EverMemOS——一個面向人工智能智能體的長期記憶操作系統，今日正式開源。這一系統由陳天橋旗下的EverMind團隊研發，旨在破解AI因固定上下文窗口導致的“記憶斷裂”問題，為AI智能體賦予持久、連貫、可進化的記憶能力。
這一系統在LoCoMo和LongMemEval-S等主流長期記憶評測集上分別取得了92.3%和82%的分數，顯著超越了此前的技術水平。
行業痛點：AI的“記憶困境”與市場空白
當前，大型語言模型在處理長時程任務時存在一個根本性弱點——固定的上下文窗口限制，導致AI頻繁“遺忘”先前交互內容。
這種“記憶困境”不僅造成記憶斷裂、事實矛盾，更使得深度個性化和知識一致性難以實現。
AI無法利用歷史交互數據來理解用戶，也無法保留上下文的中間數據，這大大降低了其應用價值。
行業巨頭已明確意識到這一問題的戰略性。Claude和ChatGPT均已將長期記憶作為核心功能推出，表明記憶正成為下一代AI應用的關鍵分水嶺。
盡管已有RAG等傳統方法提供初步解決方案，但這些努力仍顯“碎片化”，市場缺乏一個真正可用的、能夠覆蓋全場景的記憶系統。
設計靈感：模擬人腦記憶機制
EverMemOS的設計靈感來源于人類大腦的記憶機制，從感官信號編碼、海馬體索引到皮層長期存儲，前額葉與海馬體協同完成記憶的形成與提取。
這種“類腦”理念成為EverMemOS設計的核心，讓AI能夠像人類一樣思考、記憶與成長。
這一愿景也與陳天橋在腦科學與AI融合研究中的長期投入一脈相承。
在10月底舉辦的首屆天橋腦科學研究院AI驅動科學研討會上，陳天橋系統闡述了包括“長期記憶”在內的發現式智能五種核心能力。
他指出，當今AI建立在“空間結構”范式之上，是“瞬時的”、“靜態的”，而人類大腦的“時間結構”范式是“連續的”、“動態的”。
技術架構：四層結構實現“記憶處理器”
EverMemOS創新設計了四層結構，與大腦關鍵功能區形成類比。
代理層承擔任務理解、分解與生成，類似于前額葉皮層在注意力、計劃與執行控制中的作用。
記憶層管理長期記憶的提取和結構化存儲，對應大腦皮層網絡的長期鞏固存儲功能。
索引層通過Embedding、鍵值對與知識圖譜實現記憶關聯和高效檢索，類似海馬體的關聯與快速索引功能。
接口層則作為AI的“感官接口”與企業級應用無縫集成。
這一系統三大特點突出：從“記憶數據庫”到“記憶處理器”、創新設計“分層記憶提取”與動態組織、實現業界首個可拓展的模塊化記憶框架。
性能突破：雙場景覆蓋與評測高分
在場景覆蓋上，EverMemOS成為行業首個能同時支持1對1對話與復雜多人協作兩大場景的記憶系統，并已被創新的AI Native產品Tanka采用。
在技術性能上，基于創新的生物‘印跡’啟發式記憶提取與應用技術，EverMemOS在最主流的長期記憶評測集上表現出色。
在LoCoMo和LongMemEval-S評測集中，它分別取得了92.3%和82%的高分，均顯著超越了之前的SOTA水平，為行業樹立了新標桿。
這一系統解決了現有方法“只管找，不管用”的核心痛點，通過獨特推理與融合機制，讓記憶能夠實時、主動地影響模型的思考和回應。
戰略布局：從開源到云服務的生態構建
目前，EverMind已在GitHub上開放EverMemOS開源版本，供開發者與AI團隊部署與試用。
預計在今年晚些時候，團隊將發布云服務版本，為企業用戶提供更完善的技術支持、數據持久化與可擴展體驗。
這一布局與陳天橋對AI領域的長期投入相呼應。
上月他宣布將投入10億美元算力支持全球科學家的創新AI研究，尤其關注“發現式智能”的發展。
陳天橋認為，AI的終極價值是發現，發現式智能可以主動構建關于世界的可檢驗理論模型，提出可被證偽的假說，并在與世界的交互與自我反思中持續修正其理解框架。
EverMemOS的發布標志著AI記憶系統從“數據庫”到“處理器”的轉變。
通過模擬人腦的記憶機制，這一系統正嘗試為AI賦予持續的記憶能力，使其能夠在時間流中記憶、適應與進化。
隨著代碼的開源，更多開發者可參與這一進程，共同推動AI向更高層次的智能演進。 |
您現在的位置： 
