EverOS 完整解析：把 AI Agent 的长期记忆写成 Markdown 文件，LoCoMo 基准做到 94.42%-北京尧图网络

EverOS 完整解析把 AI Agent 的长期记忆写成 Markdown 文件LoCoMo 基准做到 94.42%【免费下载链接】EverOSOne portable memory layer for every AI agent: local-first, Markdown-native, user-owned, and self-evolving across apps, tools, and workflows.项目地址: https://gitcode.com/gh_mirrors/ev/EverOS如果你遇到过这样的场景AI 助手关窗即失忆、记忆锁在某个数据库里谁也读不出来、换个应用一切归零——那么长期记忆就不只是一个功能而是一个工程问题。EverOS 给出的答案是把 Agent 的长期记忆直接写成磁盘上可读、可改、可进 Git 的 Markdown 文件SQLite 和 LanceDB 只做可随时重建的派生索引。这是一个 local-first 的 Python 记忆运行时一条 OpenRouter key 就能跑起来仓库里还带了 4 个基准测试的一键复现脚本。重启即失忆Agent 记忆的三个老问题把没有记忆层和有记忆层放在一起对比差异其实很具体维度没有记忆层Before接入 EverOS 之后After记忆存放会话历史随进程消失或散落在各应用私有存储统一落到~/.everos/下的 Markdown 文件cat/vim/grep随你可迁移性换应用、换设备就要重新自我介绍记忆按app_id / project_id分区一个记忆根目录可被多个 Agent 共享纠错能力记忆错了只能等下一次对话碰运气直接打开.md文件改掉保存后索引自动增量更新记忆演化只存不加工越存越乱离线引擎OME异步提炼原子事实、用户画像、Agent 技能还能定期做记忆合并值得强调的一点EverOS 区分用户轨和Agent 轨两条一等公民记忆线——用户的episodes / profile与 Agent 的cases / skills分开存储和检索而不是把所有东西都塞进一张聊天历史表。8 种记忆类型episode、atomic_fact、foresight、profile、agent_case、agent_skill、knowledge_document、knowledge_topic各有独立的落盘策略详见 docs/how-memory-works.md。一句话对话是如何变成可检索文件的整条链路可以按输入 → 处理 → 输出看每一步都有明确的责任边界输入缓冲与切分POST /api/v2/memory/add把消息追加到按(session_id, app_id, project_id)划分的缓冲区SQLite返回accumulated。系统内置边界检测器话题切换时自动触发提取会话结束时客户端显式调用/flush强制提取。处理一次 LLM 调用异步派生一次提取调用产出一个 MemCell用户的 episode 被同步写成episodes/episode-日期.md——/flush返回extracted时文件已在盘上。剩下的原子事实、foresight、用户画像、Agent 案例与技能全部交给进程内的 Offline Memory EngineOME异步派生策略开关热加载ome.toml约 2 秒生效。输出派生索引追平cascade 守护进程用文件系统 watcher 盯着 Markdown 树把每次变更写入 SQLite 的md_change_state队列按条目级做 diff——只有content_sha256变化的条目才重新嵌入并 upsert 到 LanceDB。之后/search读的就是这张索引表。对应的分层保证是这样的路径保证说明写/add、/flush强一致episode 的.md落盘fsync后才返回从不等索引读/search最终一致通常亚秒级高负载下约 10–15 秒索引滞后不丢数据三层存储的分工是这套设计的核心约束层承担什么删了会怎样Markdown frontmatter记忆本体唯一事实源记忆就没了SQLite队列、审计、LSN、OME 状态可恢复LanceDB向量 ANN BM25 标量过滤一次查询内完成整个.index/都可以删从 Markdown 重建换句话说删掉全部索引目录不会丢任何记忆因为没有导出这个概念——Markdown 本身就是导出。实测表现LoCoMo 94.42、LongMemEval 94.00仓库自带统一评测器四个基准各 4 个阶段ADD → SEARCH → ANSWER → JUDGE一条命令复现产出逐对话的 JSONL 和检索 trace中断可续跑DATASETlocomo bash benchmarks/reproduce.sh当前已发布的数字micro accuracy配置见 benchmarks/configs/基准题量准确率答案模型LoCoMo1,54094.42gpt-4.1-miniLongMemEval50094.00gemini-3.6-flashEverMemBench2,40066.67gemini-3-flash-previewSubtleMemory1,52271.75gpt-5.4LoCoMo 上 1,540 题做到 94.42是目前这套检索与提取管线在长对话多跳问答上的直接体现LongMemEval 侧重跨会话知识更新94.00 说明知识更新这类难题同样不是短板。需要注意 EverMemBench 一行的对比口径宏平均 vs 微平均在 benchmarks/README.md 里有专门说明引用数字前值得看一眼。两个值得读的源码细节cascade索引永远追得上文件的增量同步。实现位于 src/everos/memory/cascade/行为细节在 docs/cascade_runbook.md。它跑在服务进程内不是独立 OS 守护进程500ms 防抖变更先进 SQLite 持久队列再消费所以崩溃重启会重放未完成项恢复靠 LSN 水位线。运维命令刻意很少everos cascade status / sync / fix / rebuild四个其中rebuild从 Markdown 全量重建索引注意不是删目录了事队列账本仍会标记done从而跳过文件。这套机制直接支撑了手改.md文件被完全支持——在 VSCode 或 Obsidian 里改一条记忆保存后只有那一条被重新嵌入。llm_multiround让 LLM 当检索裁判的多轮检索。默认检索是 BM25 向量的 hybrid而 src/everos/memory/search/llm_multiround.py 走得更远每一轮由一个可插拔的 decider 看着问题已召回证据一次性做三件事——选出承载关键信息的核心记忆、判断是否已经够答停、或者为仍缺的每个方面各扩一条聚焦子查询。每个子查询独立做 RRF 融合不用 cross-encoder实测它把金标答案排到 20 名开外属于负收益最终 top-k 组装时核心优先是硬保证。decider 目前是开箱 LLM接口预留了换成小策略模型的 Phase 2——整个检索底座不变只换裁判这个循环本身就成了强化学习环境。顺带一提记忆侧的自进化落在 src/everos/memory/reflection/orchestrator.pyReflection 策略按 cron 执行 Select → Merge → Re-extract → Deprecate把同一簇里碎片化的 episode 合并成一段连贯叙事、重提原子事实并把原件标记废弃默认关闭ome.toml里一行enabled true开启。谁会在什么场景用它使用者典型场景仓库内参考个人开发者给 Claude Code / Codex 等编码 CLI 加跨会话记忆历史会话自动存取use-cases/claude-code-plugin/Agent 框架作者通过 MCP 或 HTTP API 给自己的 agent 挂一层可移植记忆uvx一条命令接入docs/mcp.md小团队 / 产品团队多应用共享同一记忆根用app_id/project_id隔离用户轨 Agent 轨分开治理docs/api.md内容型应用小说问答、知识库 Wiki文档上传、解析、CRUD、主题检索Knowledge 页面同样以 Markdown 落盘use-cases/game-of-throne-demo/本地优先主义者不想引入 MongoDB / Elasticsearch / Redis整栈就是一个可拷贝、可备份、可进 Git 的目录docs/overview.md配置梯度也很清晰只配[llm]就有 add/flush、Markdown 持久化、级联索引和关键词检索加[embedding]解锁向量混合检索、Reflection 与技能提取再加[rerank]才有 agentic 检索和 Knowledge Wiki/health会如实报告缺哪个能力请求缺失能力时直接返回带说明的 HTTP 422 而不是静默降级。快速上手三步从零到第一次检索第 1 步安装并先跑离线 demo无需任何 keypip install everos # 需 Python 3.12 everos demo # 体验写入 - 提取 - 索引 - 召回全流程第 2 步从源码跑的话git clone https://gitcode.com/gh_mirrors/ev/EverMemOS cd EverMemOS uv sync uv run everos demo第 3 步初始化并启动服务写入第一条记忆everos init # 生成 ~/.everos/everos.toml 与 ome.toml填入 OpenRouter key everos server start # 前台服务含 cascade 与 OME然后在第二个终端对/api/v2/memory/add发一段对话、/flush落盘、/search带method: keyword查回来——单 key 配置下务必用 keyword 方法hybrid 需要 embedding。检索成功后直接去~/.everos目录看生成的 Markdown那就是记忆的源码。完整流程与带注释的响应见 QUICKSTART.md。一句话总结EverOS 把记忆必须可读、可改、可迁移设为硬约束Markdown 是唯一事实索引是随时可重建的衍生物检索由 LLM 裁判多轮把关LoCoMo 94.42 的分数来自这套管线而非某个调参技巧。如果你正在给 Agent 做长期记忆、又不想把用户数据交给一个黑盒托管服务它目前是最接近本地优先 Markdown 原生这个组合的开源选择如果你是研究者benchmarks/的四阶段复现器和可插拔 decider 接口也留足了实验空间。【免费下载链接】EverOSOne portable memory layer for every AI agent: local-first, Markdown-native, user-owned, and self-evolving across apps, tools, and workflows.项目地址: https://gitcode.com/gh_mirrors/ev/EverOS创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

