EverMemOS

定义与身份

EverMemOS 是 EverMind 团队发布的面向 AI 智能体的开源长期记忆操作系统。

它的定位不是单一大模型，也不是普通的向量数据库或简单 RAG 记忆外挂，而是未来智能体的数据基础设施，用于给 AI 提供可持续积累、可调用、可演化的长期记忆能力。

原文将其描述为让 AI 拥有“持久、连贯、可进化的灵魂”的系统，核心目标是让智能体在时间流中持续记忆、适应与进化，而不是只在当前上下文窗口内做一次性响应。

开源与访问方式

• 官网：http://everm.ai
• GitHub 仓库：https://github.com/EverMind-AI/EverMemOS/

原文说明，EverMind 已开放 EverMemOS 的开源版本，供开发者与 AI 团队部署和试用。

同时，团队预计在稍后推出云服务版本，面向企业用户提供更完善的技术支持、数据持久化与可扩展体验。

产品定位与职责范围

EverMemOS 解决的是大模型在长时程任务中的“失忆”问题。

原文指出，受限于 LLM 固定上下文窗口，AI 在长期任务中会频繁出现记忆断裂、事实矛盾、无法利用历史交互理解用户、无法保留中间上下文数据等问题，从而削弱个性化、知识一致性与长期行为一致性。

在这个语境下，EverMemOS 的职责不是只负责“存一下历史”，而是承担长期记忆的完整基础设施角色，至少包括：

• 为 AI 持久保存长期交互与任务相关信息；
• 在需要时高效提取与组织记忆；
• 让记忆实时参与模型推理与响应生成；
• 面向不同应用场景切换不同的记忆组织与应用策略；
• 作为企业级应用与 Agent 系统之间的记忆层接口。

因此，它更接近 Agent记忆分层架构 中的系统级实现，而不是单点存储组件。

解决的问题与边界

EverMemOS 面向的是 AI Agent 的长期记忆问题，不等同于通用数据库系统，也不等同于仅靠文本相似度召回的检索方案。

原文对行业现状的批评主要有两点：

• 现有方法往往是“碎片化”的，缺乏真正可用、可覆盖全场景的记忆系统；
• 许多方案停留在“只管找，不管用”的层面，也就是能检索历史，但很难让记忆真正影响模型当下的思考与输出。

这也意味着 EverMemOS 的宣称边界很明确：它重点解决长期记忆的形成、组织、提取和应用，不是以训练新基础模型为目标，也不是单纯替代 LLM 本身。

场景覆盖

EverMemOS 的一个核心卖点是场景覆盖。

原文称其为“行业首个真正能同时支持 1 对 1 对话与复杂多人协作两大场景的记忆系统”。这里强调的不是只支持聊天历史保存，而是同时覆盖两类差异很大的应用环境：

• 1 对 1 对话场景：例如陪伴、个性化交互、长期用户理解等；
• 复杂多人协作场景：例如企业环境中多角色、多参与者、多轮协同产生的长期共享记忆与工作记忆。

原文还提到，EverMemOS 已被创新型 AI Native 产品 Tanka 率先采用。

性能指标

在长期记忆评测上，原文给出了明确数字：

• LoCoMo：92.3%
• LongMemEval-S：82%

原文表述为：在这两个主流长期记忆评测集上，EverMemOS 的结果“均显著超越了 SOTA（State-of-the-Art）水平”，并据此将其描述为新的行业标杆。

这些数字是该项目公开传播中的关键证据，不能简化为“效果较好”或“表现领先”。

设计灵感：类脑长期记忆机制

EverMemOS 的设计理念直接来自类脑记忆机制。

原文用人脑的记忆过程做类比：从感官信号编码、海马体索引，到皮层长期存储，再到前额叶与海马体协同完成记忆形成与提取。EverMemOS 试图将这类机制映射为面向 AI Agent 的系统架构。

这种设计并不只是宣传话术，而是直接体现在其分层结构和索引、存储、提取、应用的职责划分中。

它也与 类脑长期记忆架构、Agent记忆分层架构 的思路相近：不是把一切记忆都压成同一种文本块，而是让不同层处理不同功能。

四层系统架构

EverMemOS 采用四层架构设计，原文将其与大脑功能区进行了对应：

1. 代理层（Agentic Layer）

职责是任务理解、任务分解与内容生成。

原文将它类比为前额叶皮层，强调其在注意力、计划和执行控制中的作用。也就是说，这一层负责把外部任务转化为需要调用记忆的行动过程，而不是只做最终回答渲染。

2. 记忆层（Memory Layer）

职责是长期记忆的提取与结构化存储。

这一层对应大脑皮层网络的长期巩固存储功能，强调“长期保存什么、以什么结构保存、如何从连续交互中沉淀记忆”这些问题。

3. 索引层（Index Layer）

职责是通过 Embedding、键值对与知识图谱实现记忆关联和高效检索。

原文把它类比为海马体，承担记忆关联与快速索引功能。这里特别重要的一点是，它并不是只依赖单一路径，而是明确提到了三种组织/索引方式：

• Embedding
• 键值对
• 知识图谱

因此，EverMemOS 的索引思路并不等于“纯向量检索”。

4. 接口层（API/MCP Interface）

职责是与企业级应用无缝集成，作为 AI 的“感官接口”与外界交互。

这意味着 EverMemOS 不是孤立运行的研究原型，而是被设计为可以对接外部系统、业务工具和 Agent 应用的基础设施层。

三大系统特点

1. 从“记忆数据库”到“记忆处理器”

这是 EverMemOS 最核心的定位差异。

原文强调，它不仅是记忆的“数据库”，更是记忆的“应用处理器”。意思是它不满足于把历史存起来然后被动召回，而是通过推理与融合机制，让记忆实时、主动地影响模型思考和回应。

它要解决的是现有方法“只管找，不管用”的问题：即使检索到了历史，也未必能真正整合进当前生成。EverMemOS 的目标是让 AI 的回答建立在长期理解之上，从而提升连贯性与个性化程度。

2. 分层记忆提取与动态组织

EverMemOS 的第二个关键特点是 分层记忆提取。