Pilha de Conhecimento ao Estilo Karpathy: Por que Coloquei Hermes, MiniMax M3 e Obsidian no Centro

A maioria das pessoas trata notas, modelos e agentes como três mundos separados

Essa stack funde tudo em um único ciclo de feedback:

Obsidian como sua memória, Hermes como seu agente, MiniMax M3 como o núcleo de raciocínio

Por que uma "stack de conhecimento" supera um "app de notas"

O PKM clássico quebra de três maneiras previsíveis:

• As notas são escritas uma vez e nunca atualizadas
• Os chats de IA são inteligentes, mas amnésicos – toda sessão começa do zero
• O contexto para trabalhos sérios constantemente sai da RAM – a sua e a do modelo

O que realmente queremos:

• Um grafo local e linkável de tudo que sabemos
• Um agente que viva dentro desse grafo, não acima dele
• Um modelo de fronteira que consiga raciocinar sobre um contexto real enorme, não apenas 2-3 parágrafos

Hermes + MiniMax M3 + Obsidian te dão isso:

• Obsidian – grafo markdown local com backlinks, visão de grafo e um ecossistema de plugins projetado para bases de conhecimento pessoais
• Hermes Agent – agente open-source auto-aprimorável com um loop de aprendizado embutido, ferramentas e tarefas de longa duração que roda na sua própria infraestrutura
• MiniMax M3 – o modelo que eu realmente executo dentro do Hermes todos os dias. Contexto longo, multimodal, agentivo. Escolhi porque queria um único modelo que pudesse ler meu cofre inteiro, meus logs e uma pilha de novos artigos brutos em uma única janela de contexto – sem precisar montar um pipeline de RAG. Depois de alguns meses de uso real, ele se mantém como meu padrão. Mais sobre o motivo abaixo

O resultado parece menos com "usar um LLM" e mais com treinar lentamente um segundo cérebro

Por que escolhi o M3 (e o que percebi)

Não escolhi o M3 por causa de um benchmark

Escolhi porque todo outro modelo que testei em 2025 tinha o mesmo modo de falha no meu fluxo de trabalho:

ele resumia uma única nota bem, mas no momento em que pedia para ler dez notas, fazer referência cruzada com meus MOCs e escrever uma nova de volta, ele perdia o fio da meada

Os sintomas eram sempre os mesmos:

• O resumo era localmente coerente, mas globalmente errado
• Citava um projeto que não estava no arquivo
• Usava uma tag de uma taxonomia diferente
• Inventava um wikilink para uma página que não existia

O modelo era inteligente. O fluxo de trabalho era maior do que o modelo

O M3 foi o primeiro que testei onde o grafo inteiro cabia no contexto e permanecia lá durante toda a tarefa

Três coisas se destacaram no uso real:

1. Ele realmente usa minha taxonomia Tenho ~41 tags em um esquema fixo (#coin/\, [#project](https://x.com/search?q=%23project&src=hashtag_click)/\, #concept/*, #solana-internal, #meta). Quando peço ao M3 para compilar uma nova nota, ele escolhe a tag primária correta na primeira tentativa cerca de 90% das vezes.

Com um modelo de 200K de contexto, eu estava em cerca de 60%. A diferença é que o M3 vê toda a paisagem de tags de uma vez e raciocina sobre ela, em vez de adivinhar a partir de alguns exemplos.

1. Ele não perde o fio da meada em loops agentivos longos Uma verificação completa do cofre são 30+ chamadas de ferramentas: ler MOC, seguir wikilinks, contar tags, procurar duplicatas, escrever o relatório.

A maioria dos modelos começa a desviar por volta da chamada 8-9.

O M3 permanece coerente até o fim. Esse é o maior motivo pelo qual parei de rodar o contexto em uma sessão nova a cada 20 minutos.

1. Ele trata referências futuras como um recurso Quando peço para compilar uma nota e um conceito ainda não existe, o M3 escreve "Forward Reference" mesmo assim.

