企业官网建设流程全解析

你有没有过这种经历：跟某个 AI 助手聊得挺好，关掉对话框再打开，它又跟你像陌生人一样问"有什么可以帮你"。你上次说你喜欢喝美式、你孩子在学钢琴、这周五项目要上线——它全忘了。

这不是模型笨，是它默认只有"当前这一轮对话"的脑子。想让它跨会话记得你，得自己额外接一套记忆系统。我最近翻到一个开源项目EverMemOS（现在改名叫 EverOS 了，后面会讲），思路挺清楚：它不跟某个大模型绑死，而是独立做一个"记忆操作系统"，对话来了抽记忆、要用了再查出来喂给模型。我把它核心的东西捋了一遍，讲给同样想给 Agent 加长期记忆的朋友。

几个词先说明白，后面不反复解释： -Agent（智能体）：能自己调工具、跑流程完成任务的 AI 程序，不是单纯聊天框。 -中间件：夹在两个系统中间、负责转手的那层组件。 -RAG（检索增强生成）：先搜相关资料、再把资料喂给模型回答，减少胡说。

它到底是啥

一句话：EverMemOS 是夹在"你的对话 / Agent"和"大模型"中间的一层记忆中间件。

打个比方：大模型像个临时工，每次来上班都不认识你；EverMemOS 就是前台那本登记簿，把每个访客的喜好、历史都记下来，临时工上岗前先翻一翻。

它想解决的就是一句话——让 Agent 跨会话、跨平台、还能推理地"记住"东西，而不是聊完就忘。

记忆是怎么存进去、又怎么取出来的

EverMemOS 把整套流程拆成三段。名字挺学术，其实不难懂：

1. Encoding（编码 / 抽取）

你发一条消息，它调大模型把里面有价值的信息"抠"出来：发生了啥事、你知道的某条事实、你的偏好、你跟谁啥关系。

2. Consolidation（巩固 / 整理）

抠出来的记忆不会直接堆着。它会按"情节"和"用户 / 实体画像"归拢，重复的合并、新的补上，慢慢长成一张长期记忆网。就像你不会把聊天记录全塞一个文件夹，而是整理成"他的喜好""你们的共同朋友"。

3. Retrieval（检索 / 取用）

下次要回答你时，它按你的问题去翻记忆库，把相关的几条捞出来拼进提示词（prompt）再问大模型。所以模型"看起来"记得你，其实是 EverMemOS 在背后递小纸条。

它到底记得哪些东西

不是所有记忆都一个样。EverMemOS 分了四类，各管各的：

这四类合起来，比单纯存"聊天原文"强在哪？原文是死的，分类后的记忆能被精准检索、能被推理。比如你问"我下周去上海要不要带伞"，它需要的是"你下周去上海"（情节）+ 外部天气，而不是去翻三周前的整段聊天。

想找的时候怎么找

存进去容易，找得准才难。EverMemOS 给了四种检索方式，按场景挑：

• 向量检索（Embedding）：把文字变成一串数字，意思接近的文字数字也接近，所以能按"意思"而不是"字"来搜。
• BM25：老牌关键词算法，就是"这段话里出现了这几个词，所以相关"。

效果到底行不行

吹得再好，得看 benchmark。EverMemOS 在LoCoMo（一个专门考长上下文记忆和推理的基准）上做到了93% 的推理准确率。

• LoCoMo 是啥：Long-Context Memory 的缩写，给 AI 一堆长对话，然后考它记不记得细节、能不能做单跳 / 多跳推理（比如"他提到的那个朋友家在哪"需要连推两步）。93% 在同类型里算很靠前的数。

底层也不是玩具。它直接用生产级组件：

• Milvus：专门存向量的数据库（管"意思相近"那种检索）
• Elasticsearch：全文搜索引擎（管 BM25 关键词）
• MongoDB：存结构化记忆和元数据
• Redis：做缓存、管会话

