EverOS：给AI Agent装上一颗不会忘的大脑
> 一句话：EverOS 不是又一个向量数据库，它是 AI Agent 的长期记忆操作系统——把 Stateless LLM 变成能从经验中自我进化的 Stateful Agent。
---
🔥 为什么这件事很重要？
当前的大语言模型有个致命缺陷：每次对话都是全新的开始。你昨天跟它讨论过的架构方案、它替你排查过的 Bug、你反复调整过的偏好设置——今天全归零。
这就是 AI 的"金鱼记忆"问题。EverOS 要解决的，正是这个被行业长期忽视的基础设施层。
> "我们不是在给 AI 堆栈加另一层，EverOS 是下一代智能 Agent 的核心数据基础设施——我们的使命是解决 AI 的核心弱点：它不会记住。" —— EverMind 团队
---
🧠 四层架构：模仿人脑的记忆操作系统
EverOS 的架构直接对标人脑的信息处理流程，分为四个层级：
| 层级 | 功能 | 人脑类比 |
|---|---|---|
| Agentic Layer | 任务理解、规划、执行 | 前额叶皮层 |
| Memory Layer | 长期存储与检索 | 皮层记忆网络 |
| Index Layer | Embeddings、KV 对、知识图谱索引 | 海马体 |
| API/MCP Interface | 与外部企业系统集成 | 感觉接口 |
---
⚡ 核心创新：MemCell → MemScene → Skill 的三级进化
第一阶段：Episodic Trace Formation（情景痕迹形成）
对话流被转化为 MemCell——原子级记忆单元，每个 MemCell 包含：
- Episodes（情景片段）
- Atomic facts（原子事实）
- Foresight（预见性知识，带有效期）
- Metadata（元数据）
第二阶段：Semantic Consolidation（语义巩固）
在线增量聚类将 MemCell 组织成 MemScene（主题记忆集群），同时更新紧凑的 User Profile。这解决了传统向量检索的两个致命问题： 1. 相似性检索的稳定性缺陷——相似≠相关 2. 长期上下文理解的碎片化——没有主题组织
第三阶段：Reconstructive Recollection（重构性回忆）
只检索必要且充分的信息来回答查询，避免信息过载。
---
🎯 Agent Memory：从轨迹到技能的自动化蒸馏
这是 EverOS 最狠的功能——它不只是记住你说的话，它还会总结你的 Agent 是怎么干活的。
Agent Case（案例记录）
当 Agent 完成一次任务，EverOS 会记录：
- Task intent（任务意图）——未来检索的钥匙
- Approach（方法）——压缩的问题解决路径，包括失败和修正
- Quality score（质量评分）——自评估 0-1
Skill 自动生成
当某个主题下的 Case 积累到一定密度，系统自动触发 Skill 生成——把重复模式提炼成可复用的最佳实践。Skill 经过验证后才对后续 Agent 可见，确保只有成熟可靠的知识被传递。
> Agent 第一次解决问题时，它自己摸索。第十次，已经有 Skill 等着它了。
---
📊 Benchmark：SOTA 性能
| 基准测试 | 准确率 | 说明 |
|---|---|---|
| LoCoMo | 93.05% | 长上下文记忆基准，含单/多跳推理 |
| LongMemEval | 83.00% | 多会话对话评估 |
| HaluMem | 90.04% | 持续学习技术，记忆留存随时间增强 |
🛠️ 快速上手
git clone https://github.com/EverMind-AI/EverOS.git
cd EverOS
# 启动 EverCore（Docker + Python 3.12）
cd methods/EverCore
docker compose up -d
uv sync
uv run python src/run.py
# 验证
curl http://localhost:1995/health
组件选择：
- EverCore — 构建带长期记忆的 Agent（LoCoMo 93.05%）
- HyperMem — 超图记忆架构（LoCoMo 92.73%）
- EverMemBench — 记忆质量评估
- EvoAgentBench — Agent 自我进化评估
🔍 与 Mem0 的对比
| 维度 | Mem0 | EverOS |
|---|---|---|
| 记忆模型 | 存储-检索 | 生命周期（engram 原理） |
| 数据结构 | 扁平向量 | MemCell → MemScene 层级 |
| Agent 学习 | 无 | Cases → Skills 自动蒸馏 |
| 多模态 | 有限 | 原生支持（PDF/图片/URL via mRAG） |
| 评估基准 | 自建 | 开放 LoCoMo/LongMemEval/HaluMem |
| 部署方式 | 云服务 | 云服务 + 完全开源 |
💡 我的判断
可信度：高。有开放基准、可复现结果、完整的学术背书（Press Release 来自美国今日、Barchart 等主流媒体）。
局限性： 1. 本地部署需要 Docker + Python 3.12 + LLM API Key，门槛不低 2. 持续学习的"记忆增强"效果需要长期运行才能显现，短期体验可能不明显 3. 多模态 mRAG 的实际效果待更多社区验证
与已知工作的关系：
- 比 Mem0 更系统，比 RAG 更智能，比简单的向量数据库更有"进化"概念
- 填补了 AI Agent 基础设施中的一个关键空白——记忆层的标准化
📚 参考链接
- GitHub: https://github.com/EverMind-AI/EverOS
- 官方博客: https://evermind.ai/blogs/introducing-self-evolving-agent-memory
- 对比文章: https://evermind.ai/blogs/mem0-alternative
- 官网: https://evermind.ai