EverOS 代理记忆层
为跨应用和工作流的 AI 代理提供可迁移的本地长期记忆。
- Star 数
- ★ 14k
- 最近更新
- 今天
- License
- Apache-2.0
- 主语言
- Python
- FA 评分
- 45/100 · 缺口较多
30 秒速览
- 运行形态
- 可在哪里用
- 通用 · 跨平台OpenAI API（部分支持）
- 费用
- 软件免费，模型调用费用自付
- 上手难度
- 低 · 几分钟可跑通
- 开始前需要
- 典型场景
- 正在开发编码助手的团队，可把每次编码会话的消息按 project_id 和 session_id 写入 EverOS，再在后续会话中按 user_id 搜索历史上下文。
- 不适合
- 不想安装 LibreOffice 却要处理 Office 文档的用户
- 依赖 /api/v1 且不打算迁移到 /api/v2 的旧集成
这个 Agent 能做什么，适合哪些场景？
EverOS 是面向代理与开发者的 Python 库及本地优先记忆运行时。它将对话、文件和代理轨迹保存为可读、可编辑、可进行 Git 版本控制的 Markdown，并同步本地 SQLite 与 LanceDB 索引以支持检索。服务通过本地 HTTP 接口提供记忆写入、提取、刷新和搜索，新的业务接口位于 /api/v2，/api/v1 仍是兼容旧集成的遗留别名。它可按 user_id、agent_id、app_id、project_id 和 session_id 等维度检索，并将用户 episodes/profile 与代理 cases/skills 作为独立表面处理。该项目还描述了离线反思流程，用于合并 episode 聚类并在会话间完善 profile 和 skills；运行边界是本机文件、SQLite、LanceDB 与本地启动的服务，而不是托管记忆平台。
运行 everos server start 后，EverOS 在本机提供服务。客户端可向 POST /api/v2/memory/add 提交带有 session_id、app_id、project_id 和 messages 的对话；系统将内容写入 Markdown，并在后台同步本地 SQLite 与 LanceDB。POST /api/v2/memory/flush 可为指定会话强制执行提取，POST /api/v2/memory/search 可按用户及应用/项目范围查询并返回召回结果。everos demo 是不连接服务的本地终端教学可视化器；everos demo --live 则依次调用 /health、/api/v2/memory/add、/api/v2/memory/flush 和 /api/v2/memory/search。安装 everos[multimodal] 后，memory/add 的 content 项还可处理图像、PDF、音频和办公文档；办公文档会先通过 LibreOffice 转为 PDF。
- 正在开发编码助手的团队，可把每次编码会话的消息按 project_id 和 session_id 写入 EverOS，再在后续会话中按 user_id 搜索历史上下文。
- 需要让个人 AI 助手跨设备或跨应用保留偏好的开发者，可直接检查和编辑 Markdown 记忆文件，并让级联监视器同步索引。
- 构建带持续记忆的多代理产品时，可将用户 episodes/profile 与代理 cases/skills 分开保存和检索。
- 需要从图片、PDF、音频或办公文件提取长期上下文的应用，可安装 multimodal extra，并为办公文件部署 LibreOffice。
- 希望先向团队演示记忆写入与召回生命周期的开发者，可在不配置 API 密钥的情况下运行 everos demo。
如何安装或部署这个 Agent？
需要 Python 3.12+。先安装并运行无需密钥的本地演示：
uv pip install everos
everos demo要运行真实服务，执行 everos init，然后在生成的 .env 中填写 EVEROS_LLM__API_KEY、EVEROS_MULTIMODAL__API_KEY、EVEROS_EMBEDDING__API_KEY 和 EVEROS_RERANK__API_KEY。默认说明使用 OpenRouter 提供聊天和多模态能力、DeepInfra 提供嵌入与重排；也可通过对应的 *__BASE_URL 配置为其他 OpenAI 兼容端点。需要处理非文本内容时安装：
uv pip install 'everos[multimodal]'办公文档还需要在主机安装 LibreOffice。
如何使用这个 Agent？
配置 .env 后启动服务：
everos server start在另一个终端检查：
curl http://127.0.0.1:8000/health预期返回 {"status":"ok"}。首次真实演示可运行：
everos demo --live新代码应使用 /api/v2。典型流程是先向 /api/v2/memory/add 提交 messages，再向 /api/v2/memory/flush 提交 session_id、app_id、project_id，最后向 /api/v2/memory/search 提交 user_id、app_id、project_id、query 和 top_k。Markdown 同步写入，但本地索引会在后台追上；首次搜索为空时，项目说明建议稍候重试。
这个 Agent 有哪些优点和局限？
- Markdown 是规范数据源，记忆文件可阅读、直接编辑、差异比较并纳入 Git 版本控制。
- 本地栈明确采用 Markdown、SQLite 和 LanceDB，不要求 MongoDB、Elasticsearch 或 Redis。