O Obsidian renderiza como um link cinza. Eu faço a triagem desses uma vez por semana durante a verificação.

Isso é muito melhor do que um modelo que inventa uma nota falsa ou pula o link completamente.

Três ressalvas honestas após meses de uso:

• A latência da primeira chamada é alta. O Hermes pré-carrega o contexto. Não julgue o M3 pelos primeiros 3 segundos – dê 10 segundos.
• Ele vai escrever com confiança um [[wikilink]] para uma página que não existe. Esse é o comportamento de "referência futura" acima. Só vira problema se você pular a verificação semanal.
• Multimodal é real, mas para PDFs com muitos diagramas ainda recorro a uma ferramenta de visão dedicada primeiro. O M3 lê texto de imagens e capturas de tela curtas bem. Para páginas completas com figuras, não é a ferramenta certa.

Essa é toda a proposta.

O modelo é bom exatamente na coisa que um fluxo de cofre precisa: ler o grafo inteiro de uma vez e escrever de volta nele sem perder a estrutura.

Camada 1 – Obsidian como a verdade fundamental

Obsidian é a camada base chata, mas crítica, nessa stack

• Seu conhecimento vive como arquivos markdown simples no disco, não trancado na nuvem de alguém
• Backlinks, visão de grafo e notas diárias ajudam ideias a convergir em clusters, em vez de desaparecer no histórico do chat
• Plugins transformam o Obsidian em um grafo programável de documentos, tarefas e conjuntos de dados que um agente pode percorrer sistematicamente

O princípio é simples:

Se vale a pena manter, vive no Obsidian primeiro Se o agente fizer algo útil, deve acabar como uma nota

Uma estrutura prática:

1/obsidian-vault
2  /inbox
3  /people
4  /projects
5  /research
6    ai-agents.md
7    minimax-m3-benchmarks.md
8  /ai
9    hermes-playbook.md
10    agents-ideas.md

O Hermes vai ler, refatorar e criar essas notas – mas o cofre continua sendo a fonte da verdade

Camada 2 – Hermes como o operador auto-aprimorável

É aqui que a stack deixa de ser "um sistema de notas com um LLM" e começa a se comportar como infraestrutura

Hermes Agent é um agente de IA auto-aprimorável construído por @NousResearch

Ele mantém um modelo persistente de você e seu trabalho, cria habilidades a partir da experiência, melhora-as durante o uso e pesquisa suas próprias conversas passadas para relembrar contexto relevante, em vez de reiniciar a cada sessão

Você pode executar o Hermes de duas maneiras principais:

• Como uma ferramenta CLI no Linux, macOS ou WSL2
• Via Hermes Desktop – um aplicativo nativo para macOS, Windows e Linux que envolve o mesmo núcleo do agente em uma interface gráfica

Caminhos de instalação

macOS / Linux / WSL2 (CLI)

Este comando de uma linha instala o Hermes Agent, configura o ambiente e expõe o comando global hermes

1curl -fsSL https://hermes-agent.nousresearch.com/install.sh | bash

Após a instalação:

1source ~/.bashrc 2>/dev/null || true
2source ~/.zshrc 2>/dev/null || true
3hermes

Windows PowerShell (CLI)

1irm https://hermes-agent.nousresearch.com/install.ps1 | iex

O instalador do Windows lida com Python 3.11, Node.js 22, ripgrep, ffmpeg e Git Bash portátil, depois adiciona hermes ao seu PATH

Hermes Desktop (GUI)

Se você não quiser viver no terminal, baixe o Hermes Desktop da página oficial do desktop e execute o instalador nativo para macOS, Windows ou Linux.

