5 plugins Hermes que vale a pena instalar com o DeepSeek: dê ao seu agente visão, memória e muito mais

Um Hermes Agent baseado em DeepSeek já consegue raciocinar, utilizar ferramentas, memorizar informações e executar fluxos de trabalho persistentes. Mas as maiores melhorias nem sempre resultam da mudança para um modelo maior. Por vezes, a alteração mais útil consiste em dar ao agente uma capacidade que antes não tinha: visão para capturas de ecrã, memória de longo prazo mais profunda, um espaço de trabalho de design, acesso à sua nuvem privada ou uma forma de deixar de arrastar contexto desnecessário em todos os pedidos.

Foi assim que escolhemos as cinco adições abaixo. Não são simplesmente os projetos Hermes mais populares. Cada uma altera uma capacidade prática de uma configuração DeepSeek + Hermes. Se ainda está a construir o ambiente base, comece pelo nosso guia de configuração autoalojada do Hermes Agent antes de adicionar mais componentes.

Uma nota sobre a terminologia: usamos “plug-in” de forma genérica neste artigo. O ecossistema Hermes inclui plug-ins tradicionais, competências, fornecedores de memória, integrações MCP e ferramentas que funcionam em conjunto com o agente. O Hindsight, por exemplo, é agora um fornecedor de memória nativo do Hermes, e não um plug-in separado que deva instalar.

Porque é que o DeepSeek + Hermes se torna mais útil quando adiciona os plug-ins certos

A questão útil não é saber quantos plug-ins o Hermes consegue executar. É perceber que nova capacidade cada adição cria. O Hermes já fornece uma camada substancial de agente em torno do modelo, incluindo memória persistente, ferramentas, agendamento, interfaces de mensagens e delegação. Adicionar outra ferramenta genérica que duplica essas funções pode aumentar a complexidade sem alterar aquilo que o agente consegue realmente fazer.

É por isso que esta lista se concentra em cinco obstáculos diferentes. O ModLens trata da visão. O Hindsight reforça a memória de longo prazo. O Open Design acrescenta um fluxo de trabalho visual orientado para artefactos. O Hermes Nextcloud liga o agente aos seus dados pessoais autoalojados. O LLMTrim reduz o excesso de contexto que surge à medida que um agente acumula ferramentas, resultados e histórico de conversas. Pode consultar separadamente o ambiente Hermes subjacente e os limites de dimensionamento dos modelos no nosso guia de requisitos de hardware do Hermes Agent.

O resultado é uma forma mais útil de pensar numa pilha de agentes de IA: visão → memória → criação → dados privados → eficiência. Não precisa necessariamente dos cinco no primeiro dia. Comece pela capacidade que está atualmente a impedir o seu agente de realizar trabalho útil.

1. ModLens — Dê olhos ao DeepSeek Hermes

Se o seu modelo DeepSeek funcionar apenas com texto, o ModLens cria a diferença mais evidente entre o antes e o depois nesta lista. Em vez de ter de descrever manualmente uma captura de ecrã, colar texto OCR ou traduzir um problema visual para palavras, a camada de visão pode inspecionar primeiro a imagem e transformar o que vê em informação que o modelo de texto consegue analisar.

O ModLens foi criado inicialmente como um plugin de visão para o DeepSeek Harness. O fluxo de trabalho documentado pode transformar imagens coladas em informação visual estruturada, incluindo OCR, layout e semântica. Numa stack centrada no DeepSeek, funciona efetivamente como a interface visual: um motor com capacidades de visão interpreta os píxeis e, em seguida, o modelo DeepSeek baseado apenas em texto prossegue com o processo de raciocínio.

A distinção importante é que isto é mais útil do que o OCR simples. O OCR responde a “que texto aparece nesta imagem?”. Um agente visual útil também precisa de compreender onde aparece a informação, que objetos pertencem uns aos outros, o que significa um determinado estado da interface e que parte de uma captura de ecrã é relevante para a tarefa. Isto torna o ModLens útil para painéis, capturas de ecrã de aplicações, diagramas, diálogos de erro, layouts da Web e documentação com muitas imagens.

