Hermes Agent /learn recurso lançado: arquivos locais, páginas web e conversas transformam-se em Skill (habilidade) com um clique

Nous Research lança o recurso /learn para o agente de IA de código aberto Hermes, permitindo que o agente colete materiais, gere arquivos de habilidades e os armazene no repositório de habilidades, transformando um fluxo de operações executado uma vez em uma ferramenta reutilizável, sem necessidade de intervenção manual de engenheiros. (Contexto anterior: Renascimento da IA – Filósofos se tornam itens cobiçados em laboratórios de IA, incorporando ética em seus modelos) (Contexto adicional: A competição EUA-China em IA se intensifica, mas acadêmicos concordam: não deixem a IA ter um 'momento Chernobyl')

Nous Research adicionou o recurso /learn ao sistema Skills de seu agente de IA de código aberto 'Hermes'. A lógica de operação é direta: você diz ao agente o que deseja aprender – uma pasta local com SDK, uma página de arquivo online, ou o fluxo de implantação que você acabou de conduzir – e ele usa suas ferramentas existentes para coletar materiais, gerar um arquivo de habilidade formatado e salvá-lo em ~/.hermes/skills/. Na próxima vez, basta chamá-lo, sem ferramentas adicionais.

Transforma 'o que acabou de ser feito' em ferramenta reutilizável para a próxima vez

A definição oficial do /learn é: transformar rapidamente 'coisas que você já sabe fazer' ou 'um monte de referências' em skills reutilizáveis, sem necessidade de escrever SKILL.md manualmente.

Ele suporta quatro tipos de fontes de material, cada uma com cenários típicos correspondentes:

O primeiro é uma pasta de biblioteca local ou SDK. Exemplo de comando: /learn the REST client in ~/projects/acme-sdk, focus on auth + pagination. Adequado para transformar conhecimento operacional de ferramentas internas da equipe em skills.

O segundo é uma página de arquivo online. Exemplo de comando: /learn https://docs.example.com/api/v2. Adequado para consumir rapidamente arquivos de API de terceiros, economizando o custo de consultas repetidas.

O terceiro é o fluxo completo que você acabou de conduzir com o agente na conversa. Exemplo de comando: /learn how I just deployed the staging server. Ele solidifica uma operação única em etapas reutilizáveis para a próxima chamada.

O quarto são notas orais ou texto não estruturado que você cola livremente. Qualquer coisa que você possa descrever, teoricamente pode ser alimentada a ele. O grau de abertura é quase ilimitado.

Quando o agente recebe a solicitação, ele usa suas ferramentas existentes – read_file (ler arquivo), search_files (pesquisar arquivos), web_extract (extrair da web) – para coletar materiais por conta própria, depois gera um skill conforme a especificação de escrita interna: descrição limitada a 60 caracteres, ordem de capítulos fixa, uso da terminologia de ferramentas do Hermes, e sem inventar comandos por conta própria.

Autoaperfeiçoamento mais específico

Método tradicional: um engenheiro observa o agente completar uma tarefa, manualmente ou com ajuda de IA, organiza um arquivo de instruções, depois escreve um skill com base nele, e só então o agente pode usar na próxima vez. Em toda essa cadeia, o ser humano é o único 'extrator de conhecimento'.

A maioria dos agentes de IA tem seus limites de capacidade: ou estão escritos em código fixo, ou dependem de engenheiros atualizando manualmente prompts periodicamente. O repositório de skills é estático e não cresce automaticamente com o uso.

/learn encurta essa cadeia para: agente completa tarefa → usuário dá o comando '/learn aquele fluxo que acabamos de fazer' → skill gerado. O ser humano sai do papel de 'extrator de conhecimento', restando apenas o julgamento de 'decidir se deve aprender'.

O repositório de skills do Hermes é dinâmico, expandindo-se automaticamente com o acúmulo de cenários de uso. Mas vale um lembrete: o repositório pode crescer, mas isso não significa que tudo que é gerado esteja correto – ainda é preciso fazer otimização de qualidade.

O posicionamento inicial do Hermes é de um 'agente de autoaperfeiçoamento' (self-improving agent). Ele não apenas completa tarefas, mas também memoriza e acumula skills reutilizáveis, ficando mais inteligente com o uso. O /learn faz esse posicionamento sair do conceito para a operação concreta: o agente não apenas executa, mas também solidifica operações únicas em ativos reutilizáveis.