• Use o Desktop quando quiser uma GUI nativa em vez de uma configuração CLI, integração mais simples e o mesmo núcleo Hermes sem bootstrapping manual de shell
• Use a CLI quando quiser reprodutibilidade, scripts, implantação em servidor remoto/VPS e controle preciso sobre ferramentas, variáveis de ambiente e fluxos de trabalho de longa duração

A maioria das pessoas usará ambos: Desktop para interação diária, CLI para configuração, automação e trabalho remoto

Arquitetura – como a stack realmente se encaixa

O modelo mental limpo:

1Obsidian Vault
2   ↓
3Hermes Agent
4   ↓
5MiniMax M3
6   ↓
7Notas atualizadas, resumos, habilidades, tarefas agendadas

Cada camada tem um trabalho distinto:

• Obsidian armazena suas notas como arquivos markdown, o que facilita indexar, pesquisar, fazer diff e versionar
• Hermes é a camada de orquestração – ele lê arquivos, executa ferramentas, lembra de trabalhos anteriores, agenda tarefas e decide quando persistir algo útil. Ele também pode se conectar a plataformas de mensagens e gateways
• MiniMax M3 é o motor de raciocínio nesta stack. Ele lê grandes coleções de notas, reescreve notas bagunçadas, compara documentos no cofre e lida com tarefas agentivas de longa duração sem esquecer o que estava no topo do contexto há 20 chamadas de ferramentas
• No meu fluxo de trabalho, essa última parte é o grande diferencial: uma verificação completa do cofre, uma refatoração entre MOCs ou uma tarefa de "compilar este artigo em uma nota de 5 seções e atualizar 3 MOCs" com 30 chamadas permanece coerente do início ao fim
• A alegação de "arquitetura MSA" é marketing. A experiência vivida é: posso executar uma tarefa por 20 minutos e o modelo ainda sabe o que pedi para fazer no minuto 1

Hermes não está substituindo o Obsidian. Ele fica entre seu cofre e o modelo, transformando o cofre em algo acionável

Um loop realista:

• Você captura ideias brutas no Obsidian
• Hermes lê o cofre ou pastas específicas
• Hermes envia o conjunto de notas relevante para o MiniMax M3
• M3 reestrutura, etiqueta, vincula, resume ou expande o material
• Hermes escreve o resultado de volta no cofre como markdown limpo

Esse loop – não um chat único – é o verdadeiro produto

Configuração real – conecte o Hermes ao seu cofre

Mantenha seu cofre do Obsidian em um local normal do sistema de arquivos e exponha esse caminho para o Hermes.

macOS / Linux

1export OBSIDIAN_VAULT="$HOME/Documents/Obsidian/MainVault"
2ls "$OBSIDIAN_VAULT"

Windows PowerShell

1$env:OBSIDIAN_VAULT="$HOME\Documents\Obsidian\MainVault"
2Get-ChildItem $env:OBSIDIAN_VAULT

Agora execute o assistente de configuração do Hermes:

1hermes setup

Ou, para o caminho mais curto via Nous Portal (provedor automático, Tool Gateway, etc.):

1hermes setup --portal

A documentação oficial recomenda \hermes setup\ como o comando principal de integração e \--portal\ como um atalho para configuração vinculada à conta e provedor

Em seguida, verifique a instalação:

1hermes doctor

hermes doctor verifica dependências, PATH, configuração do provedor e sinaliza problemas comuns antes de você começar a conectar modelos e ferramentas

Camada do modelo – conectando o Hermes ao MiniMax M3

O Hermes trata "qual modelo usar" como uma configuração de primeira classe, não uma suposição fixa.

Você escolhe e atualiza modelos usando o próprio Hermes, em vez de editar arquivos de configuração manualmente.

O comando principal:

1hermes model

Isso abre um fluxo de seleção de modelo onde o Hermes lista provedores e modelos suportados e permite que você escolha o backend que expõe o MiniMax M3

Caminho prático de configuração:

1. Instale o Hermes (CLI ou Desktop)
2. Execute hermes setup ou hermes setup --portal
3. Execute hermes model
4. Escolha o caminho do provedor que lhe dá acesso ao MiniMax M3
5. Salve-o como seu modelo de contexto longo padrão

Se você já conhece suas variáveis de ambiente e o formato do provedor, também pode definir valores específicos com:

1hermes config set

A documentação chama hermes config set de método suportado para escrever valores de configuração individuais sem editar arquivos manualmente.

