso significa contratar uma API. Eu contratei as minhas com dinheiro do bolso, fora do trabalho, e considero um investimento que se paga em produtividade. Comece com uma verba pequena, escolha um modelo barato e fique de olho no consumo.

O passo que quase ninguém dá

Instalar a ferramenta e configurar a chave é o mínimo. Criar skills é o passo que separa quem experimentou de quem incorporou.

Mas existe um degrau acima, e é para ele que eu olho agora. Não basta ter um processo e ir refinando. A pergunta é como você valida esse processo, e como você entrega ao agente o mecanismo para ele se autovalidar. Escrever a skill é ensinar o caminho. Definir a validação é ensinar a reconhecer quando o caminho deu errado.

Todo esse universo está mudando rápido, e é fácil se perder escolhendo qual modelo de linguagem é o melhor da semana. Não é aí que está o jogo.

Modelos vão continuar trocando de nome e de preço. O que fica é o método que você escreveu.