EverOS 是 EverMind-AI 开源的 AI Agent 长期记忆项目，目标是为自进化智能体提供一套可以构建、评估和集成的记忆基础设施。简单说，它想解决的是一个越来越核心的问题：当 AI Agent 不再只是单轮聊天工具，而是要跨天、跨会话、跨项目持续工作时，如何让它真正“记得住、找得到、用得上、还能持续进化”。
项目概览
EverOS 的 GitHub 仓库地址是 https://github.com/EverMind-AI/EverOS。根据官方 README，EverOS 是一个统一项目集合，围绕用例、架构方法和评测基准三部分组织，用来帮助开发者应用、构建和评估自进化 Agent 的长期记忆能力。
| 项目名称 | EverOS |
|---|---|
| 开发组织 | EverMind-AI |
| 项目定位 | 面向自进化 Agent 的长期记忆基础设施与评测集合 |
| 核心组件 | Use Cases、Architecture Methods、Benchmarks、EverCore |
| 技术栈 | Python 3.12、FastAPI、LangChain、Docker、向量检索与混合检索能力 |
| 许可证 | Apache-2.0 |
为什么 AI Agent 需要长期记忆？
传统大模型对话最大的问题之一，是“每次都像从头开始”。即使有上下文窗口，也很容易遇到成本高、信息冗余、旧任务遗忘、项目约定丢失等问题。真正进入生产环境的 AI Agent，往往需要长期跟踪用户偏好、项目决策、历史错误、工具调用结果和协作上下文。
EverOS 关注的正是这个问题。它不是简单地把所有内容塞进向量库，而是希望把长期记忆变成一套完整的工程系统：从记忆抽取、组织、检索、隔离、共享，到离线巩固和评测，都纳入统一框架。
EverOS 的整体结构
官方 README 把 EverOS 分成三个核心部分：
- Use Cases：展示长期记忆如何改变真实 Agent 工作流，例如 AI 编程助手、浏览器 Agent、可穿戴设备、多人协作 Agent、游戏 NPC 等。
- Architecture Methods：提供可以运行、扩展和比较的记忆系统与算法，例如 EverCore、HyperMem 等。
- Benchmarks：提供记忆质量与 Agent 自进化能力的评测套件，例如 EverMemBench、EvoAgentBench。
其中，EverCore 是项目的核心之一，官方将其描述为面向 Agent 的长期记忆操作系统。
核心亮点
1. EverCore：自组织长期记忆操作系统
EverCore 的定位是一个受生物印记启发的自组织记忆操作系统。它负责从对话中抽取、组织和检索长期知识，让 Agent 能够记住、理解并持续进化。官方 README 中还给出了 LoCoMo 和 LongMemEval 的结果，用于展示其长期记忆评测表现。
2. 多类型记忆：不只是“把内容存下来”
EverOS 官方站点强调，不同用户和 Agent 需要不同结构的记忆。例如 Profile Memory 适合保存长期身份、偏好和稳定信息；Episodic Memory 更适合记录交互历史；Project / Skill 类记忆则更贴近开发任务和自进化工作流。
3. Hybrid Retrieval：向量检索和关键词检索结合
单纯向量检索有时会漏掉精确实体、参数或专有名词；单纯关键词检索又缺乏语义理解。EverOS 的 Hybrid Retrieval 思路，是把稠密向量搜索和稀疏关键词匹配结合起来，让 Agent 在复杂记忆集中更容易找回正确上下文。
4. Skill Self-Evolution：从执行轨迹沉淀技能
EverOS 的一个重要方向是让 Agent 不只是“记住事实”，还要从历史执行轨迹中提炼可复用技能。官方站点提到，系统可以记录 Agent 的执行轨迹，并通过离线巩固把成功模式沉淀成 Skill Memories，从而降低重复试错成本。
5. 多级 Scope：解决记忆隔离与共享问题
在团队和多 Agent 场景中，记忆不是简单的全局共享。EverOS 提供了从 global、team、project、group 到 session 的多级作用域，让开发者可以控制每条记忆属于哪里、谁能访问、是否可以跨 Agent 共享。
对话 / 文件 / URL / 工具调用
边界检测 / 类型识别 / 元数据
多级 Scope / 持久化 / 版本管理
mRAG / Progressive Disclosure
核心目标：让 Agent 在下一次任务中直接继承有用经验，而不是每次从零开始。
快速上手：运行 EverCore
如果你想先体验 EverOS 的核心记忆系统，可以从 EverCore 入手。官方 README 给出的快速路径大致如下：
git clone https://github.com/EverMind-AI/EverOS.git
cd EverOS
cd methods/EverCore
# 需要 Python 3.12 和 Docker
docker compose up -d
# 安装依赖
curl -LsSf https://astral.sh/uv/install.sh | sh
uv sync
# 配置环境变量
cp env.template .env
# 编辑 .env，设置 LLM_API_KEY、VECTORIZE_API_KEY 等
# 启动服务
uv run python src/run.py
# 健康检查
curl http://localhost:1995/health启动后，可以通过 API 写入和检索记忆。例如，保存一段对话记忆后，再用 hybrid 方法搜索相关记忆。这种方式适合把 EverCore 接入自己的 Agent、CLI 编程助手或实验性应用中。
适合哪些场景？
| 场景 | 推荐理由 |
|---|---|
| AI 编程助手 | 让 Claude Code、Codex、Gemini CLI 等工具记住项目约定、历史错误和长期任务。 |
| 多 Agent 协作 | 通过 group / project scope 管理团队共享记忆，减少上下文重复传递。 |
| 个人 AI 助手 | 适合长期保存偏好、计划、项目背景和跨会话目标。 |
| 企业知识层 | 把组织内讨论、文档、决策沉淀成可检索的智能体记忆。 |
| 记忆系统评测 | EverMemBench、EvoAgentBench 可作为评估长期记忆和自进化能力的参考。 |
和普通 RAG 有什么不同？
普通 RAG 更像“从资料库里找相关内容”，而 EverOS 关注的是更完整的记忆生命周期。它不仅要能检索，还要能判断什么时候该记、记成什么类型、放在哪个 Scope、何时离线巩固，以及如何在下一次任务中注入最有价值的上下文。
这也是 EverOS 的价值所在：它把长期记忆从一个附加组件，提升成 Agent 系统的基础设施。
使用建议
- 先从单 Agent 场景开始：例如给 AI 编程助手接入项目记忆，验证是否能减少重复解释。
- 控制记忆范围：不要所有内容都全局共享，先明确哪些属于 session、project、team。
- 重视评测：长期记忆系统容易“看起来很聪明”，但必须用 benchmark 和真实任务衡量。
- 避免盲目堆上下文：真正有价值的是精准检索与分层注入，而不是把所有历史都塞进 prompt。
总结
EverOS 值得关注的地方，不只是“给 Agent 加一个记忆库”，而是把长期记忆做成了一个可构建、可运行、可评测、可进化的工程体系。它把用例、架构方法和基准测试放在同一个仓库里，非常适合想研究 AI Agent Memory、长期上下文、智能体自进化的开发者和团队。
随着 AI 编程助手、多 Agent 协作和个人智能体越来越普及，长期记忆很可能会成为下一代 Agent 基础设施的核心能力。EverOS 正是这个方向里一个值得收藏、研究和尝试的开源项目。
项目地址：https://github.com/EverMind-AI/EverOS
项目官网：https://evermind.ai/everos
资料来源：EverOS GitHub README、EverMind 官方项目页与相关文档。
评论