EverMind Raven

• 1. 概要 （共 287 字）

  EverMind Raven（中文名「渡鴉」）是盛大集團孵化的 AI 科技團隊 EverMind 於 2026 年 7 月 8 日釋出的深度自進化智慧體框架（Agent Harness）。它構建在 EverMind 自研的記憶作業系統 EverOS 之上，透過雙向記憶機制與可重寫自身程式碼的進化能力，試圖將 AI 從「被動響應的工具」推向「主動進化的數字生命」。官方將其定位為「The Self-Improving Agent Harness」——圍繞記憶、工具、技能、程式碼執行和策略做持續改進的智慧體底座。Raven 目前已開源，支援 macOS 與 Windows，託管於 GitHub，並以 Apache-2.0 協議釋出。

• 2. 產品背景 （共 358 字）

  長期以來，大模型存在一個基礎性痛點——AI 的「失憶症」。當使用者關閉對話視窗，無論剛才的交流多麼深入，AI 都會瞬間清空一切回到初始狀態。這種被稱為「無狀態」的技術侷限，成為 AI 向真正智慧體演進的瓶頸。過去兩年行業普遍採用 RAG（檢索增強生成）或不斷擴大上下文視窗來應對，但 EverMind 團隊認為這些方案本質上仍是「高階書籤系統」——「真正的記憶不是檢索，而是內化」。   EverMind 提出的判斷是：記憶，是區分「工具」與「智慧體」的分界線。一個沒有記憶的實體，無法表現出一致性、無法從經驗中學習、也無法演化。基於此，EverMind 規劃了數字生命演進的四個階段：L1 角色化指令體（當前多數套殼 AI）、L2 記憶增強體、L3 自我進化體、L4 全自主數字生命。Raven 的釋出，代表 EverMind 向 L3 階段邁出了實質性一步。

• 3. 核心架構 （共 529 字）

  Raven 依託 EverOS 底層的「四層仿生架構」工作，透過代理層、記憶層、索引層和介面層協同運作。原始對話流被切分為獨立的記憶單元，再經聚類演算法形成「記憶場景」，最終構建出包含使用者身份、偏好、技能及工作目標的深度畫像。   在程式碼層面，Raven 的 GitHub 倉庫顯示其執行時圍繞一條名為 Spine 的主幹組織：每一輪互動都流經 submit（提交）→ lanes（車道，負責排序與取消）→ emit（產出）的單一入口與單一出口，各特徵引擎透過顯式交接（handoff）而非相互 import 的方式接入 Agent Loop。特徵引擎包括：Context Engine（上下文組裝與 Curator 路徑）、Memory Engine（EverOS 記憶、本地技能、SkillForge）、Proactive Engine（Sentinel 排程與提醒策略）、TokenWise（用量追蹤與快取路由）以及 Eval Engine（任務判斷與協調）。倉庫當前處於 pre-alpha 階段，但核心產品介面（原生 TUI + CLI、Spine 執行時、基礎 Agent Loop、Context Engine、Sentinel 主動性、TokenWise、SkillForge）已可用，Eval Engine 仍部分實現。

• 4. 雙向記憶機制 （共 489 字）

  Raven 的記憶是雙向且動態的。它基於 EverOS 的深度畫像能力，將每一次互動中的關鍵資訊內化為對使用者的認知模型——不是「翻閱你的檔案」，而是「用你的經歷持續更新它對你的理解」。它會在你不知情時記住你「喝咖啡不加糖」「寫稿先列提綱」，而這些偏好會成為它認知的一部分。   更重要的是，這種記憶是雙向的：Raven 不僅記住了你，還會從與你的每一次互動中提煉出對自身能力的反思和改進方向。如果你糾正了它的一個錯誤，它不僅會記住正確答案，還會反思自己為什麼出錯，並在下次互動中改進。EverOS 1.1.0 引入了三層記憶分類法——使用者記憶（定義「人」）、智慧體記憶（定義「智慧體」）和世界知識（Knowledge Wiki，定義「世界」），並配套一套受人類沉思啟發的 Reflection 機制，讓智慧體在空閒時段自動整合與鞏固 intelligence。   測試資料顯示，在 EverOS 支撐下，Raven 能以傳統方案約 1/10 的 Token 消耗，實現超越全量上下文（Full Context）的準確率。官方基準 LoCoMo 達 93.05%、LongMemEval 達 83.00%、HaluMem 達 93.04%。

