EverMind Raven

• 1. 概要 （共 287 字）

  EverMind Raven（中文名「渡鸦」）是盛大集团孵化的 AI 科技团队 EverMind 于 2026 年 7 月 8 日发布的深度自进化智能体框架（Agent Harness）。它构建在 EverMind 自研的记忆操作系统 EverOS 之上，通过双向记忆机制与可重写自身代码的进化能力，试图将 AI 从「被动响应的工具」推向「主动进化的数字生命」。官方将其定位为「The Self-Improving Agent Harness」——围绕记忆、工具、技能、代码执行和策略做持续改进的智能体底座。Raven 目前已开源，支持 macOS 与 Windows，托管于 GitHub，并以 Apache-2.0 协议发布。

• 2. 产品背景 （共 358 字）

  长期以来，大模型存在一个基础性痛点——AI 的「失忆症」。当用户关闭对话窗口，无论刚才的交流多么深入，AI 都会瞬间清空一切回到初始状态。这种被称为「无状态」的技术局限，成为 AI 向真正智能体演进的瓶颈。过去两年行业普遍采用 RAG（检索增强生成）或不断扩大上下文窗口来应对，但 EverMind 团队认为这些方案本质上仍是「高级书签系统」——「真正的记忆不是检索，而是内化」。   EverMind 提出的判断是：记忆，是区分「工具」与「智能体」的分界线。一个没有记忆的实体，无法表现出一致性、无法从经验中学习、也无法演化。基于此，EverMind 规划了数字生命演进的四个阶段：L1 角色化指令体（当前多数套壳 AI）、L2 记忆增强体、L3 自我进化体、L4 全自主数字生命。Raven 的发布，代表 EverMind 向 L3 阶段迈出了实质性一步。

• 3. 核心架构 （共 529 字）

  Raven 依托 EverOS 底层的「四层仿生架构」工作，通过代理层、记忆层、索引层和接口层协同运作。原始对话流被切分为独立的记忆单元，再经聚类算法形成「记忆场景」，最终构建出包含用户身份、偏好、技能及工作目标的深度画像。   在代码层面，Raven 的 GitHub 仓库显示其运行时围绕一条名为 Spine 的主干组织：每一轮交互都流经 submit（提交）→ lanes（车道，负责排序与取消）→ emit（产出）的单一入口与单一出口，各特征引擎通过显式交接（handoff）而非相互 import 的方式接入 Agent Loop。特征引擎包括：Context Engine（上下文组装与 Curator 路径）、Memory Engine（EverOS 记忆、本地技能、SkillForge）、Proactive Engine（Sentinel 调度与提醒策略）、TokenWise（用量追踪与缓存路由）以及 Eval Engine（任务判断与协调）。仓库当前处于 pre-alpha 阶段，但核心产品界面（原生 TUI + CLI、Spine 运行时、基础 Agent Loop、Context Engine、Sentinel 主动性、TokenWise、SkillForge）已可用，Eval Engine 仍部分实现。

• 4. 双向记忆机制 （共 489 字）

  Raven 的记忆是双向且动态的。它基于 EverOS 的深度画像能力，将每一次交互中的关键信息内化为对用户的认知模型——不是「翻阅你的档案」，而是「用你的经历持续更新它对你的理解」。它会在你不知情时记住你「喝咖啡不加糖」「写稿先列提纲」，而这些偏好会成为它认知的一部分。   更重要的是，这种记忆是双向的：Raven 不仅记住了你，还会从与你的每一次互动中提炼出对自身能力的反思和改进方向。如果你纠正了它的一个错误，它不仅会记住正确答案，还会反思自己为什么出错，并在下次交互中改进。EverOS 1.1.0 引入了三层记忆分类法——用户记忆（定义「人」）、智能体记忆（定义「智能体」）和世界知识（Knowledge Wiki，定义「世界」），并配套一套受人类沉思启发的 Reflection 机制，让智能体在空闲时段自动整合与巩固 intelligence。   测试数据显示，在 EverOS 支撑下，Raven 能以传统方案约 1/10 的 Token 消耗，实现超越全量上下文（Full Context）的准确率。官方基准 LoCoMo 达 93.05%、LongMemEval 达 83.00%、HaluMem 达 93.04%。