Na minha configuração diária, o M3 é o padrão para qualquer coisa que eu teria que dividir em várias chamadas de modelo. Concretamente:

• Ler pastas grandes de notas onde a resposta depende do grafo, não de um único arquivo
• Mesclar notas duplicadas ou sobrepostas – isso é um problema de grafo, não de texto
• Escrever resumos estruturados e visões gerais na minha voz (o template de 5 seções, a taxonomia de 41 tags)
• Cadeias de pesquisa longas onde o contexto continua crescendo – tarefas abertas de "compilar, depois atualizar 3 MOCs, depois escrever 3 ideias de tópicos"
• Tarefas agentivas de múltiplas etapas com muito código, onde o modelo precisa lembrar seu próprio histórico de ferramentas por mais de 20 chamadas

Eu mantenho um modelo pequeno e rápido no Hermes para ações utilitárias minúsculas (renomear um arquivo, encontrar uma string, formatar YAML).

Para tudo acima – M3. A divisão é aproximadamente: modelo barato para tarefas mecânicas, M3 para tarefas de raciocínio. Depois de algumas semanas, o roteamento se torna invisível.

Regra prática:

use um modelo rápido e barato para ações utilitárias minúsculas. Use o MiniMax M3 para qualquer coisa que dependa de contexto grande, estrutura ou raciocínio longo. É aí que a stack se torna significativamente melhor do que o chat padrão

Padrão de trabalho – pastas que realmente escalam

Se você quer que isso funcione para pessoas reais, a estrutura do cofre é importante.

Um layout prático:

1MainVault/
2  Inbox/
3  Projects/
4  People/
5  Reading/
6  Daily/
7  Reviews/
8  AI/
9    Hermes/
10    MiniMax/

Por que isso funciona:

• Inbox/ captura capturas brutas e despejos grosseiros
• Daily/ é para registros diários de baixo atrito
• Reading/ armazena notas de fonte, destaques e citações
• Projects/ armazena resultados duráveis e trabalho em andamento
• Reviews/ armazena sínteses semanais e mensais

O Hermes funciona melhor quando cada pasta tem um trabalho claro. Se seu cofre é caótico, o Hermes ainda vai ajudar, mas vai gastar mais tempo interpretando a bagunça em vez de melhorá-la

Uma regra operacional simples:

• Humanos escrevem livremente em Inbox/, Daily/ e Reading/
• Hermes pode resumir em Projects/, Reviews/ e pastas temáticas como AI/
• Notas de longo prazo vivem em pastas estáveis e previsíveis

Isso dá limites de permissão ao agente, mesmo que você nunca os formalize em YAML.

Tarefas que realmente valem a pena automatizar

*Os casos de uso mais fortes do Hermes não são "responder a uma pergunta" - São transformações recorrentes*

Exemplos concretos:

• Transformar a nota diária de ontem em um resumo estruturado
• Mesclar 10 notas de leitura brutas em uma nota perene
• Extrair perguntas em aberto de uma pasta de projeto
• Construir uma revisão semanal a partir de notas dispersas
• Comparar notas atuais com as mais antigas e destacar opiniões alteradas

É aqui que o MiniMax M3 mostra seu valor.

Um modelo de contexto curto padrão pode resumir uma única nota bem.

O M3 pode resumir uma pasta de 50 notas, fazer referência cruzada com os 10 MOCs no meu cofre e propor uma visão geral de 1.000 palavras que realmente usa minha própria voz e tags – porque ele viu o grafo inteiro.

A tarefa que executo com mais frequência: colocar um artigo novo em raw/, pedir ao M3 para compilá-lo em uma nota de 5 seções (# Profile → # Context in my research → # Links into vault → # Tags → # Related) e observar:

• ele escolher corretamente uma tag da minha taxonomia de 41 tags,
• escrever de 8 a 12 wikilinks para notas existentes,
• me dizer qual MOC precisa de atualização.

