AgentOS：用认知记忆重新定义 AI Agent 的「大脑」

一款让 AI 真正「记住」的开发框架

你是否有这样的经历：写了一个 AI Agent 助手，上下文窗口用满之后，它就像失忆了一样——之前的对话、决策、偏好全部清零，每次新对话都是从零开始。更难受的是，当你想让它「自己造工具」解决问题时，大多数框架要么硬编码工具集，要么需要繁琐的配置，根本做不到真正的动态扩展。

AgentOS 解决的就是这两个根本问题：它是一款开源的 TypeScript Agent 框架，核心理念是「Agents that remember, adapt, and write their own tools（会记忆、会适应、会自己造工具的 Agent）」。与传统框架不同，AgentOS 提供了神经科学启发的认知记忆系统，能让 Agent 在长会话中真正「记住」之前讨论的内容；同时支持运行时工具锻造（Runtime Tool Forging），Agent 可以自己编写 TypeScript 函数来扩展能力边界，而不需要停下来等你更新配置。

---

背景故事：Frame AI 的七年探索

AgentOS 来自一家名为 Frame AI（GitHub 组织 framerslab）的创业公司。这家公司的核心产品 Wild AI 是一个企业级 AI Agent 平台，在生产环境中积累了数百万次 Agent 会话。Frame AI 团队在多年实战中发现：当前主流 Agent 框架在记忆和工具扩展两个维度上存在根本性短板。

市面上的框架要么根本没有记忆系统，要么只是一个简单的向量检索，缺乏对人类记忆机制的真正模拟。而工具系统通常是预定义的，Agent 遇到能力盲区时只能「卡住」或返回错误。为了解决这些问题，Frame AI 将其企业级平台的核心能力抽象为开源框架 AgentOS，于 2025 年正式发布，并在 2026 年 4 月发布了重磅的 LongMemEval 基准测试结果——开源 Agent 框架中记忆能力排名第一。

---

类比解释：给 Agent 装一个「可成长的大脑」

传统的 AI Agent 更像是一个「查表机器」：给一个固定工具集，用户问什么它就调用什么工具，问完了工具集也不会变大。AgentOS 则更接近一个「会成长的学习者」：它有感知（记忆系统）、有判断（认知分类管道）、有行动（工具调用），还有「自我反思」（运行时工具锻造）。

类比一下：如果传统框架是「一个只会翻字典的秘书」，AgentOS 就是一个「有笔记本、能自学新技能、还会和同事协作的高级助手」。秘书用完字典就结束，高级助手会记录笔记、下次遇到同类问题会更快解决、甚至当场发明新方法来应对。

---

核心功能：认知记忆 × 运行时工具锻造 × 多 Agent 编排

1. 认知记忆系统（8 种神经科学机制）

AgentOS 的记忆系统是其最核心的技术亮点。不同于简单的向量检索，它实现了 8 种神经科学启发的记忆机制：

• 情景记忆（Episodic）：记录会话中发生的具体事件和决策
• 语义记忆（Semantic）：提取和存储概念性知识，不依赖特定会话
• 工作记忆（Working）：维护当前会话的活跃上下文
• Ebbinghaus 遗忘曲线衰减：模拟人类自然遗忘规律，对久远记忆自动降低重要性评分
• 提取诱发遗忘（Retrieval-Induced Forgetting）：当某段记忆被频繁提取时，自动抑制相关但较弱的信息
• 再巩固（Reconsolidation）：记忆被提取后，在重新存储时更新为最新内容
• 来源置信度衰减（Source-Confidence Decay）：降低无法确认来源的信息权重
• 认知导航（Cognitive Navigation）：支持按主题/时间线探索记忆空间

这套记忆系统的底层是 BM25 + Dense Embedding + Cohere Rerank-v3.5 三路混合检索，并通过一个 LLM 分类器（per-message）在每次请求时决定「是否需要检索、检索什么、用什么策略」。在 LongMemEval-S 基准上达到 85.6% 准确率（每次正确查询成本 $0.009），远超其他开源方案。

