返回
原文
MarkTechPost（RSS）
精选
74AI 编辑部评分，满分 100

EverOS：开源Markdown优先智能体记忆运行时，支持混合检索与自进化技能

2026-06-29 18:42· 45天前· Asif Razzaq
AI 导读

EverMind 推出开源智能体记忆运行时 EverOS（Apache 2.0 许可）。它以可编辑的 Markdown 文件为记忆主体，经 SQLite 管理状态、LanceDB 实现混合检索（BM25 关键词 + 向量搜索 + 标量过滤）。每个完成的任务记录为 Case，离线提炼为可复用的 Skill，使记忆随使用自我进化。v1.1.0 新增 Knowledge APIs（支持分类与话题搜索的 Markdown 页面）和 Reflection（跨会话优化 Profile 和 Skill）。据 EverMind 报告，LoCoMo 得分 93.05%，LongMemEval 83.00%，HaluMem 93.04%，p95 检索延迟低于 500ms。运行时可本地优先部署，也提供 EverOS Cloud 托管选项，兼容 OpenAI 协议端点。

推荐理由

EverOS把Agent记忆从沉重的向量数据库堆栈中解放出来，Markdown源真和自进化技能让本地开发更轻便，但基准全由团队自报，上手前最好自己测一下。

正文 · AI 翻译

EverMind 发布了 EverOS，这是一个面向 AI 智能体的开源记忆运行时。它采用 Apache 2.0 许可证发布。它针对的是智能体构建者在早期就会遇到的一个问题：大语言模型是无状态的。对话一旦结束，上下文就消失了。

EverOS 提出了一种不同的基础架构。它没有将记忆锁定在向量数据库内部，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、编辑和搜索的事实来源。

概要

  • 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整合到一次查询中。
  • 案例可提炼为可复用的技能，赋予智能体程序化的、自我演进的记忆能力。
  • 基准测试分数表现强劲，但由 EverMind 自行报告；请根据自身工作负载进行验证。
  • 该项目在 Apache 2.0 许可证下开源，云端和自托管功能一致。

什么是 EverOS？

EverOS 是一个 Python 库和一个本地优先的记忆运行时。它作为一个服务器运行，配有 CLI 和 FastAPI HTTP API，全程异步优先。你可以将其嵌入现有的智能体循环中，而无需重建技术栈。

该设计将记忆分为两个轨道。用户侧记忆包含用户画像、事件片段、事实和前瞻。智能体侧记忆包含案例和技能。将两者分开的做法并不常见；大多数库仅围绕聊天历史进行设计。

每条记录都以 `.md` 文件的形式存储。你可以打开、编辑、使用 grep 搜索、进行 Git 版本管理，或在 Obsidian 中查看。EverAlgo 是一个独立的无状态库，负责处理提取算法。EverOS 则负责编排并持久化结果。

端点栈与 OpenAI 协议兼容。通过更改基础 URL，它可以连接到 OpenAI、OpenRouter、vLLM、Ollama 或 DeepInfra。这使得集成几乎只需更改一处配置。

该运行时默认采用本地优先架构。数据无需离开你的环境，并且每一层都是可检查的。对于不希望自托管的团队，还提供了托管的 EverOS Cloud 选项。两者共享相同的 SDK、检索引擎和记忆格式。

架构——Markdown、SQLite 和 LanceDB

EverOS 使用三层存储栈。Markdown 是事实来源。SQLite 管理状态和队列。LanceDB 管理向量、BM25 和标量过滤器。

这比典型的生产级记忆系统设置要轻量得多。无需 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。

检索是混合式的。单个 LanceDB 查询结合了 BM25 关键词匹配、稠密向量搜索和标量过滤。EverMind 将这种多模态检索路径称为 mRAG。

级联索引同步机制确保文件与索引保持一致。编辑 `.md` 文件会触发文件监听器，从而重新同步索引。记忆保持可检查状态，且不会过时。

检索在不同标识符之间也是正交的。你可以通过 user_id、agent_id、app_id、project_id 和 session_id 来限定搜索范围。这种范围限定在需要数据隔离的多智能体和多用户部署中非常重要。

记忆如何自我进化——案例变为技能

一个显著特征是程序性记忆。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提炼为可复用的技能。

这就是所谓的“自我进化”，说得直白些。技能在智能体团队中共享，无需人工管理，也无需硬编码。目标是让智能体在使用中不断改进，而不是每次会话都从头开始。

1.1.0 版本增加了更多生命周期管理机制。它引入了知识 API，用于支持带有分类和主题搜索的、基于源文件的 Markdown 页面。还增加了反思功能，这是一个离线处理过程，用于合并情节簇，并在会话之间优化用户画像和技能。

