EverOS

图1：EverOS 项目Banner

想象一个场景：你让 AI 编程助手帮你分析一段代码，它确实给出了正确答案。但当你第二天再打开对话，换了一个新对话窗口，它已经完全不记得你昨天的项目背景、技术栈，甚至不记得你叫什么名字。这就是当前主流 AI 助手的根本困境——没有记忆能力。每一次对话都是一张白纸，每一次都要从头解释上下文。

EverOS 正是来解决这个问题的。这是一个由 EverMind AI 团队打造的 Agent 长期记忆操作系统，它的核心使命是让 AI 代理拥有"记忆"，从而实现真正的持续学习和自我进化。

项目背景：为什么 AI 需要记忆？

目前市面上的 AI 编程助手（如 Claude Code、Cursor）虽然能力强大，但都有一个致命缺陷：它们是无状态的。每一轮对话结束后，AI 就把之前的一切忘得一干二净。

这对个人用户来说或许还能忍受，但对于企业级应用来说，这是不可接受的。比如客服机器人需要记住用户的历史问题，代码审查助手需要了解项目规范，数据分析 Agent 需要记住之前的分析结论。

EverOS 的出现，正是为了填补这个空白。它的核心产品 EverCore 是一个长期记忆操作系统，能够从对话中自动提取、结构化存储知识，并在需要时精准检索。

技术架构：三大部分协同

EverOS 的技术架构分为三大核心模块：

1. EverCore（记忆操作系统） 这是整个项目的核心。它负责从对话中提取记忆、管理记忆存储和检索。EverCore 基于 LangGraph 构建，这是一个用于构建有状态、多代理应用的框架。底层依赖多种数据库来存储不同类型的记忆：

数据库	用途
MongoDB	文档存储，存储对话历史
Elasticsearch	全文检索，快速定位相关内容
Milvus	向量数据库，存储语义嵌入
PostgreSQL	结构化关系数据
Redis	缓存层，提升检索速度

这种多数据库混合架构体现了记忆存储的复杂性：有些信息需要精确匹配（ES），有些需要语义相似度（Milvus），有些需要事务保证（PostgreSQL），有些需要高速缓存（Redis）。

2. HyperMem（超图记忆架构） 这是 EverOS 中的另一套记忆系统，基于超图（Hypergraph）构建分层记忆架构。与传统图数据库相比，超图允许一条边连接多个节点，更适合表达复杂的知识关联关系。

图2：EverOS 典型应用场景

3. 两大基准测试

• EverMemBench：专门评估记忆质量，包括记忆提取准确性、检索相关性、遗忘曲线等维度。
• EvoAgentBench：评估 Agent 的自我进化能力，看 Agent 能否在多轮交互中持续改进策略。

技术栈深度解析

EverCore 的技术选型非常扎实，展示了工程上的深思熟虑：

后端框架：FastAPI + Uvicorn，这是目前 Python Web 领域的黄金组合。FastAPI 的异步特性和 Pydantic 的数据验证能力为 API 层提供了高性能和安全性。

Agent 框架：LangGraph 是微软出品的状态流式 Agent 框架，相比 LangChain 的链式调用，LangGraph 支持构建有向图结构的 Agent，更适合表达复杂的状态转移和多 Agent 协作。

向量数据库：选择 Milvus 而非主流的 Pinecone 或 Weaviate，体现了对本地化部署的坚持。Milvus 是纯开源的，可以私有化部署，数据不出企业边界。

LLM 支持：支持 OpenAI GPT 系列、Anthropic Claude、Google Gemini 等主流大模型 API，同时也支持本地模型。这种多模型支持让 EverCore 成为一个模型无关的记忆层。

Python 版本约束：严格限制 >=3.12,<3.13，这个较新的版本要求确保了项目能使用最新 Python 特性（如精确类型标注、改进的性能），同时也暗示这是一个活跃开发中的前沿项目。

图3：Earth Online 记忆游戏，EverOS 的典型应用案例

部署体验：一键启动的完整系统

EverCore 的部署体验是该项目的一大亮点。它提供了开箱即用的 docker-compose 配置，将所有依赖服务打包在一起：

# 一键启动所有服务
docker compose up -d

# 启动 EverCore
uv sync
uv run python src/run.py

# 服务运行在 http://localhost:1995

整个系统包含 MongoDB、Elasticsearch、Milvus 三个存储服务，加上主应用本身，四行命令就能跑起来。对于想要快速体验的开发者非常友好。

需要注意的是，完整运行需要约 8GB 内存和 20GB 磁盘空间。对于一台中等配置的服务器来说完全在承受范围内，但如果在树莓派或低配机器上跑会比较吃力。

实际应用场景一览

EverOS 的生态已经初具规模，展示了记忆 Agent 的多种可能性：

• Reunite（失散家庭重逢平台）：利用语义记忆连接失散亲人的描述，通过记忆匹配找到线索。
• Hive Orchestrator（多 Agent 协作）：让 Claude Code、Codex、Gemini 等多个 AI 编程 Agent 通过 EverOS 共享记忆，协同工作。
• AI Coding Assistant Memory：为 IDE 中的 AI 助手添加长期记忆，了解项目规范和用户偏好。
• AI Data Technician：在科学数据分析场景中，让 Agent 记住之前的分析方法和结论。
• Earth Online（记忆游戏）：将记忆能力融入游戏，让 AI NPC 记住玩家的行为历史。
• OpenHer（人格引擎）：让 AI 伴侣记住与用户的互动历史，形成独特的情感记忆。
• Rokid 智能眼镜集成：为 AR 设备提供个人记忆增强。

局限性与挑战

客观来说，EverOS 也面临一些挑战：

隐私与安全：记忆系统天然涉及大量个人数据和企业敏感信息。虽然 EverCore 支持本地部署，但如何设计细粒度的记忆访问控制是一个复杂问题。

记忆检索质量：当记忆量级达到数万条时，如何保证检索的精确性和速度是一个技术难点。系统需要在相关性、新鲜度、重要性等多个维度做平衡。

维护成本：系统依赖 5+ 种数据库服务，加上 LangGraph、FastAPI 等框架，运维复杂度不低。需要专业 DevOps 人员维护。

行业意义与未来

EverOS 代表了 AI Agent 发展的一个重要方向——从无状态到有状态。随着大模型能力越来越强，Agent 之间的竞争焦点正在从"模型有多聪明"转向"Agent 有多了解我"。

从 GitHub Stars 增长曲线来看，EverOS 在 2025 年初快速增长，吸引了大量开发者和企业的关注。它所提出的 Agent 记忆标准化框架，有望成为未来 AI Agent 的基础设施之一。

对于 AI 开发者而言，EverOS 提供了可以直接集成到自己项目中的记忆中间件。对于 AI 爱好者而言，它展示了一个有记忆的 AI 助手能够带来怎样不同的使用体验。无论你是哪类读者，EverOS 都值得你花时间了解。