Eu Construí 4 Agentes de IA Que Cuidam da Minha Vida Financeira, Acadêmica e Código

Eram 2 da manhã de uma terça-feira. Eu estava com o terminal aberto, um copo de café do lado, finalizando a configuração do quarto bot do Telegram. Quando mandei “oi” e ele respondeu, eu ri sozinho.

Não porque foi difícil — foi o oposto. O mais difícil foi decidir parar.

O que começou como “vou testar esse negócio de agente de IA” virou um ecossistema com 4 agentes autônomos rodando numa VPS de 9 dólares na Alemanha, cada um com seu bot do Telegram, sua personalidade e sua função. Um cuida do meu orçamento. Outro analisa investimentos. Um terceiro gerencia minha vida acadêmica — documentos, atas, checklist do MEC. O quarto programa sozinho.

Nenhum é um chatbot. Eles não ficam esperando eu mandar mensagem. Eles rodam 24 horas por dia, acordam com tarefas agendadas, se comunicam entre si via um quadro Kanban compartilhado, e aprendem coisas novas a cada interação.

Eu não contratei uma equipe. Eu instalei um software open source chamado Hermes Agent.

E esse artigo é sobre como isso funciona de verdade — não o tutorial, mas a lógica por trás.

A Diferença Entre um Chatbot e um Agente

Um chatbot responde. Você pergunta, ele devolve texto.

Um agente age. Ele lê arquivos, escreve código, consulta APIs, atualiza bancos de dados, agenda tarefas, envia mensagens quando algo importante acontece.

A diferença não é cosmética. É arquitetural.

Chatbot	Agente
Sessão única, sem memória entre conversas	Memória persistente em 3 camadas (sessão, usuário, skills)
Prompt fixo ou system prompt estático	Skills que evoluem — o agente cria e melhora as próprias instruções
Não executa código	Executa Python, bash, chama APIs, acessa bancos
Responde e esquece	Agenda, monitora, notifica proativamente
Um modelo, uma conversa	Orquestra múltiplos modelos e ferramentas simultaneamente

O Hermes Agent, desenvolvido pela Nous Research, é a segunda categoria. E é open source, licença MIT.

4 Perfis, 4 Cérebros, 1 Máquina

A sacada arquitetural do Hermes é o conceito de perfis. Cada perfil é um agente independente com:

Seu próprio diretório de configuração (~/.hermes/profiles/<nome>/)
Seu próprio bot do Telegram (token diferente)
Suas próprias skills (instruções de como agir)
Sua própria memória (SQLite + FTS5 para busca textual)
Sua própria escolha de modelo (DeepSeek, Claude, GPT — por perfil)

Na prática, é como ter 4 computadores diferentes dentro da mesma VPS:

VPS (Hetzner CX32 — 4 vCPU, 8GB RAM)
├── Perfil Financeiro  → @HermesFinBot    (DeepSeek V4 Pro)
├── Perfil Trader      → @HermesTradeBot  (DeepSeek V4 Pro)
├── Perfil Coordenador → @HermesCoordBot  (DeepSeek V4 Pro)
└── Perfil Dev         → @HermesDevBot    (Claude Sonnet 4)

Cada perfil tem um gateway — um processo systemd que conecta o bot do Telegram ao modelo de IA. São 4 serviços rodando em paralelo, cada um escutando seu próprio bot:

systemctl status hermes-gateway-financeiro.service
systemctl status hermes-gateway-trader.service
systemctl status hermes-gateway-coordenador.service
systemctl status hermes-gateway-dev.service

Skills: A Peça Que Faltava

A maioria das pessoas para em “configurei o bot, ele responde”. Mas a diferença entre um bot que faz conversa fiada e um que resolve problemas reais está nas skills.

Skills são arquivos Markdown com frontmatter YAML que ensinam o agente a executar tarefas específicas. Não é prompt engineering — é um sistema de arquivos que o agente consulta em tempo real.

Exemplo real, a skill MEC do perfil coordenador:

---
name: mec
description: "Checklist e Simulação MEC/INEP — preparação para visita de avaliação externa"
metadata:
  hermes:
    tags: [academico, mec, avaliacao, inep]
---

# Checklist MEC / INEP

## Comandos Telegram
/mec — Resumo do checklist com semáforo
/mec_urgentes — Itens vermelhos
/mec_simular — Gera pergunta de avaliador
/mec_atualizar <id> <status> — Atualiza item

## Banco de dados
SQLite em ~/.hermes-ecosystem/hermes.db
Tabelas: mec_dimensions (3), mec_items (48)

Quando eu digito /mec no Telegram, o agente não está “programado” pra isso — ele lê a skill, entende o contexto, executa o código Python que consulta o banco, e formata a resposta com os 48 itens do instrumento INEP organizados em semáforo (verde/amarelo/vermelho).

