Raven EverOS长期记忆深度解析双轨语义召回让AI真正记住你【免费下载链接】RavenThe Harness of Harnesses: a trusted, persistent, self-evolving multi-agent ecosystem for all-domain collaboration.项目地址: https://gitcode.com/gh_mirrors/raven35/RavenRaven 是一个可信、持久且可自我进化的多智能体协作系统The Harness of Harnesses其内置的 EverOS 长期记忆插件默认开启、开箱即用。EverOS 通过双轨语义召回机制把你的偏好和智能体学到的技能分开存储、按需注入提示词让 AI 跨会话真正记住你而不是每次都从零开始。为什么 AI 需要记住你 大多数对话式 AI 有个尴尬的弱点关窗即失忆。你上周告诉过它的项目背景、审美偏好、常用流程下次对话全部归零。Raven 的解法是给它装上一套长期记忆引擎。EverOS 作为默认记忆后端负责三件事存每轮对话自动沉淀为记忆无需你手动操作记把关于你的事实和关于它的技能分开归档取新对话开始时按语义相关性把最合适的记忆召回注入智能体提示词整个过程对新手完全透明——安装后不用额外配置memory.backend默认就是everos。双轨语义召回一条记忆两条轨道 ✨这是 EverOS 最有意思的设计。传统记忆系统把所有东西塞进一个池子检索时你的个人信息和智能体的工作笔记混在一起互相干扰。EverOS 把它们拆成两条互不干扰的轨道轨道存什么召回后注入到哪里用户轨User Track情节episode、用户画像profile、原子事实提示词的# Memory段让 AI 认识你智能体轨Agent Track任务案例agent_case、沉淀出的技能agent_skillSkillForge 技能源之一让 AI 复用它自己学会的招式两条轨道在契约层面就做了隔离召回接口要求user_id与agent_id二选一既不给或两个都给都会直接返回空结果——从结构上杜绝用户查询意外捞回智能体内部技能之类的串轨问题。相关逻辑可参考 plugins-dist/everos-memory/raven_everos/backend.py统一契约定义在 raven/contracts/memory.py。 一句话理解双轨用户轨记你是谁智能体轨记我会什么。上图来自 demos/skill_retrieval/ 演示的输出示例——智能体正是靠智能体轨召回的既有技能稳定复现同类创作风格。记忆是怎么长出来的积累—提取机制 EverOS 不是逐句死记而是先积累、后提取对话消息通过store接口持续写入缓冲区立即返回、不拖慢当前回合当对话量越过边界消息条数 / token 数阈值或在会话结束时触发 flush才调用 LLM 做真正的提取提取产物分两类用户事实归用户轨同一操作流程在不同会话中反复出现时会被聚类成一条带maturity_score成熟度和来源案例 ID 的技能归智能体轨这意味着用得越久Raven 积累的技能越熟练。测试计划中对此有完整的端到端验证设计见 docs/everos-memory-e2e-test-plan.md。SkillForge让经验真正可复用 智能体轨召回的技能并不会自行动手而是交给SkillForgeraven/memory_engine/skill_forge/统一调度。它从三个来源融合候选技能本地技能文件BM25 索引权重 0.96EverOS 召回的自进化技能权重 0.9Skill Hub 远程技能权重 0.85通过加权 RRF 排序、可选的 LLM 门控与查询改写后才注入智能体提示词。换句话说EverOS 负责记得SkillForge 负责用对。语义召回的地基四个模型角色 ⚙️语义二字背后是四个各司其职的模型角色llm读对话、提取重点embedding把记忆向量化召回时按意思匹配而非死板关键词rerank对召回结果精排让最相关的排前面multimodal支撑understand_media工具让图片、PDF、音频也能进记忆Raven 的设计很务实可选角色缺了会自动降级并明确告知——没配 embedding 时退回关键词匹配、没配 rerank 时智能体轨走 LLM 精排、没配 multimodal 则媒体不进记忆。跑一次raven onboard引导向导即可把四个角色一次配好。新手上手三步开启长期记忆 安装并运行raven onboard按引导配置 EverOS 所需的 LLM / Embedding 等角色正常使用memory.userId与memory.agentId由宿主统一持有并下发给后端读写天然对齐——这是很多人踩坑的地方两处各配一个 id写进去的记忆永远召不回Raven 从结构上避免了它体检raven doctor会调用后端的health()逐项诊断身份配置、服务端能力与降级状态想深入了解插件发现模型、降级契约与版本升级 SOP推荐阅读 docs/memory-plugin-architecture.md全局术语定义在 CONTEXT.md。记忆存在哪里所有记忆落在本机的~/.everos/目录SQLite LanceDB 向量索引Raven 只是薄适配层重依赖被隔离在 EverOS 服务进程里——插件发现阶段只读清单、不导入后端代码未选中的后端零启动开销。数据在本地隐私可控。总结EverOS 用一套克制的设计回答了AI 如何真正记住你双轨隔离你的画像与它的技能各走各的轨道互不串扰积累—提取平时低开销写入越过边界才动 LLM 提炼优雅降级缺哪个角色就降级哪一段且明说开箱即用默认后端 引导向导 doctor 体检新手零负担当记忆可以跨会话沉淀、经验可以随使用复利式生长AI 才从每次都是新同事变成越用越懂你的老搭档。【免费下载链接】RavenThe Harness of Harnesses: a trusted, persistent, self-evolving multi-agent ecosystem for all-domain collaboration.项目地址: https://gitcode.com/gh_mirrors/raven35/Raven创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
