Item: EverOS
Rating: 8
Author: Mnet

EverOS 快速入门

给 Agent 装上”长期记忆”——跨应用、自进化、本地优先。

这是什么？适合谁？

EverOS 是 AI Agent 的通用记忆层，解决 Agent “记不住”的痛点。它让 Agent 在不同应用、工具、工作流之间共享记忆，支持自进化。Markdown 原生，数据完全由用户拥有，Apache-2.0 开源。GitHub 11.4K+ stars，Python 语言实现。

核心特性：

Markdown 数据源：所有记忆以 .md 文件存储，可读、可编辑、可 diff、可 Git 版本管理
本地三件套：Markdown + SQLite + LanceDB，无需 MongoDB、Elasticsearch 或 Redis
用户 + Agent 双轨：episodes/profile（用户）和 cases/skills（Agent）分别管理
正交检索：支持按 user_id、agent_id、app_id、project_id、session_id 多维检索
自省（Reflection）：离线记忆进化，合并会话聚类、优化画像和 Skill

适合谁？一是需要跨会话记忆的 Agent 开发者；二是需要知识积累和自进化的 Agent 系统；三是注重数据隐私的用户（本地优先）。不适合：简单的一次性问答场景。

准备工作

安装：pip install everos 或 uv pip install everos
Python：3.12+（推荐），最低 3.9
API 密钥（生产使用）：OpenRouter（LLM/Multimodal）+ DeepInfra（Embedding/Rerank）

3 步快速上手

第 1 步：安装

pip install everos
# 或使用 uv（推荐，更快）
uv pip install everos

第 2 步：初始化

生成 .env 配置文件：

everos init

这将生成 ./.env 文件，填入以下密钥：

EVEROS_LLM__API_KEY：OpenRouter API Key
EVEROS_MULTIMODAL__API_KEY：OpenRouter API Key（可复用）
EVEROS_EMBEDDING__API_KEY：DeepInfra API Key
EVEROS_RERANK__API_KEY：DeepInfra API Key（可复用）

支持通过 *__BASE_URL 切换为其他 OpenAI 兼容提供商。

第 3 步：启动并使用

# 启动 EverOS 服务
everos server start

# 另开终端验证
curl http://127.0.0.1:8000/health
# 预期：{"status":"ok"}

# 运行实时演示
everos demo --live

先在终端玩一下可视化 Demo（无需 API Key）：

everos demo

Demo 使用 TUI 展示记忆生命周期：对话 → 记忆球（Memory Sphere）→ 召回 → 源证明。按 r 重播，按 q 退出。

初级用法

存储和检索记忆

from everos import EverOS

memory = EverOS(storage_path="./my_memory")

# 存储
memory.store("用户偏好", "用户喜欢简洁的代码风格")

# 检索
result = memory.retrieve("代码风格偏好")
print(result)  # 输出：用户喜欢简洁的代码风格

通过 API 操作记忆

import requests

BASE = "http://127.0.0.1:8000"

# 添加记忆
requests.post(f"{BASE}/api/v1/memory/add", json={
    "user_id": "alice",
    "content": "用户喜欢 Python 和 TypeScript"
})

# 搜索记忆
res = requests.post(f"{BASE}/api/v1/memory/search", json={
    "query": "编程语言偏好",
    "user_id": "alice"
})
print(res.json())

高级玩法

多项目隔离记忆

# 按项目隔离记忆空间
memory_project_a = EverOS(storage_path="./project_a_memory")
memory_project_b = EverOS(storage_path="./project_b_memory")

memory_project_a.store("project_a/config", "API 端点为 https://api.a.com")
memory_project_b.store("project_b/config", "API 端点为 https://api.b.com")

集成 MCP Server

EverOS 支持 MCP（Model Context Protocol），可作为 MCP Server 运行，让 Claude Desktop、Cursor 等 MCP 客户端直接访问记忆：

everos mcp-server start

使用自定义 Embedding 提供商

from everos import EverOS

memory = EverOS(
    storage_path="./my_memory",
    embedding_provider="openai",        # 可选：openai, deepinfra, huggingface
    embedding_model="text-embedding-3-small",
    rerank_provider="cohere",
    rerank_model="rerank-english-v3.0"
)

配置文件 .env 对应设置：

EVEROS_EMBEDDING__PROVIDER=openai
EVEROS_EMBEDDING__BASE_URL=https://api.openai.com/v1
EVEROS_EMBEDDING__API_KEY=sk-...
EVEROS_RERANK__PROVIDER=cohere
EVEROS_RERANK__BASE_URL=https://api.cohere.com/v1
EVEROS_RERANK__API_KEY=...