- 检索范围可正交组合 user_id、agent_id、app_id、project_id 和 session_id，而非仅依赖单一会话或命名空间。
- 提供本地 CLI 演示、HTTP 服务和 Python 包三种可验证入口，便于先体验再嵌入应用。
- 真实服务流程需要聊天、多模态、嵌入和重排能力的提供商凭据；默认配置涉及 OpenRouter 与 DeepInfra。
- 索引在后台同步，刚写入记忆后首次搜索可能暂时为空。
- 办公文档摄取依赖系统级 LibreOffice；缺失时 .doc、.docx、.ppt、.pptx、.xls、.xlsx 上传会返回 HTTP 415。
- README 明确将 /api/v1 标为未来大版本可能移除的遗留别名，旧集成需要迁移至 /api/v2。
这个 Agent 与同类方案有什么区别？
与相关度最高的同类 agent 并排比较关键指标。
| Agent | 源码审查 | 形态 / 费用 | Star | 最近更新 | 主语言 | 完整支持的平台 |
|---|---|---|---|---|---|---|
| EverOS 代理记忆层 当前 | 45 · 缺口较多 | 命令行工具免费 + 模型费 | ★ 14k | 今天 | Python | — |
| LycheeMemory | 52 · 缺口较多 | 命令行工具免费 + 模型费 | ★ 1.1k | 3 个月前 | Python | Claude Code · OpenAI API |
| MemOS 2.0 Stardust | 53 · 缺口较多 | 自托管服务免费版 + 付费版 | ★ 12k | 2 天前 | TypeScript | — |
| PowerContext | 55 · 缺口较多 | 命令行工具免费 | ★ 1.5k | 1 天前 | Python | Codex · Claude Code |
FollowAgents 如何评估这个 Agent？
查看各维度的扣分理由
证据显示：服务器默认绑定127.0.0.1，文档明确警告不要暴露到不受信任的网络，API密钥存储在本地.env，且不会传输到除配置的提供商之外的地方。这体现了最小权限原则（least_privilege）的部分实现，但缺少用户确认机制（user_confirmation），例如在写入或删除记忆前没有明确的用户确认步骤。数据流透明度（data_flow_transparency）方面，README和SECURITY.md描述了数据流向，但未提供详细的日志或审计功能。敏感数据处理（sensitive_data_handling）方面，文档提到记忆以明文.md存储，建议使用OS级权限或磁盘加密，但未提供内置加密选项。依赖安全（dependency_security）方面，pyproject.toml中固定了lancedb版本范围，并注释了已知问题，但未提及依赖漏洞扫描。外部影响（external_effects）方面，服务器默认仅监听本地，但未说明对系统文件或网络的影响。回滚（rollback）方面，未提供任何回滚机制。来源归属（source_attribution）方面，README列出了多个外部集成项目，但未明确说明这些项目的来源和可信度。
证据显示：项目有严格的测试套件，包括一致性检查（tests/_consistency_assertions.py）和CI配置，表明自我一致性（self_consistency）较好。依赖可用性（dependency_availability）方面，依赖项在pyproject.toml中明确列出，且CI使用uv.lock锁定版本，但未提供依赖的可用性保证。失败消息（failure_messages）方面，文档提到office文档上传失败会返回HTTP 415和清晰错误消息，但整体错误处理机制未详细说明。
证据显示：README明确列出了目标受众（开发者、AI代理）和多种使用场景（如Reunite、Hive等），表明受众和场景（audience_and_scenarios）覆盖较广。能力边界（capability_boundaries）方面，文档说明了demo是本地教育用途，不连接服务器，且多模态支持需要额外安装，但未详细说明所有功能的限制。触发精度（trigger_precision）方面，文档提供了API调用示例，但未说明触发条件或权限控制。环境适配（environment_fit）方面，支持Python 3.12+，并提供了macOS和Linux的安装说明，但未提及Windows支持。
证据显示：信息架构（information_architecture）方面，README结构清晰，有目录和文档链接，但未提供完整的API参考。安装说明（install_notes）方面，提供了pip安装和配置步骤，但未提及系统依赖（如LibreOffice）的安装细节。命名稳定性（naming_stability）方面，API版本v1和v2并存，但v1被标记为遗留，可能在未来移除，存在命名不稳定的风险。示例和FAQ（examples_and_faq）方面，提供了多个使用案例和快速入门示例，但未提供FAQ。已知限制（known_limitations）方面，SECURITY.md提到了威胁模型，但未列出所有已知限制。许可证（license）方面，Apache-2.0许可证完整，且pyproject.toml中明确声明。版本和变更日志（versioning_changelog）方面，有CHANGELOG.md，但未提供详细的版本历史。维护责任（maintenance_responsibility）方面，SECURITY.md提供了安全报告邮箱，但未明确维护者或贡献指南。
