EverMind 发布了 EverOS，这是一个面向 AI 智能体的开源记忆运行时，采用 Apache 2.0 许可协议发布。它针对智能体构建者早期遇到的一个问题：大语言模型是无状态的。对话结束后，上下文就消失了。

EverOS 提出了一种不同的底层方案。它不是将记忆锁定在向量数据库中，而是将记忆以纯 Markdown 文件的形式写入。这些文件成为智能体跨会话读取、编辑和搜索的真实数据源。

摘要

• EverOS 将智能体记忆存储为可编辑的 Markdown 文件，并由 SQLite 和 LanceDB 建立索引。
• 混合检索将 BM25、向量搜索和标量过滤融合在单次查询中。
• 案例被提炼为可复用的技能，为智能体提供程序化、自进化的记忆能力。
• 基准测试得分很强，但由 EverMind 自行报告；请在自己的工作负载上验证。
• 它采用 Apache 2.0 开源，云端和自部署版本功能对等。

什么是 EverOS？

EverOS 是一个 Python 库和优先本地化的记忆运行时。它作为服务器运行，配备 CLI 和 FastAPI HTTP API，全程异步优先。你可以将其嵌入现有的智能体工作循环，而无需重建技术栈。

设计将记忆分为两条轨道。用户端记忆包含档案（Profiles）、片段（Episodes）、事实（Facts）和前瞻（Foresights）。智能体端记忆包含案例（Cases）和技能（Skills）。将两者分开的做法并不常见；大多数库只围绕聊天历史。

每条记录都以 .md 文件形式存储。你可以直接打开、编辑、用 grep 搜索、用 Git 管理版本，或在 Obsidian 中查看。独立的无状态库 EverAlgo 负责提取算法，而 EverOS 负责编排并持久化结果。

端点栈兼容 OpenAI 协议。只需更改 base URL，即可连接到 OpenAI、OpenRouter、vLLM、Ollama 或 DeepInfra。这使得集成只需一次配置变更。

运行时默认优先本地化。数据无需离开你的环境，且每一层都可检视。对于不想自部署的团队，可选托管版 EverOS Cloud。两者共享相同的 SDK、检索引擎和记忆格式。

架构——Markdown、SQLite 和 LanceDB

EverOS 采用三层存储栈。Markdown 是真实数据源。SQLite 管理状态与队列。LanceDB 管理向量、BM25 和标量过滤器。

这种设计故意比典型的生产级内存设置更轻量。不需要 MongoDB、Elasticsearch、Milvus、Redis 或 Kafka。对于独立开发者和小型团队来说，这降低了运营成本。

检索采用混合方式。单一的 LanceDB 查询同时结合了 BM25 关键词匹配、密集向量搜索和标量过滤。EverMind 将这种多模态检索路径称为 mRAG。

级联索引同步机制保持文件和索引的一致性。编辑 .md 文件会触发文件监视器，从而重新同步索引。内存保持可检查状态，且不会过时。

检索在标识符层面上也是正交的。你可以按 user_id、agent_id、app_id、project_id 和 session_id 来限定搜索范围。这种范围限定在多智能体和多用户部署场景中非常重要，因为这类场景需要数据隔离。

记忆如何自我进化——案例变为技能

一个显著特点是程序性记忆。EverOS 将每个完成的智能体任务记录为一个案例。重复出现的成功模式会在离线状态下被蒸馏成可复用的技能。

这就是所谓“自我进化”的直白表述。技能在智能体团队之间共享，无需人工整理，也不用硬编码。其目标是让智能体随着使用而不断改进，而不是每次会话都从头开始。

1.1.0 版本增加了更多的生命周期机制。它引入了知识 API，用于支持带分类和主题搜索的、基于来源的 Markdown 页面。还增加了反思（Reflection）功能，这是一个离线过程，用于合并会话片段，并在会话之间完善用户画像和技能。

记忆模型很简单。情景性记忆回答“发生了什么”，用户画像记忆回答“这个用户是谁”，程序性记忆回答“这个任务是怎么完成的”。

基准测试

EverMind 团队报告在 LoCoMo 上达到 93.05%，在 LongMemEval 上达到 83.00%，在 HaluMem 上达到 93.04%。同时还提及 p95 检索延迟低于 500 毫秒。LoCoMo 和 LongMemEval 衡量长期对话记忆能力，HaluMem 则针对记忆幻觉进行评估。这些数据来自 EverMind 发布的内容。

下表将 EverOS 与常见的替代方案在具体设计维度上进行了对比：

使用案例与实际示例

该库提供了与各类工作集成的链接。它们展示了持久性内存在真实产品中的能力。

Hive Orchestrator 是一个浏览器原生的蜂群式思维工具，专为 CLI 编码智能体设计。Claude Code、Codex、Gemini 和 OpenCode 通过共享团队协议以真实 PTY 进程的形式协作。

Reunite 利用语义记忆进行公共价值搜索。家长描述他们记得什么，孩子描述他们回忆起什么，系统则呈现其中的关联。

其他示例涵盖医疗保健和硬件领域。其中包括一个阿尔茨海默病记忆辅助工具和一个 AI 可穿戴设备。该可穿戴设备监听日常生活并将其转化为记忆。一个具备自我进化记忆的学习伙伴也在示例之中。更广泛的生态系统还增加了一个 Claude Code 插件和一个基于 MCP 的记忆层，用于编码辅助工具。

五分钟代码实践

安装使用标准 Python 工具链。EverOS 需要 Python 3.12 或更高版本。本地演示无需 API 密钥。

# Requires Python 3.12+
uv pip install everos        # or: pip install everos
everos demo                  # local educational visualizer, no keys
everos init                  # paste OpenRouter + DeepInfra keys into .env
everos server start          # starts the FastAPI server
curl http://127.0.0.1:8000/health   # -> {"status":"ok"}

添加和搜索记忆都是纯 HTTP 调用。下面的示例存储一条事实，强制提取，然后检索出来。

# 1) Add a short conversation
curl -X POST http://127.0.0.1:8000/api/v1/memory/add \
  -H 'Content-Type: application/json' \
  -d '{"session_id":"demo-001","app_id":"default","project_id":"default",
       "messages":[{"sender_id":"alice","role":"user","timestamp":1750000000000,
                    "content":"I love climbing in Yosemite every spring."}]}'

# 2) Flush to force extraction (local demo)
curl -X POST http://127.0.0.1:8000/api/v1/memory/flush \
  -H 'Content-Type: application/json' \
  -d '{"session_id":"demo-001","app_id":"default","project_id":"default"}'

# 3) Search it back
curl -X POST http://127.0.0.1:8000/api/v1/memory/search \
  -H 'Content-Type: application/json' \
  -d '{"user_id":"alice","app_id":"default","project_id":"default",
       "query":"Where do I like to climb?","top_k":5}'

多模态摄入是一个可选功能。安装 everos[multimodal] 可增加对图片、PDF 和音频的解析支持。Office 文档额外需要 LibreOffice，它会先将文件转换为 PDF 再进行解析。

试试看：交互式记忆演示

下面的嵌入式演示会在你的浏览器中模拟 EverOS 循环。添加一段文本，观察它被提取并打上标签，然后通过混合检索找回它。该演示仅供示意，不连接真实服务器。