Como usar o Hermes Agent gastando menos por tarefa

O gasto por execução não te avisa quando sobe

Ele sobe caladinho, dentro de uma sessão longa, num contexto que foi inflando, numa tarefa que você não delimitou direito e o agente resolveu explorar por conta própria

O Hermes Agent é open source sob licença MIT e é mantido pela Nous Research, com a versão estável mais recente na v0.20.1 (tag v2026.8.13)

E o recorte deste post é bem específico: reduzir o custo por tarefa SEM perder qualidade da resposta

Nada de cortar o modelo bom do chat principal e chorar depois porque a resposta ficou rasa 🙂

O que você precisa antes de começar

Pouca coisa, mas melhor deixar claro:

• Hermes Agent instalado na versão estável atual (v0.20.1, tag v2026.8.13)
• acesso a algum provedor de modelos
• familiaridade com hermes config set e com os comandos de sessão (/usage, /compress, /new)

A assinatura é OPCIONAL, beleza? Você pode rodar com o provedor que já usa

Mas como o Nous Portal é a assinatura da Nous Research usada junto com o Hermes, vale deixar a tabela aqui pra você comparar:

O Free roda só modelos gratuitos e limites padrão

Os pagos incluem 10% de bônus em créditos, acesso a mais de 200 modelos e uso de ferramentas hospedadas

Passo a passo para gastar menos por tarefa no Hermes Agent

A ordem importa muito aqui: quem mexe na config antes de medir fica otimizando o lugar errado

Formação Recomendada

Formação Claude Code

Domine Claude Code do absoluto zero até o avançado

• 120 aulas
• 4 projetos
• 9h 45min

Conhecer formação

1. Meça antes de mexer:

O Hermes já te entrega o número, então usa

/usage
/insights

O /usage mostra o consumo com quebra por categoria (input x output), e essa quebra é a primeira pista: se o input está dominando, teu problema é contexto, não resposta longa

O /insights mostra o padrão de uso dos últimos 30 dias, e o hermes insights traz a analítica mais profunda

No painel tem a aba de Usage analytics, com cada modelo que rodou uma sessão, contagem de tokens, custo e badges de capacidade

E se você roda o Hermes em automação, o modo one-shot grava um relatório legível por máquina:

hermes -z "resumir os PRs abertos do repositório" --usage-file /tmp/usage.json

O arquivo traz estimated_cost_usd, input_tokens, output_tokens, cache_read_tokens, cache_write_tokens, reasoning_tokens, total_tokens, api_calls, model, provider, session_id, service_tier e as flags de completed/failed

Detalhe massa: o relatório é escrito mesmo quando a execução falha

O erro comum deste passo: usar --usage-file fora do one-shot

A flag só tem efeito com -z/--oneshot, então em sessão interativa ela simplesmente não faz nada

2. Tire a tarefa auxiliar do modelo caro:

Esse aqui costuma ser o desperdício mais silencioso de todos

O Hermes usa modelos auxiliares pra tarefas paralelas ao chat principal: análise de imagem, sumarização de página web, análise de screenshot do navegador, geração de título de sessão e compressão de contexto

Só que o padrão é auxiliary.*.provider: "auto", que roteia tudo isso pro mesmo modelo que você escolheu em hermes model

Ou seja: você escolheu um modelo de raciocínio caro pro chat, e ele está gerando TÍTULO DE SESSÃO pra você

Dá pra forçar um modelo barato e rápido nesses slots, por tarefa:

hermes config set auxiliary.<task>.provider <provedor>
hermes config set auxiliary.<task>.model <modelo>

E dá pra atribuir um modelo aos 11 slots auxiliares de uma vez, o que é bem mais prático do que ir de um em um

O erro comum deste passo: achar que configurou e esquecer do fallback

Quando a rota auxiliar configurada falha, o modo auto segue uma cadeia: primeiro auxiliary.<task>.fallback_chain, depois os fallback_providers / fallback_model principais, e por último a cadeia interna de descoberta de auxiliares do Hermes

Se você não olhou pra essa cadeia, a tarefa auxiliar pode voltar pro modelo caro sem ninguém perceber

3. Calibre a compressão de contexto:

O Hermes comprime a conversa sozinho quando ela cresce

O compression.threshold vem em 0.50, ou seja, 50% do limite de contexto

Tem também o threshold_tokens opcional, um valor absoluto, e vale o MENOR entre a razão e o valor absoluto

E a compressão não joga fora tudo: ela preserva um trecho fixo e resume o miolo

• target_ratio 0.20: fração do limiar preservada como cauda recente
• protect_last_n 20: mínimo de mensagens recentes intactas
• protect_first_n 3: mensagens de cabeça fixadas entre compactações