EverOS 完整解析：把 AI Agent 的长期记忆写成 Markdown 文件，LoCoMo 基准做到 94.42%

相关推荐

【数据Agent论文·总览】30篇论文如何连成一条线：从查询到可信分析

如何快速本地部署Qwen-Image-2512-FP8：新手零基础上手文生图推理完整教程

dsh-purge 完整安装指南：一条命令装好，三步激活，一条命令验收

更多资讯

Jev 框架入门：TypeSafe 约束解码与结构化输出实战

AI落地隐形地基：数据治理如何决定RAG与Agent的成败

ZCode全开源拆解：统一Agent运行时架构与三端一核设计

从Claude Code到Pi：AI Coding Agent工具链迁移实战与Harness机制解析

AI编程助手技术路线对决：Rust版Codex与TypeScript版ZCode架构深度解析

ERP与电商平台高效对接实战：金蝶云星空与旺店通集成方案

今日更新

AI辅助技术栈评估：提升研发决策效率60%

从生成Token到直接决策：Jev如何重塑AI Agent工程实践

32G统一内存跑大模型：内存账、TPS实测与端云分流

本周精选

面向复杂光照与角度的宠物面部识别鲁棒性增强策略

基于DRV8818与STM32的双极步进电机驱动方案实战解析

DRV8818PWPR+PIC18F45K80双极步进电机控制方案实战

本月热门

面向复杂光照与角度的宠物面部识别鲁棒性增强策略

基于DRV8818与STM32的双极步进电机驱动方案实战解析

DRV8818PWPR+PIC18F45K80双极步进电机控制方案实战

读完文章，想聊聊您的网站？