换句话说，真要上生产，这套栈不用你自己拼。

谁适合用

我翻了一圈文档和用例，觉得这几类人会最有感觉：

1. 做对话助手的开发者：用户偏好、历史话题跨会话保留，回答更一致。
2. 客服系统：记用户的问题、设备号、处理结果，下次接入自动带上。
3. 个人 / 团队知识 Agent：把文档、会议、聊天沉淀成可检索的记忆。
4. 多 Agent 协作：不同 Agent 共用一套记忆，或者按角色隔离。
5. 做记忆 / 推理研究的人：它自带 LoCoMo、LongMemEval、PersonaMem 这些基准的复现脚本。

上手跑一下

环境要求：Python 3.10+、Docker 20.10+、uv（一个比 pip 快的 Python 包管理器）、大概 4GB 内存。

# 1. 克隆并进入目录 git clone https://github.com/EverMind-AI/EverMemOS.git cd EverMemOS # 2. 启动依赖（MongoDB、Elasticsearch、Milvus、Redis） docker compose up -d # 3. 装 uv 和依赖 curl -LsSf https://astral.sh/uv/install.sh | sh uv sync # 4. 配置 API Key cp env.template .env # 编辑 .env，填 LLM_API_KEY（抽取用）和 VECTORIZE_API_KEY（向量化 / 重排） # 5. 启动服务 uv run python src/run.py # 6. 健康检查 curl http://localhost:1995/health # 返回 {"status": "healthy", ...} 就说明起来了

服务跑在http://localhost:1995。

写一条记忆、再查出来，核心 API 就这两个：

import requests API_BASE = "http://localhost:1995/api/v1" # 写入一条对话消息，系统会自动抽取并入库 requests.post(f"{API_BASE}/memories", json={ "message_id": "msg_001", "create_time": "2025-02-01T10:00:00+00:00", "sender": "user_001", "content": "I love playing soccer on weekends" })

# 按问题检索相关记忆 response = requests.get(f"{API_BASE}/memories/search", json={ "query": "What sports does the user like?", "user_id": "user_001", "memory_types": ["episodic_memory"], "retrieve_method": "hybrid" # bm25 / embedding / hybrid / agentic 选一个 }) result = response.json().get("result", {}) for memory_group in result.get("memories", []): print(memory_group)

项目结构 & 配置（略讲）

• src/：服务入口和编码 / 巩固 / 检索逻辑
• docs/：配置、API、架构说明
• evaluation/：各基准评估脚本
• docker-compose.yaml：一键起那四个依赖

配置主要两处：.env（填 key）和config.json（端口、连接、检索默认参数）。

另外 EverMind-AI 还在办Memory Genesis Competition 2026（记忆相关的开源竞赛），分 Agent+Memory、平台插件、OS 基础设施几个赛道，想参与的可以去 Discord 组队。

改名后记（重要）

写这篇时我去仓库确认了一下：原项目EverMemOS 已经更名为 EverOS，现在地址是github.com/EverMind-AI/EverOS，最新版本v1.4.1。上面代码里的 clone 地址和 API 细节是按我当时看到的材料（v1.2.0）写的，大方向没变，但真要上手建议直接去新仓库看最新文档，避免按旧名找不到。

名词速查表

• LLM（大语言模型）：ChatGPT、Claude 那种能理解和生成文字的 AI。
• Agent（智能体）：能自己调工具、跑流程完成任务的 AI 程序。
• RAG（检索增强生成）：先搜相关资料、再把资料喂给模型回答，减少胡说。
• 向量 / Embedding：把文字转成一串数字，意思近的数字也近，方便按语义搜。
• BM25：经典关键词搜索算法，按"词出现"算相关度。
• LoCoMo：长上下文记忆基准，考 AI 记不记得之前聊过啥、能不能推理。
• Milvus / Elasticsearch / MongoDB / Redis：分别是向量库 / 搜索引擎 / 文档库 / 缓存，都是成熟的生产组件。