A skill diz o que fazer. O código Python diz como. O modelo de IA decide quando e por que.

Isso é fundamentalmente diferente de um chatbot com prompt fixo.

Comunicação Entre Agentes: Kanban, Não Chat

Os perfis não ficam se mandando mensagem no Telegram. Isso seria caótico e frágil.

Em vez disso, eles compartilham um banco SQLite com um quadro Kanban. Quando o perfil financeiro fecha o mês e detecta R$2.000 disponíveis para investir, ele não manda mensagem pro trader. Ele cria uma tarefa:

{
  "title": "Capital novo para investimentos",
  "assigned_to": "trader",
  "created_by": "financeiro",
  "data": {
    "amount_brl": 2000.00,
    "source": "fechamento_mensal_maio_2026"
  }
}

O trader, na próxima execução do cron, consulta tarefas atribuídas a ele, encontra essa, e age: distribui o capital entre as classes de ativo abaixo da alocação alvo, executa as compras de crypto (automático) e envia os sinais de ações e FIIs (semi-automático).

Isso é um sistema multi-agente real. Sem webhook, sem fila de mensageria, sem Kubernetes. SQLite e um padrão de tarefas bem definido.

O Perfil Dev: Agente Que Programa

O mais ambicioso dos 4 é o perfil dev. Ele não escreve código — ele orquestra quem escreve.

O fluxo é um pipeline de 5 fases:

Planning — lê o CLAUDE.md do projeto, mapeia código existente, define sub-tarefas
Implementation — cria branch, abre sessão tmux, lança Claude Code, envia instruções
Testing — roda pytest e ruff, verifica regressões
Review — compila diff, revisa padrões (type hints, docstrings, secrets), notifica via Telegram
Merge — cria PR via gh CLI, squash-merge, deleta branch, atualiza文档

O coordenador pede “preciso de um script pra extrair dados do Censo INEP”. O dev planeja, implementa, testa, revisa e entrega. Tudo que eu faço é aprovar o plano inicial e autorizar o merge.

O Que Eu Aprendi Montando Isso

1. VPS é o ambiente natural de agentes de IA

Agente desligado não serve pra nada. Uma VPS de 9 dólares resolve. Hetzner CX32, Ubuntu 24.04, 4 vCPU, 8GB RAM. Suficiente para 4 agentes rodando simultaneamente com folga.

Hardening básico: SSH com chave (nunca senha), porta não-padrão, UFW, fail2ban. Feito em 15 minutos.

2. DeepSeek V4 Pro é o melhor custo-benefício atual

Para tarefas que não exigem raciocínio complexo (categorizar gastos, gerar documentos, atualizar checklist), o DeepSeek V4 Pro entrega qualidade equivalente a modelos 5x mais caros. A API é compatível com o formato OpenAI — trocar de provider é uma linha de config.

Para o perfil dev, que precisa de raciocínio de arquitetura profundo, uso Claude Sonnet 4. Cada perfil com o modelo certo para sua função.

3. Skills > Prompts

Gastei zero tempo fazendo prompt engineering. As skills são instruções vivas — o agente as consulta, as melhora com feedback, e cria novas quando encontra padrões repetidos.

O perfil coordenador começou com uma skill MEC. Depois de duas semanas de uso, ele mesmo sugeriu e criou skills para gerar atas de reunião e simular perguntas de avaliador.

4. Comece pequeno, expanda com uso real

Meu erro inicial foi querer planejar tudo antes de usar. Passei horas desenhando arquitetura no CLAUDE.md. O que realmente funcionou foi: colocar um bot no ar, usar por uma semana, e só então escrever o código de apoio para o que o bot não conseguia fazer sozinho.

O perfil financeiro operou por dias sem uma linha de código Python de backend — só a skill e o modelo. Quando precisei de categorização automática e projeção de fluxo de caixa, aí sim escrevi os módulos.

O Que Vem Por Aí

O ecossistema base está pronto. Os próximos passos:

MCP (Model Context Protocol): Conectar os agentes a Google Drive, GitHub, PostgreSQL. Isso elimina a necessidade de código glue para APIs externas.
Cron jobs: Fechamento mensal automático, análise de portfolio diária, alertas de vencimento
Paper trading → produção: O trader está em sandbox. Precisa de 14 dias de paper trading consistente antes de operar com dinheiro real.
Dashboard público: Hoje o dashboard web é acessível só via túnel SSH. Avaliar expor com autenticação para acesso remoto.

Nada disso é urgente. O sistema já está me atendendo.

Se você quer montar algo parecido, o roteiro é: alugue uma VPS, instale o Hermes Agent, crie um perfil, conecte um bot do Telegram. Faça isso funcionar com UMA coisa útil antes de pensar em arquitetura de multi-agente.

O resto vem com o uso.