O limiar aceita override por modelo em compression.model_thresholds, aplicado por casamento da maior substring, com fallback pro limiar configurado

Existe ainda uma coisa SEPARADA disso tudo: uma rede de segurança secundária de higiene de sessão no gateway, que dispara em 85% da janela de contexto do modelo, independente do que você deixou no compression.threshold

Caso você use rota Codex OAuth com gpt-5.5, se liga nisso: aí é o SEU gatilho de compressão que sobe sozinho, o compression.threshold sai dos 0.50 padrão e vai pra 85% nessa rota

São dois mecanismos diferentes, beleza? Um é a rede do gateway, que continua lá do jeito dela, e o outro é o limiar da tua config sendo elevado automaticamente

Se você não quer esse comportamento:

hermes config set compression.codex_gpt55_autoraise false

O erro comum deste passo: apertar o limiar demais achando que é economia pura

Comprimir mais cedo significa comprimir mais vezes, e cada compressão é uma chamada de modelo também

4. Não quebre o cache de prefixo:

Esse é o ajuste que quase ninguém faz e que é praticamente de graça

Os provedores costumam cachear o prefixo da conversa (system prompt mais histórico)

Então system prompt estável, mesmos arquivos de contexto e mesma memória geram cache hits mais baratos nas mensagens seguintes da mesma sessão

E aqui vem a parte contraintuitiva: trocar de modelo no meio da sessão RESETA o cache de prompt

Em provedor com cache de prefixo (Anthropic, OpenAI), a troca repaga o custo total de input

Em sessão longa, costuma sair mais barato abrir uma sessão nova no outro modelo do que ficar alternando ida e volta

Pra facilitar, dá pra criar apelidos curtos e trocar com um comando:

/model <alias>

O /model funciona no CLI e em qualquer plataforma de mensagem, e aceita tanto o formato canônico (com provider e base_url) quanto a string curta

O erro comum deste passo: usar o /model como se fosse um botão de zapear

É tentador, é rápido, e é justamente por isso que ele vira ralo de dinheiro em sessão comprida

5. Enxugue o contexto e separe as tarefas:

Muita sessão cara é só uma sessão que virou três assuntos diferentes

/compress
/new payments-refactor

O /compress resume o histórico na hora que VOCÊ quiser, sem esperar o limiar

O /new abre sessão nova e aceita nome, o que ajuda demais quando você tem várias frentes no mesmo projeto

Depois disso, olha o que entra sozinho na conversa

O Hermes injeta .hermes.md, AGENTS.md, CLAUDE.md, SOUL.md global e .cursorrules

O AGENTS.md do diretório de trabalho entra no system prompt logo no início da sessão

Já os de subdiretórios são descobertos progressivamente durante as chamadas de ferramenta, e entram no resultado da ferramenta em vez do system prompt

A memória persistente também: ela não tem ação de leitura, o conteúdo é injetado no system prompt no início da sessão

Ou seja, tudo que você deixou escrito lá está sendo pago em TODA sessão

O erro comum deste passo: transformar a memória em manual

A própria documentação separa os papéis: memória guarda fatos (ambiente, preferências, onde ficam os projetos) e skill guarda procedimento (fluxo de vários passos, receita reutilizável)

Memória é o "o quê", skill é o "como", e misturar os dois é duplicar contexto pago

6. Delegue a subagentes o que não precisa do histórico:

A ferramenta delegate_task cria agentes filhos com conversa nova e contexto isolado

O filho NÃO conhece o histórico do pai, ele recebe apenas os campos goal e context

E, na volta, só o resumo final entra no contexto do pai: as chamadas de ferramenta intermediárias não entram

É como mandar alguém ler 40 arquivos e te trazer meia página

Os limites padrão: 3 subagentes concorrentes (configurável) e delegation.max_iterations 50 por subagente

O erro comum deste passo: achar que o teto do pai segura tudo

O total de iterações somando pai e filhos PODE passar do teto do pai, então delegação sem objetivo claro multiplica gasto em vez de cortar

