agentos

AgentOS：让 AI 代理拥有记忆、性格和自我进化能力的 TypeScript 框架

痛点场景：一个记不住上文的"健忘症"助手

你一定见过这样的场景：让 AI 写一段代码，它吭哧吭哧写完了，你让 AI 在这个基础上继续迭代，它却完全"失忆"——不记得之前写了什么、为什么这样写。这种上下文窗口的天然限制，让 AI 代理在长程任务中显得格外脆弱。AgentOS 正是为了解决这个痛点而生：让 AI 代理真正"记住"、主动"学习"，甚至在运行时自己创造工具。

背景故事：从游戏 NPC 到通用代理框架

AgentOS 由 Frame.dev 团队开发，诞生于 2025 年 10 月，其核心驱动力源自一个实际需求——在 AI 游戏世界 Wilds.ai 中，NPC 需要持续记忆玩家行为、在长时间对话中保持一致性，甚至表现出独特的"性格"。为了解决这个问题，团队将记忆系统、HEXACO 人格模型和运行时工具生成能力整合成了如今的 AgentOS 框架。

作为 Apache-2.0 开源项目，AgentOS 目前在 GitHub 拥有 582 颗星、82 个 Fork，以 TypeScript 为核心语言，目标是为 AI 代理提供一套完整的"认知基础设施"。

图1：AgentOS 框架核心架构 — Agent、Memory、Cognition、Orchestration 四大支柱

核心技术详解

1. 认知记忆系统：8 种神经科学机制支撑的持久记忆

这是 AgentOS 区别于其他框架的核心能力。传统的 RAG 只是简单地检索向量相似文档，而 AgentOS 实现了 8 种神经科学启发的记忆机制：

• 艾宾浩斯遗忘曲线（Ebbinghaus Decay）：根据时间自动衰减记忆权重，模拟人类自然遗忘过程
• 提取诱发遗忘（Retrieval-Induced Forgetting）：每次检索相关记忆时，抑制不相关内容的权重
• 再巩固（Reconsolidation）：记忆被重新读取时进入可塑状态，允许微调更新
• 来源置信度衰减（Source Confidence Decay）：区分事实性记忆与推测性内容，并给予不同衰减速度
• 非自愿回忆（Involuntary Recall）：类似人类的"灵光一现"，主动推送可能相关但未被明确检索的记忆
• 感辨意识（FOK, Feeling of Knowing）：评估代理对某事物的"熟悉度"，用于决定是否触发检索
• 要点抽取（Gist Extraction）：从大量对话记录中提取核心语义压缩存储
• 情绪调节（Emotion Regulation）：标记情感相关的记忆，支持情感感知的对话策略

在公开基准 LongMemEval-S 上，AgentOS 取得了 85.6% 的准确率（gpt-4o），每正确回答仅需 $0.0090；在更具挑战的 LongMemEval-M（150 万 token 干扰项）中达到 70.2%，是唯一超过 65% 且有公开复现方法论的开源库。

2. 运行时工具锻造（Runtime Tool Forging）

当代理发现自己现有的工具集合无法处理某个子任务时，AgentOS 允许代理自己写一个 TypeScript 函数——带 Zod schema 定义输入输出——然后由一个独立的 LLM 裁判（Judge）审核批准，通过后在硬化的 node:vm 沙箱（5 秒时钟限制，无 eval/require/process）中执行，成功后该工具加入可发现索引，供后续会话复用。被提升的工具还可以导出为 SKILL.md 技能文件。

这是框架最令人兴奋的能力之一：代理不再受限于预设工具集，而是能够动态扩展自己的能力边界。

3. HEXACO 人格系统：让代理拥有"性格"

AgentOS 支持可选的 HEXACO 人格向量（6 大维度：诚实-谦逊、情绪体验、外向性、宜人性、尽责性、开放性），这些向量直接作用于内核层，影响记忆检索权重、专家路由选择和工具使用决策，而不仅仅是修改提示词。这意味着即使输入完全相同，不同人格配置的代理也会产生可测量的不同决策序列。更重要的是，由于人格存在于内核而非 prompt 中，它在上下文压力下也不会被"挤压"掉。