• 5. 自我進化能力 （共 357 字）

  Raven 最核心、也最具話題性的能力，是「改寫自身程式碼」。它不僅能重寫自己的技能、執行時邏輯和策略，甚至可以透過使用者側個性化小模型 EverBrain 動態微調模型權重。這意味著 Raven 能從成功任務中提煉最佳實踐，從失敗中識別改進空間，並將洞察直接寫入程式碼，實現經驗內化與能力迭代。   Raven 內建約 10 萬項經過深度評測的技能，覆蓋從日常生產力到專業垂直領域的廣泛場景。這些技能並非一成不變：在實際使用中，Raven 會持續評估哪些技能好用、哪些失效，然後主動淘汰、強化或組合出新的技能。這種「技能記憶」（Skill Memory）是非引數化、自我進化的——EverOS 將智慧體軌跡記錄為 Cases（案例），把重複出現的模式提煉為可複用的 Skills，使智慧體能從先前經驗中學習，隨時間持續改進，而不是每項任務都從零開始。

• 6. 功能特性與部署 （共 504 字）

  Raven 以「記憶優先」為設計理念，提供原生終端 TUI 與 CLI 介面，並內建 gateway 連線 Telegram、Discord、Slack、Matrix、WhatsApp、企業微信等訊息平臺。它內建工具管理器，可自動安裝、更新或撤除外部工具，並支援多模型切換（Anthropic、OpenAI、Claude 等）。   安裝採用一行命令：macOS / Linux 執行 curl -fsSL https://raven.evermind.ai/install.sh | bash，Windows 使用 PowerShell irm https://raven.evermind.ai/install.ps1 | iex，隨後 raven start 即可啟動。開發者可將成功工作流封裝為可複用的 Agent Template 或「數字工作者」，並透過 Raven Builder 為任意場景定義專屬 Agent 並一鍵分享。   作為開放平臺，Raven 的記憶模組、主動性引擎和工具路由完全獨立，開發者無需觸及核心框架即可自由替換任何元件。其高度解耦的模組化架構形成正向飛輪：更多智慧體建立帶來更多使用資料，資料反哺 EverOS 使記憶系統更精準，進而推動新智慧體更快進化。

• 7. 應用場景 （共 363 字）

  多智慧體系統：編排多個 AI 代理需要複雜協調與任務分配，Raven 的群組記憶（Group Memory）與 Memory Bank 讓跨平臺智慧體共享知識與團隊上下文。   個性化 AI 伴侶：從個人助手到療愈聊天機器人，陪伴型 AI 需要真正的長期記憶才能帶來情感智慧與行為一致性。   企業知識庫：構建隨團隊演化的組織記憶，AI 從內部討論、文件與決策中學習，成為企業制度性知識層。   客戶支援智慧：記住歷史問題、解決記錄、客戶偏好與溝通風格，讓支援「有溫度且連續」。   可穿戴硬體：將碎片化互動、視覺線索與語音指令處理為結構化模式，讓硬體主動預判需求。   單人生產力：商務使用者微信發語音即可下達「整理跨國會議紀要、提煉三項核心任務、錄入專案系統並郵件通知負責人」，Raven 一站式跑完流程。EverMind 設想的未來是「單人 + 智慧 Agent」勝任以往數十人工作量。

• 8. 學術與生態 （共 414 字）

  EverMind 的學術團隊同步構築了理論護城河，近期連發數篇頂級論文：MSA（Memory Sparse Attention）端到端可訓練稀疏注意力機制，將上下文擴充套件至 1 億 Token、效能衰減不足 9%，釋出當日登頂 HuggingFace Daily Papers；HyperMem 超圖層次化記憶架構在 LoCoMo 達 92.73% SOTA，獲 ACL 2026 Oral；EverMemOS 自組織記憶作業系統入選 ACL 2026 主會；多方協作對話長時記憶評測填補行業空白，獲 KDD 2026 Oral。   EverOS 開源後約一個月內 GitHub Star 突破 10,000，增速超過 mem0 前七個月約 7,000 的水平。EverMind 全棧生態涵蓋 EverBrain（個性化記憶模型）、EverOS（記憶作業系統與 Agent 基礎設施）、Raven（自進化 Agent Harness）、EverMe（個人記憶中心），並以 ReUnite 公益尋人平臺踐行「科技向善」。

• 9. 評價與展望 （共 347 字）

  Raven 代表了自進化智慧體從 L2（記憶增強）向 L3（自我進化）的實質性跨越。其「記憶不是檔案館而是神經網路」「不是查到而是悟到」的理念，以及 1/10 Token 消耗實現超全量上下文準確率的指標，的確在正規化層面具有吸引力。開源優先、Apache-2.0 協議與一行命令部署，顯著降低了企業與個人使用門檻，有利於構建類似 Android / Windows 的底層開發者生態護城河。   但客觀看，Raven 仍處於 pre-alpha，API 可能隨時變化，不宜以成熟生產系統理解。其「可重寫自身程式碼」的激進能力在帶來迭代效率的同時，也引申出可解釋性、安全邊界與失控風險等工程與治理問題。對開發者而言，Raven 當前更像是一個早期但野心很大的 Harness 樣本，值得跟蹤，但落地到關鍵業務仍需謹慎評估穩定性與可監控性。