Imagine que está a resolver um problema num servidor doméstico. Sem uma ponte visual, poderia escrever: “O widget de armazenamento está cor de laranja e uma unidade indica estado degradado.” Com o ModLens do lado do DeepSeek no fluxo de trabalho, a interação torna-se muito mais próxima de: “Veja esta captura de ecrã do painel e diga-me o que devo investigar primeiro.” A diferença não está numa resposta ligeiramente melhor. Está na eliminação de uma etapa inteira de tradução manual entre si e o agente.

Há uma distinção que vale a pena manter clara. Atualmente, o ModLens está documentado sobretudo como uma integração com o DeepSeek Harness, pelo que o trataríamos como a camada de visão do DeepSeek, em vez de fingirmos que é um plugin nativo do núcleo do Hermes. Esta distinção é importante quando decidir onde ocorre o processamento de imagens num fluxo de trabalho combinado entre o DeepSeek e o Hermes.

2. Hindsight — Dê ao Hermes uma memória de longo prazo melhor

O Hermes já tem memória, por isso o Hindsight não deve ser descrito como aquilo que, de repente, faz o Hermes lembrar-se. A verdadeira melhoria surge quando um agente tem meses de conversas, projetos, correções, preferências e tarefas recorrentes, e precisa de recuperar a parte certa desse histórico no momento certo.

As versões atuais do Hermes suportam o Hindsight como fornecedor de memória. A integração pode recuperar automaticamente informações relevantes antes das chamadas ao modelo e conservar conversas para sessões futuras, disponibilizando também operações explícitas de retenção, recuperação e reflexão. O antigo plug-in autónomo Hindsight-Hermes está obsoleto; o caminho atual correto é o fornecedor de memória Hindsight nativo do Hermes.

Essa distinção torna-se importante num agente pessoal persistente. Guardar um facto é fácil. Decidir quais os factos antigos relevantes para a tarefa atual é mais difícil. Um agente de longa duração poderá ter de relacionar uma decisão tomada há seis semanas com um novo pedido de hoje, distinguir uma preferência antiga de uma correção posterior ou lembrar-se de como foi resolvido um problema recorrente do servidor sem carregar todas as conversas anteriores no contexto.

Um exemplo prático é um projeto prolongado de servidor doméstico. Poderá passar várias semanas a alterar caminhos de armazenamento, políticas de contentores, regras de cópia de segurança e definições de aplicações. Quando regressar mais tarde e pedir ao Hermes para modificar uma parte desse sistema, uma boa memória não é simplesmente «aqui estão 500 mensagens anteriores». É a capacidade de recuperar o pequeno conjunto de decisões anteriores que condicionam a nova ação.

Por isso, o Hindsight faz mais sentido quando o Hermes se está a tornar num espaço de trabalho persistente, em vez de uma sessão de chat descartável. Se utilizar o agente apenas para perguntas isoladas, a diferença poderá ser modesta. Se este gerir projetos, investigação recorrente ou infraestrutura pessoal durante meses, a qualidade da memória passa a fazer parte da arquitetura do agente.

3. Open Design — Transforme o Hermes de um agente de programação num criador visual

Gerar HTML ou React não é o mesmo que concluir um trabalho de design. Um agente de programação pode produzir uma página que é tecnicamente apresentada no navegador, mas continuar a deixar a seu cargo as decisões visuais: hierarquia, espaçamento, direção estilística, iteração, pré-visualização e entrega. O Open Design tenta colmatar essa lacuna ao criar um fluxo de trabalho de design orientado para artefactos em torno do agente.

O Open Design descreve-se como um espaço de trabalho de design local-first que pode utilizar agentes de programação existentes como motor de design, e o Hermes está entre as integrações de agentes suportadas. O seu fluxo de trabalho abrange resultados como protótipos, páginas de destino, painéis, apresentações, imagens e vídeo, em vez de limitar o modelo a prosa ou sugestões de código-fonte.