记忆模型很简单。情景记忆回答“发生了什么”。画像记忆回答“这个用户是谁”。程序性记忆回答“这个任务如何完成”。

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%。它还引用了低于 500 毫秒的 p95 检索延迟。LoCoMo 和 LongMemEval 衡量长期对话记忆；HaluMem 针对的是记忆幻觉。这些数据来自 EverMind 的发布文章。

下表将 EverOS 与常见的替代方案在具体设计维度上进行了比较：

维度EverOS朴素 RAG全上下文窗口其他记忆库
数据源纯 Markdown .md 文件向量数据库记录仅提示词API 或数据库状态
本地技术栈Markdown + SQLite + LanceDB向量数据库 + 应用代码无通常是托管服务
检索混合 BM25 + 向量 + 标量仅稠密向量无（不进行检索）视情况而定
程序性记忆案例被提炼为技能无无罕见
多模态摄入一次调用处理 PDF、图片、Office 文档、URL手动流程仅通过上下文部分
LoCoMo 准确率93.05%（EverMind 报告）—不适用（上下文限制）视情况而定
许可证Apache 2.0视情况而定不适用视情况而定 / 专有

用例及实际示例

该库链接了可用的集成方案。它们展示了持久化记忆在实际产品中能够实现的功能。

Hive Orchestrator 是一个浏览器原生的蜂巢思维系统，专为命令行编码智能体设计。Claude Code、Codex、Gemini 和 OpenCode 通过共享的团队协议，以真实的 PTY 进程形式进行协作。

Reunite 利用语义记忆进行公共价值搜索。父母描述他们记得的事情，孩子描述他们回忆的内容，系统则会呈现其中的关联。

其他示例涵盖医疗和硬件领域。其中包括一个阿尔茨海默症记忆助手和一个 AI 可穿戴设备。该可穿戴设备能聆听日常生活并将其转化为记忆。一个具有自我进化记忆功能的学习伙伴也在示例之列。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，用于编码助手。

五分钟代码讲解

安装使用标准的 Python 工具。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简单的 HTTP 调用。下面的示例存储一个事实，强制进行提取，然后将其检索出来。

# 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附加功能。安装 `everos[multimodal]` 可以增加对图片、PDF 和音频的解析能力。Office 文档额外需要 LibreOffice，它会在解析前将文件转换为 PDF。

试试看：交互式记忆演示

下面嵌入的演示在您的浏览器中模拟了 EverOS 的循环流程。添加一段内容，观察它被提取和标记，然后通过混合检索将其搜索回来。此演示仅供说明，并未连接到真实服务器。

智能体MCP/工具开源/仓库

来源：MarkTechPost（RSS） · marktechpost.com

导出 Markdown
返回
精选AI 评分 74/100打开原文
导出 Markdown

EverOS：开源Markdown优先智能体记忆运行时，支持混合检索与自进化技能

MarkTechPost（RSS）·2026-06-29 18:42·45天前·Asif Razzaq
AI 导读

EverMind 推出开源智能体记忆运行时 EverOS（Apache 2.0 许可）。它以可编辑的 Markdown 文件为记忆主体，经 SQLite 管理状态、LanceDB 实现混合检索（BM25 关键词 + 向量搜索 + 标量过滤）。每个完成的任务记录为 Case，离线提炼为可复用的 Skill，使记忆随使用自我进化。v1.1.0 新增 Knowledge APIs（支持分类与话题搜索的 Markdown 页面）和 Reflection（跨会话优化 Profile 和 Skill）。据 EverMind 报告，LoCoMo 得分 93.05%，LongMemEval 83.00%，HaluMem 93.04%，p95 检索延迟低于 500ms。运行时可本地优先部署，也提供 EverOS Cloud 托管选项，兼容 OpenAI 协议端点。

正文 · AI 翻译

EverMind 发布了 EverOS，这是一个面向 AI 智能体的开源记忆运行时。它采用 Apache 2.0 许可证发布。它针对的是智能体构建者在早期就会遇到的一个问题：大语言模型是无状态的。对话一旦结束，上下文就消失了。

EverOS 提出了一种不同的基础架构。它没有将记忆锁定在向量数据库内部，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、编辑和搜索的事实来源。

概要

  • 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整合到一次查询中。
  • 案例可提炼为可复用的技能，赋予智能体程序化的、自我演进的记忆能力。
  • 基准测试分数表现强劲，但由 EverMind 自行报告；请根据自身工作负载进行验证。
  • 该项目在 Apache 2.0 许可证下开源，云端和自托管功能一致。

什么是 EverOS？

EverOS 是一个 Python 库和一个本地优先的记忆运行时。它作为一个服务器运行，配有 CLI 和 FastAPI HTTP API，全程异步优先。你可以将其嵌入现有的智能体循环中，而无需重建技术栈。