Raven EverOS长期记忆深度解析：双轨语义召回让AI真正记住你
Raven EverOS长期记忆深度解析双轨语义召回让AI真正记住你【免费下载链接】RavenThe Harness of Harnesses: a trusted, persistent, self-evolving multi-agent ecosystem for all-domain collaboration.项目地址: https://gitcode.com/gh_mirrors/raven35/RavenRaven 是一个可信、持久且可自我进化的多智能体协作系统The Harness of Harnesses其内置的 EverOS 长期记忆插件默认开启、开箱即用。EverOS 通过双轨语义召回机制把你的偏好和智能体学到的技能分开存储、按需注入提示词让 AI 跨会话真正记住你而不是每次都从零开始。为什么 AI 需要记住你 大多数对话式 AI 有个尴尬的弱点关窗即失忆。你上周告诉过它的项目背景、审美偏好、常用流程下次对话全部归零。Raven 的解法是给它装上一套长期记忆引擎。EverOS 作为默认记忆后端负责三件事存每轮对话自动沉淀为记忆无需你手动操作记把关于你的事实和关于它的技能分开归档取新对话开始时按语义相关性把最合适的记忆召回注入智能体提示词整个过程对新手完全透明——安装后不用额外配置memory.backend默认就是everos。双轨语义召回一条记忆两条轨道 ✨这是 EverOS 最有意思的设计。传统记忆系统把所有东西塞进一个池子检索时你的个人信息和智能体的工作笔记混在一起互相干扰。EverOS 把它们拆成两条互不干扰的轨道轨道存什么召回后注入到哪里用户轨User Track情节episode、用户画像profile、原子事实提示词的# Memory段让 AI 认识你智能体轨Agent Track任务案例agent_case、沉淀出的技能agent_skillSkillForge 技能源之一让 AI 复用它自己学会的招式两条轨道在契约层面就做了隔离召回接口要求user_id与agent_id二选一既不给或两个都给都会直接返回空结果——从结构上杜绝用户查询意外捞回智能体内部技能之类的串轨问题。相关逻辑可参考 plugins-dist/everos-memory/raven_everos/backend.py统一契约定义在 raven/contracts/memory.py。 一句话理解双轨用户轨记你是谁智能体轨记我会什么。上图来自 demos/skill_retrieval/ 演示的输出示例——智能体正是靠智能体轨召回的既有技能稳定复现同类创作风格。记忆是怎么长出来的积累—提取机制 EverOS 不是逐句死记而是先积累、后提取对话消息通过store接口持续写入缓冲区立即返回、不拖慢当前回合当对话量越过边界消息条数 / token 数阈值或在会话结束时触发 flush才调用 LLM 做真正的提取提取产物分两类用户事实归用户轨同一操作流程在不同会话中反复出现时会被聚类成一条带maturity_score成熟度和来源案例 ID 的技能归智能体轨这意味着用得越久Raven 积累的技能越熟练。测试计划中对此有完整的端到端验证设计见 docs/everos-memory-e2e-test-plan.md。SkillForge让经验真正可复用 智能体轨召回的技能并不会自行动手而是交给SkillForgeraven/memory_engine/skill_forge/统一调度。它从三个来源融合候选技能本地技能文件BM25 索引权重 0.96EverOS 召回的自进化技能权重 0.9Skill Hub 远程技能权重 0.85通过加权 RRF 排序、可选的 LLM 门控与查询改写后才注入智能体提示词。换句话说EverOS 负责记得SkillForge 负责用对。语义召回的地基四个模型角色 ⚙️语义二字背后是四个各司其职的模型角色llm读对话、提取重点embedding把记忆向量化召回时按意思匹配而非死板关键词rerank对召回结果精排让最相关的排前面multimodal支撑understand_media工具让图片、PDF、音频也能进记忆Raven 的设计很务实可选角色缺了会自动降级并明确告知——没配 embedding 时退回关键词匹配、没配 rerank 时智能体轨走 LLM 精排、没配 multimodal 则媒体不进记忆。跑一次raven onboard引导向导即可把四个角色一次配好。新手上手三步开启长期记忆 安装并运行raven onboard按引导配置 EverOS 所需的 LLM / Embedding 等角色正常使用memory.userId与memory.agentId由宿主统一持有并下发给后端读写天然对齐——这是很多人踩坑的地方两处各配一个 id写进去的记忆永远召不回Raven 从结构上避免了它体检raven doctor会调用后端的health()逐项诊断身份配置、服务端能力与降级状态想深入了解插件发现模型、降级契约与版本升级 SOP推荐阅读 docs/memory-plugin-architecture.md全局术语定义在 CONTEXT.md。记忆存在哪里所有记忆落在本机的~/.everos/目录SQLite LanceDB 向量索引Raven 只是薄适配层重依赖被隔离在 EverOS 服务进程里——插件发现阶段只读清单、不导入后端代码未选中的后端零启动开销。数据在本地隐私可控。总结EverOS 用一套克制的设计回答了AI 如何真正记住你双轨隔离你的画像与它的技能各走各的轨道互不串扰积累—提取平时低开销写入越过边界才动 LLM 提炼优雅降级缺哪个角色就降级哪一段且明说开箱即用默认后端 引导向导 doctor 体检新手零负担当记忆可以跨会话沉淀、经验可以随使用复利式生长AI 才从每次都是新同事变成越用越懂你的老搭档。【免费下载链接】RavenThe Harness of Harnesses: a trusted, persistent, self-evolving multi-agent ecosystem for all-domain collaboration.项目地址: https://gitcode.com/gh_mirrors/raven35/Raven创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