Isto transforma o pedido, de “escreve algum CSS para este painel”, em algo mais próximo de “cria este painel, define uma direção visual, gera o artefacto, revê-o e repete o processo”. Para um criador, programador, pequena equipa ou utilizador de um homelab que esteja a criar interfaces personalizadas, isto representa um aumento de capacidade muito mais tangível do que mais uma skill de programação de uso geral.

Também se integra naturalmente com o DeepSeek, porque a camada de design e o modelo de raciocínio não têm de ser o mesmo produto. O DeepSeek pode continuar a fazer parte da stack de raciocínio e programação, enquanto o Open Design disponibiliza o espaço de trabalho, os modelos, as skills, as pré-visualizações e o fluxo de artefactos à sua volta. Essa separação é útil se preferir utilizar o seu próprio modelo em vez de limitar todo o fluxo de trabalho a um único serviço de design alojado.

A limitação é igualmente importante: a geração visual acrescenta outra camada de ferramentas e, por vezes, requisitos adicionais de modelos ou de fornecedores de multimédia. Se o Hermes for utilizado sobretudo para administração de servidores ou investigação, o Open Design pode ser opcional. Se o agente produzir regularmente interfaces Web, apresentações, materiais de marketing ou painéis internos, torna-se muito mais fácil justificar a sua utilização.

4. Hermes Nextcloud — Ligue o seu agente a ficheiros, calendários e tarefas privados

É aqui que o Hermes começa a parecer menos uma ferramenta de IA e mais um agente pessoal. Um modelo pode saber muito sobre o mundo público e, ainda assim, saber quase nada sobre os ficheiros, as notas, os calendários e as tarefas que determinam aquilo que precisa de fazer hoje. Uma camada de dados self-hosted altera isso.

A ponte Hermes Nextcloud desenvolvida pela comunidade disponibiliza os dados do Nextcloud ao Hermes através de interfaces como WebDAV, a API de Notas do Nextcloud, CalDAV e CardDAV. Isto permite criar fluxos de trabalho com ficheiros, notas, calendários, tarefas e contactos, sem transformar uma sessão do navegador na única forma de o agente aceder a esses recursos.

Para quem utiliza um servidor doméstico, isto cria alguns dos pedidos de agente mais imediatamente úteis do artigo. “Encontra os PDFs que carreguei ontem e compara-os.” “Consulta o meu calendário e diz-me qual é a tarde livre.” “Cria uma tarefa a partir destas notas da reunião.” “Analisa a minha pasta privada do projeto e resume o que mudou.” Não são testes de desempenho de modelos. São tarefas que as pessoas realmente delegam.

O aspeto do self-hosting também é importante. O Nextcloud pode funcionar numa infraestrutura que controla, e o Hermes pode funcionar a seu lado como outro serviço no mesmo ambiente privado. Se está a planear essa parte da stack, o nosso guia de requisitos de hardware do Nextcloud explica como o CPU, a RAM, o armazenamento, as bases de dados e o número de utilizadores alteram os requisitos do servidor.

A alojamento privado não torna automaticamente o fluxo de trabalho seguro. Um agente com acesso a calendários, contactos e ficheiros com permissões de escrita tem um raio de impacto maior do que um chatbot com pesquisa pública apenas de leitura. Comece com as permissões mais restritas de que necessita, utilize credenciais de aplicações dedicadas sempre que possível e decida explicitamente que dados o Hermes deve poder ler ou alterar.

5. LLMTrim — Evite que sessões longas do Hermes consumam demasiado contexto

As primeiras quatro adições tornam o Hermes capaz de fazer mais. A quinta aborda o que acontece depois de começar realmente a executar todo esse trabalho. Os agentes de longa duração acumulam contexto: definições de ferramentas, resultados do terminal, respostas MCP, páginas recolhidas, histórico da conversa, artefactos de raciocínio intermédios e resultados devolvidos por outras ferramentas. Parte dessa informação continua a ser útil. Outra parte é apenas bagagem repetida.