暫無深度報告

• 

  KellyBarnesX

  —

  EverBrain 那個使用者側小模型能動態微調權重這個點很關鍵，等於記憶真正反哺了模型本身，而不是隻在提示詞裡打補丁。

---

• 

  BreadBudNielsen

  —

  「記憶不是檢索而是內化」這句話說到點子上了。傳統 RAG 就是個高階書籤，Raven 這種雙向記憶才算像人。

---

• 

  MChavezII632

  —

  我把 Raven 接到了 Discord 和 Slack，群組記憶能讓幾個頻道共享上下文，做團隊知識庫雛形挺順手的。

---

• 

  SHernandezQ

  —

  作為開發者最驚喜的是架構解耦，記憶、工具路由、主動性引擎都能單獨換，不用被綁死在核心框架上。

---

• 

  薛明強

  —

  EverOS 開源一個月 Star 就破萬，增速確實猛，社群氛圍也起來了，跟著 mem0 的節奏明顯快一截。

---

• 

  RasmusChristiansen

  —

  Token 消耗只有全量上下文的十分之一還能超準確率，長文件處理成本肉眼可見降下來了，對小團隊很實用。

---

• 

  Sandra.Kim_Pro

  —

  它真能把成功的工作流沉澱成可複用的 Agent Template，我讓它整理了三天的會議紀要，後面直接複用模板，效率直接起飛。

---

• 

  jEFFREYrOGERS

  —

  裝了 Raven 玩了一晚上，記憶是真的能跨會話保留，第二天接著聊它還記得我昨天說的偏好，比一堆套殼助手強太多了。

---

• 

  ZHillIII

  —

  客觀說，L3 自我進化的故事講得漂亮，但「改寫自身程式碼」帶來的安全和失控風險被談得不夠。我建議真要落地關鍵業務前，先把它當黑盒壓測一遍：故意喂錯誤反饋看它會不會把錯誤經驗固化成技能，再檢查 SkillForge 生成的技能有沒有越權呼叫。Raven 現在更像一個野心很大的早期樣本，值得跟蹤，但把它當成熟平臺用還為時過早。

---

• 

  Megan_Campbell_2021

  —

  嘗試用 Raven Builder 給客服場景定義了一個專屬 Agent，一鍵分享到 EverMe，整個流程比想象中簡單，非技術同事也能上手。我們小團隊拿它做了個售前問答助手，把歷史工單喂進去之後，它回答的連貫度明顯比之前用固定提示詞的那版高，客戶也反饋「這次終於記得我上次問過什麼」。不過高峰期偶爾會卡在 Memory Bank 的寫入上，估計是 EverOS 那邊還要再最佳化吞吐。

---

• 

  ASICant433

  —

  10 萬內建技能這數字太誇張了，實測常用場景確實開箱即用，不過我後來仔細翻了技能庫，發現很多垂直領域技能還只是腳手架級別，真要上生產得自己再調一遍，不能全信這個數量。建議官方把「經評測」的標準透明出來，不然新手很容易誤以為開箱即全能。

---

• 

  GregoryGray_2021

  —

  LoCoMo 93%、LongMemEval 83% 這些基準是真能復現的，我跑了官方開源評測指令碼，資料基本對得上，這點比很多隻會喊口號的強。

---

• 

  iDylanLewis_dev

  —

  「可重寫自身程式碼」聽著很酷，但也讓人有點慌，我拿它跑了個資料清洗任務，它確實自己改了工具呼叫順序讓成功率上去了，可我完全看不出它改了哪。萬一它改錯了策略誰來兜底？希望官方早點出可解釋性和回滾機制，不然這種黑盒自我進化我是不敢接關鍵業務的。

---

• 

  DVasquez_2021

  —

  現在還是 pre-alpha，API 說變就變，我上週寫的指令碼這周就跑不起來了，生產環境慎用，當玩具和實驗平臺倒是沒話說。我自己的做法是把所有配置和 Agent Template 都進版本庫，每次升級先 diff 一遍再決定要不要跟，這樣至少不會半夜被一個 breaking change 搞崩。

---

• 

  MoniqueRamos

  —

  一行命令就裝好了，curl 那個 install.sh 跑完 raven start 直接進 TUI，對終端黨很友好。

暫無評論