• 5. 自我进化能力 （共 357 字）

  Raven 最核心、也最具话题性的能力，是「改写自身代码」。它不仅能重写自己的技能、运行时逻辑和策略，甚至可以通过用户侧个性化小模型 EverBrain 动态微调模型权重。这意味着 Raven 能从成功任务中提炼最佳实践，从失败中识别改进空间，并将洞察直接写入代码，实现经验内化与能力迭代。   Raven 内置约 10 万项经过深度评测的技能，覆盖从日常生产力到专业垂直领域的广泛场景。这些技能并非一成不变：在实际使用中，Raven 会持续评估哪些技能好用、哪些失效，然后主动淘汰、强化或组合出新的技能。这种「技能记忆」（Skill Memory）是非参数化、自我进化的——EverOS 将智能体轨迹记录为 Cases（案例），把重复出现的模式提炼为可复用的 Skills，使智能体能从先前经验中学习，随时间持续改进，而不是每项任务都从零开始。

• 6. 功能特性与部署 （共 504 字）

  Raven 以「记忆优先」为设计理念，提供原生终端 TUI 与 CLI 界面，并内置 gateway 连接 Telegram、Discord、Slack、Matrix、WhatsApp、企业微信等消息平台。它内置工具管理器，可自动安装、更新或撤除外部工具，并支持多模型切换（Anthropic、OpenAI、Claude 等）。   安装采用一行命令：macOS / Linux 执行 curl -fsSL https://raven.evermind.ai/install.sh | bash，Windows 使用 PowerShell irm https://raven.evermind.ai/install.ps1 | iex，随后 raven start 即可启动。开发者可将成功工作流封装为可复用的 Agent Template 或「数字工作者」，并通过 Raven Builder 为任意场景定义专属 Agent 并一键分享。   作为开放平台，Raven 的记忆模块、主动性引擎和工具路由完全独立，开发者无需触及核心框架即可自由替换任何组件。其高度解耦的模块化架构形成正向飞轮：更多智能体创建带来更多使用数据，数据反哺 EverOS 使记忆系统更精准，进而推动新智能体更快进化。

• 7. 应用场景 （共 363 字）

  多智能体系统：编排多个 AI 代理需要复杂协调与任务分配，Raven 的群组记忆（Group Memory）与 Memory Bank 让跨平台智能体共享知识与团队上下文。   个性化 AI 伴侣：从个人助手到疗愈聊天机器人，陪伴型 AI 需要真正的长期记忆才能带来情感智能与行为一致性。   企业知识库：构建随团队演化的组织记忆，AI 从内部讨论、文档与决策中学习，成为企业制度性知识层。   客户支持智能：记住历史问题、解决记录、客户偏好与沟通风格，让支持「有温度且连续」。   可穿戴硬件：将碎片化交互、视觉线索与语音指令处理为结构化模式，让硬件主动预判需求。   单人生产力：商务用户微信发语音即可下达「整理跨国会议纪要、提炼三项核心任务、录入项目系统并邮件通知负责人」，Raven 一站式跑完流程。EverMind 设想的未来是「单人 + 智能 Agent」胜任以往数十人工作量。

• 8. 学术与生态 （共 414 字）

  EverMind 的学术团队同步构筑了理论护城河，近期连发数篇顶级论文：MSA（Memory Sparse Attention）端到端可训练稀疏注意力机制，将上下文扩展至 1 亿 Token、性能衰减不足 9%，发布当日登顶 HuggingFace Daily Papers；HyperMem 超图层次化记忆架构在 LoCoMo 达 92.73% SOTA，获 ACL 2026 Oral；EverMemOS 自组织记忆操作系统入选 ACL 2026 主会；多方协作对话长时记忆评测填补行业空白，获 KDD 2026 Oral。   EverOS 开源后约一个月内 GitHub Star 突破 10,000，增速超过 mem0 前七个月约 7,000 的水平。EverMind 全栈生态涵盖 EverBrain（个性化记忆模型）、EverOS（记忆操作系统与 Agent 基础设施）、Raven（自进化 Agent Harness）、EverMe（个人记忆中心），并以 ReUnite 公益寻人平台践行「科技向善」。

• 9. 评价与展望 （共 347 字）

  Raven 代表了自进化智能体从 L2（记忆增强）向 L3（自我进化）的实质性跨越。其「记忆不是档案馆而是神经网络」「不是查到而是悟到」的理念，以及 1/10 Token 消耗实现超全量上下文准确率的指标，的确在范式层面具有吸引力。开源优先、Apache-2.0 协议与一行命令部署，显著降低了企业与个人使用门槛，有利于构建类似 Android / Windows 的底层开发者生态护城河。   但客观看，Raven 仍处于 pre-alpha，API 可能随时变化，不宜以成熟生产系统理解。其「可重写自身代码」的激进能力在带来迭代效率的同时，也引申出可解释性、安全边界与失控风险等工程与治理问题。对开发者而言，Raven 当前更像是一个早期但野心很大的 Harness 样本，值得跟踪，但落地到关键业务仍需谨慎评估稳定性与可监控性。