该设计将记忆分为两个轨道。用户侧记忆包含用户画像、事件片段、事实和前瞻。智能体侧记忆包含案例和技能。将两者分开的做法并不常见；大多数库仅围绕聊天历史进行设计。

每条记录都以 `.md` 文件的形式存储。你可以打开、编辑、使用 grep 搜索、进行 Git 版本管理，或在 Obsidian 中查看。EverAlgo 是一个独立的无状态库，负责处理提取算法。EverOS 则负责编排并持久化结果。

端点栈与 OpenAI 协议兼容。通过更改基础 URL，它可以连接到 OpenAI、OpenRouter、vLLM、Ollama 或 DeepInfra。这使得集成几乎只需更改一处配置。

该运行时默认采用本地优先架构。数据无需离开你的环境，并且每一层都是可检查的。对于不希望自托管的团队，还提供了托管的 EverOS Cloud 选项。两者共享相同的 SDK、检索引擎和记忆格式。

架构——Markdown、SQLite 和 LanceDB

EverOS 使用三层存储栈。Markdown 是事实来源。SQLite 管理状态和队列。LanceDB 管理向量、BM25 和标量过滤器。

这比典型的生产级记忆系统设置要轻量得多。无需 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。

检索是混合式的。单个 LanceDB 查询结合了 BM25 关键词匹配、稠密向量搜索和标量过滤。EverMind 将这种多模态检索路径称为 mRAG。

级联索引同步机制确保文件与索引保持一致。编辑 `.md` 文件会触发文件监听器，从而重新同步索引。记忆保持可检查状态，且不会过时。

检索在不同标识符之间也是正交的。你可以通过 user_id、agent_id、app_id、project_id 和 session_id 来限定搜索范围。这种范围限定在需要数据隔离的多智能体和多用户部署中非常重要。

记忆如何自我进化——案例变为技能

一个显著特征是程序性记忆。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提炼为可复用的技能。

这就是所谓的“自我进化”，说得直白些。技能在智能体团队中共享，无需人工管理，也无需硬编码。目标是让智能体在使用中不断改进，而不是每次会话都从头开始。

1.1.0 版本增加了更多生命周期管理机制。它引入了知识 API，用于支持带有分类和主题搜索的、基于源文件的 Markdown 页面。还增加了反思功能，这是一个离线处理过程，用于合并情节簇，并在会话之间优化用户画像和技能。

记忆模型很简单。情景记忆回答“发生了什么”。画像记忆回答“这个用户是谁”。程序性记忆回答“这个任务如何完成”。

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%。它还引用了低于 500 毫秒的 p95 检索延迟。LoCoMo 和 LongMemEval 衡量长期对话记忆；HaluMem 针对的是记忆幻觉。这些数据来自 EverMind 的发布文章。

下表将 EverOS 与常见的替代方案在具体设计维度上进行了比较：

维度EverOS朴素 RAG全上下文窗口其他记忆库
数据源纯 Markdown .md 文件向量数据库记录仅提示词API 或数据库状态
本地技术栈Markdown + SQLite + LanceDB向量数据库 + 应用代码无通常是托管服务
检索混合 BM25 + 向量 + 标量仅稠密向量无（不进行检索）视情况而定
程序性记忆案例被提炼为技能无无罕见
多模态摄入一次调用处理 PDF、图片、Office 文档、URL手动流程仅通过上下文部分
LoCoMo 准确率93.05%（EverMind 报告）—不适用（上下文限制）视情况而定
许可证Apache 2.0视情况而定不适用视情况而定 / 专有

用例及实际示例

该库链接了可用的集成方案。它们展示了持久化记忆在实际产品中能够实现的功能。

Hive Orchestrator 是一个浏览器原生的蜂巢思维系统，专为命令行编码智能体设计。Claude Code、Codex、Gemini 和 OpenCode 通过共享的团队协议，以真实的 PTY 进程形式进行协作。

Reunite 利用语义记忆进行公共价值搜索。父母描述他们记得的事情，孩子描述他们回忆的内容，系统则会呈现其中的关联。

其他示例涵盖医疗和硬件领域。其中包括一个阿尔茨海默症记忆助手和一个 AI 可穿戴设备。该可穿戴设备能聆听日常生活并将其转化为记忆。一个具有自我进化记忆功能的学习伙伴也在示例之列。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，用于编码助手。

五分钟代码讲解

安装使用标准的 Python 工具。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简单的 HTTP 调用。下面的示例存储一个事实，强制进行提取，然后将其检索出来。

# 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附加功能。安装 `everos[multimodal]` 可以增加对图片、PDF 和音频的解析能力。Office 文档额外需要 LibreOffice，它会在解析前将文件转换为 PDF。

试试看：交互式记忆演示

下面嵌入的演示在您的浏览器中模拟了 EverOS 的循环流程。添加一段内容，观察它被提取和标记，然后通过混合检索将其搜索回来。此演示仅供说明，并未连接到真实服务器。

来源：MarkTechPost（RSS）· marktechpost.com