小技巧

使用 everos init --xdg：将配置文件写入 ~/.config/everos/.env，全局共享
编辑 .md 文件直接修改记忆：在 ./my_memory/ 目录下手动编辑 Markdown 文件，EverOS 的级联观察器会自动同步
利用 Git 版本管理记忆：将 storage_path 目录纳入 Git 仓库，实现记忆版本回溯
批量导入记忆：直接复制 .md 文件到存储目录，无需通过 API
多 Agent 共享记忆：在 Agent 间共享同一个 storage_path，即可实现跨 Agent 知识共享

常见踩坑

踩坑 1：Python 版本过低

症状：安装后导入报错
原因：EverOS 依赖部分 Python 3.10+ 特性
解决：确保 Python >= 3.9，推荐 3.12+

踩坑 2：API Key 配置遗漏

症状：everos server start 启动后无法使用记忆功能
解决：运行 everos init 生成 .env，至少配置 LLM 和 Embedding 的 API Key

踩坑 3：端口被占用

症状：everos server start 报端口冲突
解决：在 .env 中设置 EVEROS_SERVER__PORT=8001 切换端口

踩坑 4：检索结果不准确

症状：召回内容与查询意图不匹配
解决：更换更优的 Embedding 模型（如 text-embedding-3-large），或启用 Rerank 功能

踩坑 5：本地 SQLite 文件损坏

症状：查询时出现数据库错误
解决：备份 storage_path 目录，删除 SQLite 文件后重启，EverOS 会从 Markdown 文件重建索引

踩坑 6：生产环境性能不足

症状：高并发下请求延迟高
解决：使用 uvicorn 多 worker 模式运行：everos server start --workers 4

踩坑 7：不支持自定义模型

症状：想用本地 Ollama 模型但不知如何配置
解决：在 .env 中设置 *__BASE_URL 指向 Ollama 端点，如 EVEROS_EMBEDDING__BASE_URL=http://localhost:11434/v1

常见问题 FAQ

Q1: EverOS 完全免费吗？

A: 完全开源免费，Apache-2.0 协议。无任何隐藏收费。唯一可能产生费用的是你选择的 API 提供商（如 OpenRouter、DeepInfra），这些费用由提供商收取，与 EverOS 无关。来源

Q2: EverOS 与其他记忆方案（如 MemOS、Mem0）相比有何优势？

A: EverOS 的核心差异在于 Markdown 原生——记忆以普通 .md 文件存储，可读可编辑可版本管理。MemOS 采用图数据库（Neo4j + Qdrant）后端，需要 Docker 环境运行；Mem0 侧重纯 API 服务。EverOS 是三件套中唯一以本地 Markdown 为权威数据源的方案。来源

Q3: 是否支持中文全文检索？

A: 支持。EverOS 的检索层基于 LanceDB，支持多语言 Embedding。配合中文 Embedding 模型（如 BAAI/bge-large-zh-v1.5）效果更佳。来源

Q4: 能否集成到现有的 Agent 框架（如 LangChain、AutoGen）中？

A: 可以。提供 Python SDK 和 REST API 两种集成方式。通过 EverOS 类可直接在 LangChain Tool、AutoGen Agent 中调用。也支持作为 MCP Server 暴露记忆能力。来源

Q5: 数据安全如何保障？会不会自动上传云端？

A: 默认全部本地存储，零云端上传。仅当配置了 API 提供商时，调用 LLM/Embedding 接口才会有请求发往对应服务商，记忆内容本身不离开本地。所有数据在 storage_path 目录下，可完全离线使用。来源

进阶学习建议

阅读官方文档：docs.evermind.ai 有完整的 API 参考和架构说明
深入阅读源码：EverOS 是纯 Python 实现，GitHub 仓库结构清晰，适合学习 Agent 记忆系统的设计
实践项目：尝试用 EverOS 构建一个跨会话记忆的 AI 助手，让它在多次对话中记住用户偏好
集成方案：将 EverOS 作为 MCP Server 集成到 Claude Desktop 或 Cursor 中，体验跨应用记忆
社区参与：加入 EverMind Discord 或 GitHub Discussions 与其他开发者交流
阅读论文：关注 Agent 记忆系统的最新学术进展，对比 EverOS 的 Reflection 机制与主流方案的差异

参考链接

免责声明：本文档基于 EverOS 开源项目（Apache-2.0）编写，内容仅供参考。EverOS 不隶属于任何 API 提供商，使用第三方 API 需遵守其服务条款。项目 Star 数、特性等数据来自 GitHub API（2026-07-23 快照），实际可能随时间变化。

EverOS

📊 评分明细

🎯 适用场景