A maioria dos agentes de IA hoje é fundamentalmente falha de um modo crítico—eles esquecem tudo. Após cada sessão, seu contexto, comportamentos aprendidos e ajustes específicos do usuário desaparecem, forçando-os a começar do zero toda vez. Essa statelessness é um gargalo silencioso na corrida para construir assistentes autônomos e úteis em cadeia. A DWF Ventures agora se concentrou em uma resposta, destacando o framework open-source Hermes da Nous Research, que ataca diretamente o problema de memória, segundo o relatório original da WuBlockchain.
A observação da DWF argumenta que o Hermes se destaca porque não é apenas mais uma ferramenta de automação pontual. O framework introduz memória persistente que retém interações do usuário, sessões e preferências aprendidas ao longo do tempo. Isso é combinado com um sistema automatizado de Habilidades que expande organicamente as capacidades do agente, e perfis de usuário que ancoram a memória a uma identidade consistente. Um ciclo de autoaperfeiçoamento refina continuamente o que o agente sabe, acumulando sua utilidade em vez de reiniciar a cada ciclo. Para um setor que inundou o mercado com wrappers de chatbots e agentes de API superficiais, esse design marca uma mudança estrutural em direção a uma inteligência duradoura e acumulativa.
Por que os Agentes Sem Estado se Tornaram a Norma
Arquiteturas sem estado são baratas e fáceis. Elas são projetadas para escalar e evitam armazenar dados sensíveis dos usuários. Isso fazia sentido para bots de negociação de criptomoedas iniciais e assistentes simples do Discord que precisavam apenas disparar alertas ou processar um único comando. À medida que agentes de IA começam a gerenciar tarefas mais complexas — interpretar posições DeFi, realizar operações multietapas entre cadeias ou aprender com feeds de dados on-chain — a ausência de memória torna-se uma desvantagem. A repetição mata a eficiência, e a falta de personalização erosion a confiança. A abordagem da DWF sugere que eles estão olhando além da hype em direção a infraestruturas que possam sobreviver ao engajamento contínuo dos usuários, e não apenas se destacar em demonstrações.
Essa tendência em direção a agentes com estado e conscientes de memória alinha-se ao movimento mais amplo em direção à infraestrutura descentralizada de IA. Projetos já começaram a integrar camadas de computação, armazenamento e treinamento que permitem que agentes de IA operem sem depender de nuvens centralizadas. Por exemplo, parcerias de computação distribuída como UXLINK e o trabalho da Origins Network em aplicações Web3 escaláveis impulsionadas por IA mostram como as bases estão sendo estabelecidas para agentes que exigem computação persistente. O Hermes contribui para isso ao se apoiar na rede descentralizada de treinamento Psyche da Nous, uma camada que distribui a carga pesada do refinamento do modelo.
Segurança, Chaves Seladas e a Rede Psyche
Os mecanismos internos não se tratam apenas de memória. O Hermes incorpora isolamento de credenciais, para que tokens de acesso e chaves privadas não se misturem com a camada central de raciocínio do agente. A redação secreta e a rotação automática de chaves conferem a ele uma postura de segurança mais próxima de um sistema custodiado do que de um bot experimental típico. Essa arquitetura é importante porque agentes com estado que detêm credenciais de usuários se tornam alvos de alto valor. Integrar esses recursos com Psyche — uma rede descentralizada de treinamento — significa que os modelos próprios são aprimorados por uma estrutura de node distribuída, em vez de um único servidor, o que reduz pontos centrais de falha.
A demand por armazenamento para agentes persistentes e de aprendizado segue uma tendência reconhecível. À medida que os modelos acumulam conhecimento e históricos de usuários, a necessidade por armazenamento barato e verificável cresce. O crescente interesse em camadas de dados de IA já colocou projetos como o Filecoin na conversa para soluções de armazenamento descentralizadas adaptadas a cargas de trabalho de IA. O Hermes pode não executar armazenamento em cadeia diretamente, mas o loop de autoaperfeiçoamento em que se baseia inevitavelmente buscará e enviará dados para ambientes descentralizados se escalar para casos de uso do Web3.
Onde a vantagem não é garantida
A DWF compara explicitamente o Hermes ao Claude Code e ao OpenAI Codex, argumentando que sua força em gerar código no momento não se traduz em capacidade acumulativa ao longo de semanas de uso. Um agente sem estado pode produzir uma auditoria perfeita de contrato inteligente um dia e esquecer todo o contexto do projeto no dia seguinte. A diferenciação do Hermes é sua capacidade de acumular experiências. Isso é uma verdadeira vantagem competitiva se a execução for limpa, mas também exige que os usuários se comprometam com um único ambiente de agente de longa duração, algo que o mercado tem sido lento em adotar fora de operações financeiras nichadas.
A natureza de código aberto do Hermes tem dois lados. Ela convida à auditoria ampla e à adaptação pela comunidade, o que pode acelerar a adoção em ferramentas DeFi, operações de DAOs e análise de NFTs. Ao mesmo tempo, manter-se de código aberto enquanto preserva uma vantagem de segurança em relação a concorrentes bem financiados e de código fechado é uma corda bamba. Se o Hermes conseguir atrair suficiente atenção dos desenvolvedores para se tornar a estrutura padrão para agentes Web3 com estado permanece incerto. A memória sozinha não garante utilidade se a qualidade do raciocínio subjacente for inferior ou se a integração com carteiras e dApps existentes permanecer complicada. O Spotlight da DWF é um sinal de que o capital de risco está prestando atenção à arquitetura, e não apenas aos números de usuários. Para equipes que desenvolvem no espaço de agentes de IA, o modelo do Hermes agora se torna a referência para o que vem depois da era dos chatbots.