Agent之Memory：EverOS的简介、安装和使用方法、案例应用之详细攻略
目录
[运行演示前，必须先启动 API 服务](#运行演示前，必须先启动 API 服务)
EverOS的简介
EverOS 是一个把长期记忆方法、评测基准和应用案例整合在一起的开源项目，面向的是"自我进化型智能体（self-evolving agents）"的构建、评估和集成。仓库更新说明里明确提到，它把 EverCore、HyperMem、EverMemBench、EvoAgentBench 以及 use-cases 统一到了一个仓库中，方便开发者在同一处完成"构建---评估---接入"三件事。
从项目结构看，EverOS 主要分成三部分：methods/（方法层）、benchmarks/（评测层）和 use-cases/（案例层）。其中，方法层负责提供长期记忆能力，评测层负责衡量记忆系统和智能体演化效果，案例层则展示这些能力如何落地到真实应用中。
Github地址：https://github.com/EverMind-AI/EverOS
1、 特点
|--------------------------|-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| 可独立使用，也可组合使用 | EverOS 的核心特点之一，是它强调可独立使用，也可组合使用。仓库 README 写明，方法层提供的是"生产可用"的记忆架构，能给智能体带来持续、结构化的长期记忆；这些方法既可以单独用，也可以按场景组合起来。 |
| 方法设计非常清晰 | EverCore 被描述为一种受生物"印记"启发的自组织记忆操作系统，能够从对话中提取、结构化并检索长期知识，让智能体具备"记得住、理解得深、还能持续演化"的能力。HyperMem 则是基于超图的层级记忆架构，通过超边捕捉高阶关联，并把记忆组织成 topic、event、fact 三层，用于更细粒度的长期对话检索。README 还给出了 HyperMem 在 LoCoMo 上的 92.73% 结果。 |
| 不只提供能力，也提供统一评测标准 | EverMemBench 用三层记忆评测来衡量 factual recall、applied reasoning 和 personalized generalization；EvoAgentBench 则不是只看静态结果，而是看智能体随时间演化的增长曲线，关注 transfer efficiency、error avoidance 和 skill-hit quality。 |
| 内置完整的检索策略体系 | 第四个特点是它内置了较完整的检索策略体系。文档把检索分成 Lightweight Retrieval 和 Agentic Retrieval 两大类，并进一步支持 keyword、vector、RRF（Hybrid）等方式；其中 RRF 被标为推荐方案，因为它把 BM25 和向量检索的结果融合起来，兼顾速度和准确性。 |
EverOS的安装和使用方法
1、 安装
环境配置
仓库安装文档给出的推荐方式是 Docker 安装。系统要求包括 Python 3.10+、uv、Docker 20.10+、Docker Compose 2.0+，内存至少 4GB，磁盘至少 10GB；测试环境覆盖 macOS、Linux 和 Windows（通过 WSL2）。
安装步骤
可以概括为下面几步：
1）克隆仓库：git clone https://github.com/EverMind-AI/EverMemOS.git，然后进入目录。
2）启动依赖服务：docker-compose up -d，文档说明这一步会拉起 MongoDB、Elasticsearch、Milvus 和 Redis。
3）检查服务状态：docker-compose ps。
4）安装 uv：curl -LsSf https://astral.sh/uv/install.sh | sh。
5）安装项目依赖：uv sync。
环境配置部分要求先复制模板：cp env.template .env，然后在 .env 中填写 API Key。文档给出的示例里，LLM API Key 可接 OpenAI、OpenRouter 或其他 OpenAI 兼容接口；向量化相关则可配置 DeepInfra，或拆分配置 embedding 与 rerank 的不同接口。
启动服务时，文档给出的命令是：uv run python src/run.py --port 1995，默认会在 http://localhost:1995 启动 API 服务。
2、 使用方法
simple_demo.py覆盖了完整的记忆流程
文档说明它只有 67 行代码，但覆盖了完整的记忆流程：先通过 HTTP API 存储对话，再等待数据进入 MongoDB、Elasticsearch、Milvus 等索引层，最后用自然语言查询检索相关记忆。示例里演示了"我喜欢踢足球""我最喜欢巴塞罗那"等对话如何被写入并检索。
运行演示前，必须先启动 API 服务
官方给出的方式是：终端 1 运行 uv run python src/run.py，终端 2 运行 uv run python src/bootstrap.py demo/simple_demo.py。文档还强调，这个 demo 的价值在于：代码少、流程完整、输出友好，而且使用的是和生产环境一致的真实 HTTP API。
extract_memory.py 批量处理对话数据
它用于批量处理对话数据：先清空旧数据，再从 data/ 目录读取会话文件，把消息逐条发给 /api/v1/memories，由服务端自动抽取 MemCells、生成 episodes 和 profiles，并把数据写入数据库。
chat_with_memory.py 带记忆的聊天
如果你想做"带记忆的聊天"，仓库提供了 chat_with_memory.py。文档写明，这个 CLI 支持中英文语言选择、单聊/群聊场景选择，会从 MongoDB 自动加载会话组，还能在 RRF、Embedding、BM25、Agentic 等模式之间切换，并实时显示检索到的记忆，同时自动保存聊天历史。
从检索角度看，文档把使用方法进一步拆成三种常见方式：
轻量检索适合低延迟场景，支持关键词检索和向量检索；RRF 适合作为默认方案，兼顾关键词和语义匹配；Agentic Retrieval 更适合复杂查询，文档说明它会结合多轮推理和信息融合来提升上下文感知能力。
EverOS的案例应用
仓库 README 里列出的应用案例比较丰富，覆盖了游戏、协作平台、陪伴型应用、可穿戴设备、插件、角色、计算机操作和知识可视化等方向。
比较典型的案例包括：
Earth Online Memory Game，把日常规划做成"有记忆感"的任务冒险；Multi-Agent Orchestration Platform，面向工程团队的多智能体工作流；Mobi Is a Companion，一个可以让用户创建、陪伴和共同生活的 iOS AI 生命体；AI Wearable with Memory，一种能听取日常对话并把内容转成记忆的情感型 AI 可穿戴设备。
另外还有 OpenClaw Agent Memory，强调 24/7 持续学习的代理记忆；Live2D Character with Memory，把长期记忆接到可实时对话的动漫角色上；Computer-Use with Memory，用计算机操作结合截图分析并将过程存入记忆；Game of Thrones Memories，则是通过《权力的游戏》的交互式问答来演示 AI 记忆基础设施。
仓库还给出了 Claude Code Plugin 的案例，说明它可以为 Claude Code 提供持久记忆，自动保存并回忆过去编码会话中的上下文；Memory Graph Visualization 则用于把存储的实体及其关联关系可视化展示出来。