证据显示：输出可用性（output_usability）方面，提供了API响应示例和Markdown文件说明，但未提供完整的输出格式文档。边际价值（marginal_value）方面，项目提供了独特的Markdown-first记忆层，与其他库相比有差异化，但未提供性能基准。成本效益（cost_benefit）方面，需要多个API密钥（OpenRouter、DeepInfra），可能增加使用成本，但未提供成本估算。
证据显示：声明可追溯性（claim_traceability）方面，README中的功能声明未提供具体实现细节或测试证据。跨来源佐证（cross_source_corroboration）方面，README引用了多个外部项目，但未提供独立验证。事实与推断分离（fact_inference_separation）方面，文档中区分了事实（如功能描述）和推断（如“self-evolving”），但未明确标注。
- 源码中未见：执行前用户确认开启或自行加上执行前确认；先在沙箱或测试环境跑通，确认行为后再接入真实数据。
- 源码中未见：回滚或恢复路径运行前先备份，或在 git 分支、快照上操作，确保改动可以撤销。
- 服务器默认绑定127.0.0.1，但若用户手动绑定到0.0.0.0，可能暴露到不受信任的网络，需谨慎配置。
- 记忆以明文Markdown存储，敏感数据需额外加密措施。
- 依赖lancedb版本有已知问题，需关注版本更新。
- API v1为遗留版本，可能在未来移除，新代码应使用v2。
最近版本
来自该项目 GitHub Releases 的最新发布记录，说明为上游原文摘录，未经本站改写或测试。
-
v1.5.1 EverOS 1.5.1
发布说明摘录
Hybrid and vector search keep up with 10 requests a second out of the box. Each of those searches embeds its query first, and the slots reserved for those calls were the limit: with 4 of them and a remote embedding endpoint answering in about 0.45 s, search topped out near 9 requests a second and a steady 10 queued without bound. The default is now 16, which held the same load at a p50 of 0.42 s and a p95 of 1.45 s. Changed - [embedding].query_max_concurrent defaults to 16 instead of 4. Every hybrid or vector search makes one query embedding call, and the budget …在 GitHub 查看 ↗ -
v1.5.0 EverOS 1.5.0
发布说明摘录
**/add no longer has to wait for extraction, and an index can no longer be wrong without saying so.** A client can hand a batch to /add with async_mode and get a 202 back in milliseconds, while a durable in-process queue runs extraction in session order; the field, the response body and the task-status paths match EverOS Cloud, so one client works against both. Vector columns now follow [embedding] dim instead of a hardcoded 1024, startup refuses an index the configured model cannot have produced instead of accepting writes that are truncated or searches that quietly return nothing, …在 GitHub 查看 ↗ -
v1.4.2 EverOS 1.4.2
发布说明摘录
A server that stays healthy for days, not hours. Three faults in this release compounded on exactly the deployments that ran longest: a long-lived index leaked file descriptors until searches took seconds, interactive searches queued behind the cascade's background embedding, and a memory root holding more than one project had each project's index rows overwrite the other's. All three are fixed, and a LanceDB root that the last fault already damaged repairs itself on the first start after upgrading. Changed - [embedding].max_concurrent defaults to 10 instead of 5. The …在 GitHub 查看 ↗