暂无深度报告

• 

  KellyBarnesX

  —

  EverBrain 那个用户侧小模型能动态微调权重这个点很关键，等于记忆真正反哺了模型本身，而不是只在提示词里打补丁。

---

• 

  BreadBudNielsen

  —

  「记忆不是检索而是内化」这句话说到点子上了。传统 RAG 就是个高级书签，Raven 这种双向记忆才算像人。

---

• 

  MChavezII632

  —

  我把 Raven 接到了 Discord 和 Slack，群组记忆能让几个频道共享上下文，做团队知识库雏形挺顺手的。

---

• 

  SHernandezQ

  —

  作为开发者最惊喜的是架构解耦，记忆、工具路由、主动性引擎都能单独换，不用被绑死在核心框架上。

---

• 

  薛明强

  —

  EverOS 开源一个月 Star 就破万，增速确实猛，社区氛围也起来了，跟着 mem0 的节奏明显快一截。

---

• 

  RasmusChristiansen

  —

  Token 消耗只有全量上下文的十分之一还能超准确率，长文档处理成本肉眼可见降下来了，对小团队很实用。

---

• 

  Sandra.Kim_Pro

  —

  它真能把成功的工作流沉淀成可复用的 Agent Template，我让它整理了三天的会议纪要，后面直接复用模板，效率直接起飞。

---

• 

  jEFFREYrOGERS

  —

  装了 Raven 玩了一晚上，记忆是真的能跨会话保留，第二天接着聊它还记得我昨天说的偏好，比一堆套壳助手强太多了。

---

• 

  ZHillIII

  —

  客观说，L3 自我进化的故事讲得漂亮，但「改写自身代码」带来的安全和失控风险被谈得不够。我建议真要落地关键业务前，先把它当黑盒压测一遍：故意喂错误反馈看它会不会把错误经验固化成技能，再检查 SkillForge 生成的技能有没有越权调用。Raven 现在更像一个野心很大的早期样本，值得跟踪，但把它当成熟平台用还为时过早。

---

• 

  Megan_Campbell_2021

  —

  尝试用 Raven Builder 给客服场景定义了一个专属 Agent，一键分享到 EverMe，整个流程比想象中简单，非技术同事也能上手。我们小团队拿它做了个售前问答助手，把历史工单喂进去之后，它回答的连贯度明显比之前用固定提示词的那版高，客户也反馈「这次终于记得我上次问过什么」。不过高峰期偶尔会卡在 Memory Bank 的写入上，估计是 EverOS 那边还要再优化吞吐。

---

• 

  ASICant433

  —

  10 万内置技能这数字太夸张了，实测常用场景确实开箱即用，不过我后来仔细翻了技能库，发现很多垂直领域技能还只是脚手架级别，真要上生产得自己再调一遍，不能全信这个数量。建议官方把「经评测」的标准透明出来，不然新手很容易误以为开箱即全能。

---

• 

  GregoryGray_2021

  —

  LoCoMo 93%、LongMemEval 83% 这些基准是真能复现的，我跑了官方开源评测脚本，数据基本对得上，这点比很多只会喊口号的强。

---

• 

  iDylanLewis_dev

  —

  「可重写自身代码」听着很酷，但也让人有点慌，我拿它跑了个数据清洗任务，它确实自己改了工具调用顺序让成功率上去了，可我完全看不出它改了哪。万一它改错了策略谁来兜底？希望官方早点出可解释性和回滚机制，不然这种黑盒自我进化我是不敢接关键业务的。

---

• 

  DVasquez_2021

  —

  现在还是 pre-alpha，API 说变就变，我上周写的脚本这周就跑不起来了，生产环境慎用，当玩具和实验平台倒是没话说。我自己的做法是把所有配置和 Agent Template 都进版本库，每次升级先 diff 一遍再决定要不要跟，这样至少不会半夜被一个 breaking change 搞崩。

---

• 

  MoniqueRamos

  —

  一行命令就装好了，curl 那个 install.sh 跑完 raven start 直接进 TUI，对终端党很友好。

暂无评论