7. Feche as bordas:

Aqui são os ajustes menores que, juntos, aparecem na conta

• Skills seguem divulgação progressiva: o skills_list() carrega uma lista compacta de todas as skills (cerca de 3 mil tokens) no início da sessão, o skill_view(name) carrega o SKILL.md completo só quando o agente decide que precisa, e skill_view(name, file_path) puxa um arquivo de referência específico sob demanda
• Tool Search é uma camada opt-in que adia os schemas de ferramentas MCP e de plugins, trocando elas por três ferramentas ponte: tool_search, tool_describe e tool_call
• Orçamento de iterações padrão de 500 turnos, e o max_turns limita quantos turnos de continuação uma goal pode gerar antes do Hermes pausar sozinho e pedir /goal resume
• Mixture of Agents: o reference_max_tokens vem SEM valor por padrão, ou seja, advisor sem cap escrevendo conselho quilométrico. Definir esse valor num preset limita a saída, e os slots de referência e agregação aceitam reasoning_effort com none, minimal, low, medium, high, xhigh, max e ultra
• Skill que delega ao Claude Code CLI: o teto de custo ali é --max-budget-usd, uma flag daquele CLI e não do hermes, com mínimo de cerca de US$ 0,05 por conta da criação do cache do system prompt

Sobre o Tool Search, um aviso honesto: parte da economia volta em tempo de execução

Você troca um custo fixo por turno (os três schemas ponte mais a listagem do catálogo) e ao menos uma ida e volta extra em ferramenta fria pela economia nos schemas adiados

E não há benefício de cache nos schemas adiados, embora o resultado de um tool_describe entre no histórico e passe a ser cacheado nos turnos seguintes

Já o teto de iterações é o seu freio contra objetivo mal definido, que é o irmão gêmeo do gasto sem fim: vale combinar esse ajuste com o que dá pra fazer pra conter o estrago de um erro antes dele acontecer

Na prática: rodando modelo gratuito no Hermes Agent

Tem um caminho de economia que não é config nenhuma: usar modelo que não cobra

No vídeo abaixo eu mostro na tela o site oficial do Hermes com o aviso da liberação gratuita do modelo da Nvidia, e explico que o próprio site traz as instruções de setup da ferramenta

Depois de instalar o Hermes, o modelo gratuito aparece pra ser selecionado no painel do provedor, e é bem "next, next e finish" mesmo

No vídeo eu apresento o Hermes como concorrente do OpenCode, destacando auto aprendizado e segurança extrema como diferenciais, e enquadro a liberação como o que ela é: oportunidade de usar um modelo top de linha sem pagar nada

Pra quem achar a configuração complicada, eu indico lá um vídeo do próprio canal com o passo a passo do setup

Sendo transparente: eu não medi custo por tarefa nesse teste, o vídeo é sobre o acesso ao modelo gratuito

O que dá pra dizer com segurança é onde essa peça encaixa no post: modelo sem cobrança é candidato natural pros slots auxiliares do passo 2, justamente porque título de sessão e sumarização não são o lugar onde você quer pagar raciocínio caro

E modelo gratuito é uma coisa, usar o Hermes em trabalho de cliente é outra discussão, que passa pela licença e não pelo preço do token

Quando cada ajuste compensa (e quando não)

Nem todo ajuste vale pra todo tipo de tarefa, então bora separar por cenário

Sessão longa de refatoração: aqui mandam a compressão calibrada e o cache estável

É o cenário onde o input domina, então segurar o system prompt, os arquivos de contexto e a memória parados vale mais do que qualquer outra coisa

E é o cenário onde trocar de modelo no meio dói mais, porque repaga o custo total de input

Pesquisa ampla: delegação, sem dúvida

O filho lê o mundo com contexto isolado e te devolve só o resumo final, então o histórico do pai não engorda com 200 chamadas de ferramenta

Automação em one-shot: o --usage-file deixa de ser curiosidade e vira instrumento

Como o relatório sai mesmo quando a execução falha, você consegue enxergar quanto está custando o que nem terminou

Setup com muitas ferramentas MCP: Tool Search, ciente da contrapartida

Se você tem um catálogo grande e usa poucas ferramentas por sessão, adiar os schemas faz sentido

Se você tem três ferramentas e usa as três sempre, a ida e volta extra e o custo fixo por turno provavelmente comem a economia

Tarefa curta: não faz nada

Sério, o ajuste não paga o esforço

Se é uma pergunta e uma resposta, otimizar protect_first_n é passatempo, não economia 😀

Resumo e próximo passo

A ordem que eu recomendo é essa, e ela é chata de propósito:

1. medir
2. rotear as tarefas auxiliares pra fora do modelo caro
3. calibrar contexto (compressão, arquivos injetados, memória, cache estável)
4. delegar o que não precisa do histórico

Quem pula o passo 1 fica ajustando threshold no escuro e depois não sabe dizer se melhorou

O próximo passo concreto é bem simples: roda /usage e hermes insights por uma semana ANTES de mexer em qualquer coisa

Depois aplica os ajustes e roda de novo por mais uma semana

É o único jeito de saber se você economizou de verdade ou só mudou o lugar onde o token está sendo gasto…

até o próximo post!