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:
- NQ320K检索任务:Recall@1达到75.5%,刷新SOTA记录
- LoCoMo推理基准:92.3%准确率,超越现有方法
- 2wiki & Hotpotqa:ReRank模型分别达到0.758和0.7802的F1分数
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:
- 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 - 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 - 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:
- 传统RAG:文本 → 机械切分 → Chunk → 直接检索
- EverMemOS:对话 → LLM边界检测 → MemCell → 聚合成Episode → 检索Episode
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 —