2. 运行时工具锻造（Runtime Tool Forging）

当 Agent 发现自己缺少某个工具时，它会：

1. 编写一个 TypeScript 函数，并附带 Zod schema 定义参数
2. 一个独立的 LLM Judge 对函数进行安全审查
3. 通过后，函数在 node:vm 沙箱中执行（5 秒超时，禁止 eval/require）
4. 验证通过后，工具自动加入工具目录，供整个会话复用

这个流程完全在运行时完成，不需要重启 Agent，不需要人工干预。README 中的 demo 展示了三个具有不同 HEXACO 人格的 Agent 在代码审查中协作，发现工具集不足后现场锻造新工具并立即使用的完整过程。

3. HEXACO 人格系统

AgentOS 支持为每个 Agent 配置 HEXACO 人格向量（诚实-谦逊、情绪性、外向性、宜人性、责任心、经验开放性）。人格会动态影响 Agent 的记忆检索偏好、任务路由决策和协作风格。例如，高开放性的 Agent 更倾向于尝试新方法，高责任心的 Agent 倾向于更谨慎的工具锻造审查。

4. 多 Agent 编排（Agency）

AgentOS 提供了 Agency 多 Agent 集体系统：多个 Agent（称为 GMI，Generative Model Instance）可以组成协作单元，每个 GMI 有自己的角色、记忆、人格。多 GMI 之间通过通信总线（Agent Communication Bus）进行消息传递，支持共享记忆池、统一编排和层级式任务分解。

5. 11 家 LLM 提供商统一接口

AgentOS 通过 AIModelProviderManager 统一管理 11 家 LLM 提供商的接入：OpenAI、Anthropic、Google（Gemini）、DeepSeek、Ollama（本地）、OpenRouter 等。开发者只需要一个 provider: 'anthropic' 参数即可切换，框架自动解析模型 ID 并路由到对应提供商的 API。

---

技术架构：深度模块化的 TypeScript 单体

目录结构与核心模块

AgentOS 的 1739 个源文件组织在清晰的模块层级下：

模块	路径	说明
Agent 定义	src/agents/	AgentFactory、AgentPool、IAgent 接口
API 门面	src/api/	AgentOS.ts（主入口）、AgentOSOrchestrator
认知底座	src/cognition/	IGMI、GMIManager、Cognitive Pipeline
记忆系统	src/core/memory/	MemoryManager、RetrievalRouter、Consolidator
工具系统	src/core/tools/	Tool、ToolOrchestrator、Forge、Sandbox
LLM 提供商	src/core/llm/	ProviderManager、各提供商实现
编排层	src/orchestration/	WorkflowEngine、TurnPlanner、Checkpoint、Planning
多 Agent	src/agents/agency/	AgencyRegistry、AgentCommunicationBus

核心文件解析

src/api/AgentOS.ts（30000+ chars）是整个框架的门面，定义了 AgentOS 主类。它实现了 IAgentOS 接口，通过 AgentOSOrchestrator 协调各个子系统，并通过流式生成器（async generator）实现实时流式响应。

src/core/llm/providers/AIModelProviderManager.ts（15529 chars）是多提供商统一管理的核心。它使用动态加载模式，通过 IProvider 接口抽象每个提供商的实现（OpenAIProvider、AnthropicProvider、OllamaProvider 等），支持按模型 ID 前缀自动路由（如 openai/gpt-4o）。

docs/MEMORY_SYSTEM_OVERVIEW.md 详细描述了记忆系统的端到端设计：每个 Turn 触发 3 次分类器调用 → 混合检索（BM25 + Dense + Cohere Rerank）→ 六信号认知评分 → Ebbinghaus 衰减循环 → 后台整合压缩。这套设计的核心洞察是：不是所有问题都需要完整检索，分类器路由可以节省大量不必要的 embedding 和 LLM 调用。

docs/COGNITIVE_PIPELINE.md 描述了「认知管道」设计理念：传统 RAG 是单路径（embed → vector search → top-K → reader），AgentOS 用三个分类器路由器（ingest / recall / read）实现 per-message 自适应成本策略。简单问题跳过检索，复杂问题用最强架构。