O LLMTrim funciona como um proxy local entre o agente e o endpoint do modelo. As orientações específicas para o Hermes explicam que pode comprimir esquemas de ferramentas repetidos, o histórico da conversa, os resultados de ferramentas MCP e conteúdo recolhido antes de o pedido ser enviado para o modelo. A integração do Hermes com o LLMTrim é, portanto, diferente de uma competência normal: altera o percurso de transporte em vez de ensinar ao Hermes uma nova tarefa.

Isto torna-se mais relevante à medida que o seu ambiente DeepSeek + Hermes ganha ferramentas. Imagine um agente com ferramentas de navegador, vários servidores MCP, acesso ao Nextcloud, memória de longo prazo, resultados do terminal e uma conversa longa. Se cada interação enviar grandes quantidades de estrutura repetida de volta para o modelo, o custo de manter o ciclo do agente pode aumentar, mesmo quando a nova pergunta é curta.

A redução do contexto não é magia, e a compressão agressiva deve sempre ser testada. Remover o detalhe errado pode prejudicar uma resposta posterior com a mesma facilidade com que adicionar contexto irrelevante pode distrair o modelo. O objetivo útil não é «tornar todos os prompts o mais pequenos possível». É «deixar de pagar contexto por informação que já não contribui para a decisão seguinte».

Há também uma questão de segurança. Um proxy local colocado entre o Hermes e o fornecedor do modelo vê necessariamente o conteúdo dos pedidos que passam por ele. Considere isso como parte do seu limite de confiança, especialmente se o Hermes processar ficheiros pessoais, credenciais, notas privadas ou outro material sensível.

Que plugin do Hermes deve instalar primeiro?

Se estiver a executar um modelo DeepSeek apenas de texto e quiser experimentar apenas uma melhoria, o ModLens é a escolha mais óbvia para começar. A visão cria a nova capacidade mais evidente, pois elimina a necessidade de traduzir manualmente capturas de ecrã e imagens em texto antes de o modelo poder ajudar.

Depois disso, a escolha certa depende do que está a limitar o agente e não de uma classificação universal. Escolha o Hindsight quando o contexto histórico começar a ser difícil de reutilizar. Adicione o Open Design quando o próprio resultado precisar de ser visual. Adicione o Hermes Nextcloud quando a informação útil estiver na sua nuvem privada. Adicione o LLMTrim quando as sessões longas e com muitas ferramentas começarem a transportar mais contexto do que a tarefa parece exigir.

Se ainda está a decidir o que deve ficar no servidor desde o início, o catálogo de requisitos de hardware das aplicações ZimaOS é um próximo passo útil para comparar cargas de trabalho de aplicações de IA e autoalojadas antes de instalar vários serviços na mesma máquina.

A melhor forma de pensar nos plugins do Hermes

As extensões mais úteis do Hermes não são necessariamente as que têm as listas de funcionalidades mais longas. São as que eliminam uma fronteira específica. O ModLens elimina a fronteira das imagens. O Hindsight melhora a fronteira da memória. O Open Design expande a fronteira dos resultados. O Nextcloud atravessa a fronteira entre o conhecimento público do modelo e os seus dados privados de trabalho. O LLMTrim gere a fronteira de contexto criada quando todas essas ferramentas começam a funcionar em conjunto.

Isto cria uma arquitetura muito mais clara do que simplesmente instalar todos os projetos interessantes que encontrar. Comece com um modelo capaz, como o DeepSeek, use o Hermes como camada persistente do agente e adicione capacidades externas apenas quando um fluxo de trabalho real o exigir. Uma stack mais pequena, com cinco integrações claramente justificadas, é normalmente mais fácil de compreender, proteger, atualizar e resolver problemas do que um agente com dezenas de ferramentas sobrepostas.

O objetivo final também é mais interessante do que criar um chatbot com botões extra. Um ambiente DeepSeek + Hermes autoalojado pode tornar-se gradualmente num espaço de trabalho de IA privado que pode ver o que vê, lembrar-se do que importa, criar artefactos úteis, trabalhar com dados sob o seu controlo e manter-se eficiente à medida que as suas responsabilidades crescem. É nesse ponto que os plugins deixam de ser acessórios e passam a fazer parte da arquitetura do agente.