Harness 与 Agent 工程 · 上下文与记忆 · 2025-11-23

EverMemOS:重新定义AI长期记忆系统

EverMemOS突破传统RAG局限,用LLM驱动的语义记忆单元让AI真正拥有理解与推理能力。

核心内容:

  1. 创新的MemCell设计:LLM驱动的语义完整性记忆单元
  2. 层次化记忆架构:四层结构实现从事件到推理的完整认知
  3. 三重数据库协同:确保记忆系统的稳定与高效检索

一个在多个SOTA基准测试中表现卓越的企业级长期记忆操作系统

引言

在AI Agent时代,记忆不再是简单的"存储与检索",而是需要理解、推理和演化的能力。EverMemOS(EverMind Memory Operating System)作为一个智能记忆操作系统,在多个权威基准测试中取得了突破性成绩:

更重要的是,EverMemOS提出了全新的记忆构建范式——从传统RAG的机械切分,转向LLM驱动的语义完整性记忆单元,让AI真正拥有"记忆"而非"缓存"。

一、核心创新:层次化记忆架构

1.1 MemCell:智能记忆的基石

与传统RAG系统按固定长度(如512 tokens)机械切分文本不同,EverMemOS引入了MemCell(记忆单元)概念。MemCell不是简单的文本片段,而是一个语义完整的结构化对象:

关键特性:

  1. LLM驱动的边界检测:通过prompt引导LLM判断对话是否形成完整主题,返回should_wait标志决定是否累积更多消息
  2. 保留对话上下文:original_data存储完整消息列表,包含speaker_id、speaker_name等元信息
  3. 前瞻性语义联想:semantic_memories字段预测用户未来行为变化(如"用户下周需要调整饮食习惯")

1.2 层次化记忆构建

EverMemOS采用三层记忆架构,每一层承担不同的认知职责:

记忆类型 MongoDB Collection 作用 典型场景
MemCell memcells 原子记忆单元 构建材料,不直接检索
Episode episodic_memories 事件摘要 "上周讨论了项目进度"
Profile core_memories 用户特征 "擅长Python,偏好敏捷开发"
Semantic Memory semantic_memories 知识推理 "用户可能在下个月关注晋升机会"

与传统RAG的本质区别:

这种设计使得检索结果不再是碎片化的文本块,而是语义完整、结构化的记忆片段。

二、系统架构:四数据库协同设计

EverMemOS采用多数据库协同架构,每个数据库承担特定职责:

2.1 三重写入策略

核心记忆类型(Ep…

— 以上为试看内容(约 40%),开通会员后阅读全文 —

原文出处:https://www.53ai.com/news/LargeLanguageModel/2025112369403.html