Markdown-alapú memóriát kapnak az AI-ügynökök az EverOS-szal

Az EverMind bemutatta az EverOS-t, egy nyílt forráskódú memóriafutásidőt AI-ügynökök számára. A rendszer Apache 2.0 licenc alatt érhető el, és arra a problémára kínál megoldást, hogy a nagy nyelvi modellek állapotmentesek, azaz a beszélgetés végén elveszítik a kontextust. Az EverOS ehelyett a memóriát egyszerű Markdown fájlokban tárolja, amelyek az ügynökök „igazságforrásává” válnak, lehetővé téve azok szerkesztését és keresését a munkamenetek között. (MarkTechPost)

Az EverOS egy Python könyvtár és egy helyi futásidejű memóriakezelő. Szerverként működik CLI-vel és FastAPI HTTP API-val, aszinkron módon. A rendszer két memóriapályát különböztet meg: a felhasználói oldali memóriában profilok, epizódok, tények és előrejelzések, míg az ügynökoldali memóriában esetek és képességek (Skills) találhatók. Minden rekord .md fájlként kerül mentésre, így könnyen megnyitható, szerkeszthető, kereshető vagy akár Git-verziózható. Az EverAlgo nevű különálló könyvtár kezeli az extrakciós algoritmusokat, míg az EverOS orchestrálja és perzisztálja az eredményeket. Az OpenAI-protokollal kompatibilis végpontok egyszerűen csatlakoztathatók OpenAI, OpenRouter, vLLM, Ollama vagy DeepInfra szolgáltatásokhoz egyetlen alap URL megváltoztatásával.

Kapcsolódó: TencentDB Agent Memory

Az EverOS Architektúrája: Markdown, SQLite és LanceDB

Az EverOS három részből álló tárolási rendszert használ: a Markdown a végső igazságforrás, a SQLite kezeli az állapotot és a sorokat, a LanceDB pedig a vektorokat, a BM25 kulcsszavas keresést és a skalár szűrőket. Ez a megközelítés lényegesen könnyebb, mint egy tipikus produkciós memóriabeállítás, amelyhez nincs szükség MongoDB, Elasticsearch, Milvus, Redis vagy Kafka használatára, így csökkenti az üzemeltetési költségeket. A lekérdezés hibrid: egyetlen LanceDB lekérdezés kombinálja a BM25 kulcsszavas keresést, a sűrű vektoros keresést és a skalár szűrést, amit a cég mRAG-nak nevez. Egy index-szinkronizáló mechanizmus biztosítja, hogy a fájlok és az indexek mindig összhangban legyenek, így a memória mindig naprakész marad. A keresés azonosítók szerint is szűrhető, például felhasználó, ügynök, alkalmazás vagy projekt azonosító alapján, ami elengedhetetlen többügynökös és többfelhasználós környezetekben.

Kapcsolódó: Memori tartós memória

Hogyan fejlődik a memória: az Esetekből Képességek lesznek

Az EverOS egyik megkülönböztető jellemzője az eljárási memória. Minden befejezett ügynöki feladatot egy „Esetként” (Case) rögzít. Az ismétlődő sikeres mintázatokat offline módon „Képességekké” (Skills) desztillálják, ami a „önfejlődő” képesség lényege. Ezeket a Képességeket megosztják az ügynökcsapatok között, manuális kuráció vagy kódolás nélkül, lehetővé téve az ügynökök számára, hogy használatuk során fejlődjenek, ne pedig minden munkamenetet újraindítsanak. A 1.1.0-s verzió továbbfejlesztette ezt a rendszert, bevezetve a Knowledge API-kat és a Reflection funkciót, amely az epizódokat és profilokat finomítja a munkamenetek között. A memóriamodell egyszerű: az epizodikus memória megválaszolja a „mi történt?”, a profil memória a „ki ez a felhasználó?”, az eljárási memória pedig a „hogyan végezzük el ezt a feladatot?” kérdéseket.

Kapcsolódó: Agentmemory tokenhatékonyság

Az EverMind által közölt teljesítményteszt eredmények kiemelkedőek: 93,05% a LoCoMo, 83,00% a LongMemEval és 93,04% a HaluMem teszteken, valamint 500 ms alatti p95 lekérdezési késleltetés. Ezek az eredmények az EverMind saját mérésein alapulnak, és független ellenőrzést igényelnek. A rendszer rugalmasan integrálható különböző LLM-szolgáltatókkal, és helyi futásidejű (local-first) architektúrája révén az adatok biztonságosan a felhasználó környezetében maradhatnak, de elérhető egy felhőalapú verzió is.

Kapcsolódó: Asana StackAI vásárlása

A könyvtár példákkal illusztrálja a működését, például a Hive Orchestrator CLI kódügynökök böngészőalapú együttműködését, vagy a Reunite nevű keresőrendszert, amely szemantikus memóriát használ. További példák közé tartozik egy Alzheimer-kóros betegeknek szánt memóriasegítő és egy AI-viselhető eszköz, amely a mindennapi életet alakítja át memóriává. A telepítés egyszerű, Python 3.12 vagy újabb verziót igényel, és a helyi demó API-kulcsok nélkül is futtatható. Az EverOS 1.1.0 verziója március végén jelent meg, és Apache 2.0 licenc alatt érhető el.

Kapcsolódó: Stanford lokális AI-ügynökök