4. 多代理编排：6 种协作策略

agency() API 支持 6 种协调策略：sequential（顺序流水线）、parallel（并行分发）、debate（辩论对抗）、review-loop（评审循环）、hierarchical（层级管理）、graph（图拓扑）。结合 emergent: { enabled: true }，管理者代理可以在运行时动态生成子代理应对新任务。

5. 11 个 LLM 提供商 + 7 种向量后端

支持 OpenAI、Anthropic、Gemini、Groq、Ollama、OpenRouter、Together、Mistral、xAI 等 9 个 API 提供商，以及 Claude CLI、Gemini CLI 两个本地 CLI 提供商。向量存储支持 7 种后端（未列出具体名称但覆盖主流方案），配合 4 种检索策略、GraphRAG、HyDE 和 Cohere Rerank v3.5。

架构设计：模块化分层

src/
├── agents/        # Agent 核心定义
├── api/           # 对外 API（AgentOSOrchestrator, types）
├── cognition/     # 认知子系统
│   ├── memory/    # 记忆系统（8种机制）
│   ├── emergent/  # 运行时工具锻造
│   ├── rag/       # RAG 管道
│   ├── skills/    # 技能管理（SKILL.md）
│   └── substrate/ # IGMI/GMIManager（记忆推理引擎）
├── core/          # 核心基础设施
│   ├── llm/       # LLM 提供商管理
│   ├── tools/     # 工具系统（ITool, executor, permissions）
│   ├── guardrails/ # 安全护栏
│   └── conversation/ # 对话管理
├── orchestration/  # 编排引擎（DAG/Graph/Mission）
├── safety/        # 安全沙箱（node:vm）、Guardrails 5 层防护
└── extensions/    # 扩展体系（100+ 第一方扩展）

核心导出通过 src/index.ts barrel file 提供，遵循 TypeScript 最佳实践。构建使用 tsconfig.build.json，测试框架为 vitest，代码检查为 eslint。

Guardrails：5 层安全架构

AgentOS 实现了 5 层安全防护，6 个安全包：PII 检测、ML 分类器、话题相关性、代码安全、事实 grounding 和内容策略。这对于需要在生产环境中部署 AI 代理的应用至关重要。

上手体验

安装仅需一行命令：

npm install @framers/agentos

最简使用：

import { agent } from '@framers/agentos';
const tutor = agent({
  provider: 'anthropic',
  instructions: 'You are a patient CS tutor.',
  personality: { openness: 0.9, conscientiousness: 0.95 },
  memory: { types: ['episodic', 'semantic'], working: { enabled: true } },
});
const session = tutor.session('student-1');
await session.send('Explain recursion with an analogy.');

局限与争议

1. TypeScript 生态锁定：完全基于 TypeScript 开发，对于 Python 生态的开发者（AI 领域主流语言）来说有一定的学习成本
2. 性能基准依赖第三方 LLM：记忆效果评估依赖 OpenAI 的 GPT-4o 作为 reader/judge，生态锁定风险存在
3. 新项目风险：创建于 2025 年 10 月，项目版本 0.9.77，尚未达到 1.0 稳定版，生产环境使用需评估稳定性
4. 框架复杂度：8 种记忆机制、HEXACO 人格、6 种编排策略——功能丰富但上手门槛相对较高

行业意义

AgentOS 的出现代表了 AI 代理框架发展的一个重要方向：从"提示词工程"到"认知架构"。传统 LangChain/LangGraph 解决的是"如何调用工具"，而 AgentOS 进一步解决"如何让代理自主扩展工具、保持长期一致性、展现独特人格"。其公开可复现的记忆基准（LongMemEval）对于整个社区建立客观评估标准具有积极意义。

相关链接： 官网 agentos.sh · 文档 docs.agentos.sh · npm 包 · 基准测试仓库 · Frame.dev