Com um modelo de 200K, eu conseguia talvez 3 desses 4 itens corretos Com o M3, consigo todos os 4 em uma única passada, em um cofre de ~500 arquivos

O efeito cumulativo: cada nota que compilo neste estilo se torna parte do contexto do M3 para a próxima pergunta que faço.

Após 6 meses de compilações semanais, o modelo "conhece" minha voz, meu sistema de tags e quais MOCs atualizo para qual tipo de trabalho – sem eu precisar treinar nada novamente.

Um fluxo típico do terminal:

1hermes

Depois, dentro do Hermes, você pede tarefas como:

• "Leia tudo em Reading/AI Agents/ e crie uma nota consolidada chamada agent-architecture-overview.md"
• "Varra Daily/ dos últimos 7 dias e escreva uma revisão semanal em Reviews/2026-W24.md"
• "Encontre ideias duplicadas entre Inbox/ e Projects/ e proponha mesclagens"

A redação exata é flexível, mas a ideia central é: cada tarefa mapeia para pastas reais e produz saídas markdown reais

Agendamento e trabalho não supervisionado

O Hermes é construído não apenas para chat, mas também para gateways, agendadores e execução em segundo plano

Isso é importante porque os melhores fluxos de trabalho de PKM são geralmente assíncronos, não ad-hoc.

Tarefas agendadas úteis:

• Toda manhã às 08:00 – resumir as notas de ontem em um resumo diário em Reviews/
• Toda sexta-feira – gerar uma revisão semanal de Daily/ e Projects/
• Uma vez por dia – procurar notas órfãs e problemas estruturais
• Toda noite – transformar novos destaques de leitura em notas atômicas e vinculá-las

A mudança arquitetural é grande:

• As respostas do chat desaparecem
• A manutenção agendada de notas se acumula

Com o tempo, esse efeito cumulativo é o que transforma "apenas notas" em um verdadeiro segundo cérebro

Caminho prático completo, do início ao fim

1. Instale o Hermes

macOS / Linux / WSL2:

1curl -fsSL https://hermes-agent.nousresearch.com/install.sh | bash

Windows:

1irm https://hermes-agent.nousresearch.com/install.ps1 | iex

Desktop:

• Baixe o Hermes Desktop da página oficial do desktop e execute o instalador nativo no macOS, Windows ou Linux.

2. Configure o agente

1hermes setup
2# ou
3hermes setup --portal

3. Verifique a saúde

1hermes doctor

4. Escolha seu modelo

1hermes model

Selecione o caminho do provedor que expõe o MiniMax M3 e salve-o como o modelo padrão para trabalhos de contexto longo.

5. Inicie o Hermes e torne-o real

1hermes

Neste ponto, o primeiro movimento útil não é "escrever código". É:

• Aponte o Hermes para o seu cofre
• Dê a ele exatamente uma pasta
• Peça para produzir um artefato markdown limpo
• Abra-o no Obsidian e inspecione o resultado
• Itere até que esse fluxo de trabalho se torne entediante e confiável

Assim que um loop estiver sólido, adicione outro -> Depois mais um.

É assim que você transforma Hermes + MiniMax M3 + Obsidian de uma ideia legal em infraestrutura real

Se você achou isso útil:

• Marque este artigo. Os links mudam e novos repositórios surgem toda semana – você precisará disso como referência
• Curta e reposte o tópico acima para ajudar outros construtores a escapar da armadilha do chatbot
• Para mergulhos semanais em arquitetura de IA, trading quantitativo e a economia dos agentes. Siga-me: @polydao
• Entre no Canal do TG: Buzzoni Notes – aqui compartilho meus prompts brutos, habilidades personalizadas e conteúdo alfa que é cedo demais para o X

Não apenas leia. Construa. Mude seu fluxo de trabalho a partir de hoje