测试与质量

项目使用 Vitest 作为测试框架，配合 better-sqlite3 本地存储适配器和 sharp 图片处理库（测试环境排除 onnxruntime-native）。测试包含丰富的单元测试（__tests__/ 目录）和集成测试，覆盖 Agent API、多 Agent 协作、人格配置、人在回路（HITL）等核心功能。

---

局限与挑战

1. 记忆系统的计算成本

虽然 AgentOS 通过分类器路由优化了检索成本，但完整的记忆系统（BM25 + Dense + Cohere Rerank + 六信号评分）对于高频短查询场景仍然偏重。如果不需要长会话记忆，开启 memory: { enabled: false } 可以获得更快的响应速度。

2. 工具锻造的沙箱限制

node:vm 沙箱提供了基础安全保障，但 5 秒超时和 eval/require 限制意味着 Agent 无法调用 Node.js 原生模块或动态加载外部包。对于需要文件系统访问、网络请求等能力的工具，仍需要开发者预先注册而非让 Agent 从零锻造。

3. 供应商锁定风险

虽然 AgentOS 提供了统一的模型接口抽象，但认知记忆系统的性能很大程度上取决于 embedding 模型（Cohere）和 rerank 模型的选择。切换底层模型可能需要重新调优记忆系统的阈值参数。

4. 文档门槛

框架功能极其丰富，但新用户的学习曲线较陡。README 提供了快速开始示例，但像 HEXACO 人格配置、多 Agent Agency 协作、记忆策略调优等进阶功能需要阅读详细文档才能掌握。

---

行业意义

开源 Agent 框架的新里程碑

2026 年 4 月，Frame AI 发布了两项基准测试结果震惊社区：LongMemEval-S 85.6%（每次正确查询 $0.009）和 LongMemEval-M 70.2%，是当时唯一一个准确率超过 65% 的开源 Agent 记忆框架。这意味着在长会话场景下，AgentOS 的记忆系统已经接近商业级水平。

认知架构的实践验证

AgentOS 将神经科学理论（Ebbinghaus 遗忘曲线、提取诱发遗忘、再巩固等）工程化落地，为「AI 记忆」这个新兴领域提供了可复现的开源参考实现。其认知管道设计（per-message 自适应检索路由）对整个 Agent 框架社区都有借鉴意义。

TypeScript 原生的优势

目前主流的 Agent 框架（LangChain、AutoGen、CrewAI）大多是 Python 实现。AgentOS 作为 TypeScript 原生框架，可以直接接入 Node.js 生态，对于已经使用 TypeScript 的前端/全栈团队来说，降低了接入门槛，也更容易与现有 TypeScript 代码库集成。

---

总结：谁应该使用 AgentOS？

强烈推荐：

• 需要长会话记忆能力的 AI 应用（客服助手、研究代理、个人知识管理）
• TypeScript/Node.js 技术栈的团队（零语言切换成本）
• 研究认知 Agent 架构的开发者（LongMemEval 基准数据集、开源代码可参考）
• 需要多 Agent 协作的企业应用场景

不太适合：

• 简单的单次问答场景（记忆系统带来不必要的复杂度）
• Python 技术栈（应选择 LangChain 等 Python 框架）
• 对工具锻造有强需求但需要原生 Node 能力（沙箱限制）

一句话推荐：如果你正在构建需要「真正记住用户、学会新技能」的长会话 AI Agent，AgentOS 是目前开源世界中最接近生产可用的认知 Agent 框架——npm install 即可开始，记忆能力经过独立基准验证，工具系统支持运行时扩展。

---

项目仓库：https://github.com/framerslab/agentos | 许可证：Apache-2.0 | 主页：agentos.sh | npm：@framers/agentos