🎓 兄弟们，又挖到一个宝藏课程：7 周从零搭出一套生产级 RAG 系统 GitHub 上 7.7k stars，全程动手写代码，不是幻灯片课 市面上的 RAG 教程大多直奔向量检索，demo 能跑，但是上线就崩。 这门课走的是公司里真实的路径：第一周先把 Docker、FastAPI、PostgreSQL、OpenSearch、Airflow 的基建搭起来，然后老老实实做 BM25 关键词检索，再叠上语义向量做混合检索，最后用 LangGraph 做 agentic RAG，还接了个 Telegram bot 随手提问。 跟完的产出不是 demo，是一个自动抓 arXiv 论文、能回答研究问题的完整系统。 学 RAG 最快的方式，是把它完整造一遍。 GitHub：

前段时间小龙虾、Hermes爆火，一个特别大的痛点就是太烧Token了。 关于怎么省Token，很多人研究了很多方法，比如用qmd等本地语义搜索，换便宜模型等。 最近刷到一个开源项目@OpenSquilla，把省Token这件事儿做得很不错。 核心逻辑：智能模型路由 + 本地向量检索 简单问题，用便宜模型，复杂任务，用更厉害的模型。 智能路由本地完成，不消耗Token，换模型也是自动判断，不需要手动切。 后台还有模型调用成本统计，随时查看用了哪些模型，花了多少钱。 连续对话，让它写个抓取 Paulgraham 最新文章脚本，只消耗了5500 Token。 完成后会显示 COMBO ×2 ，像游戏的连击反馈，有意思，哈哈哈 相比完整重发，每轮只增量发送，缓存命中机制也实际传输 token 减少了 90%+ 记忆系统做得也不错，快到上下文上限时，子 Agent 筛除关键内容再压缩，支持BM25 + 向量混合检索。 自动整理白天对话，第二天也能记得上下文，让 Cron job 定时抓新闻、跑任务，很省心。 安全上也有考量，高风险工具跑在沙箱里，按来源直接不明工具、Skill调用。 支持 Openclaw 一键迁移，记忆、配置、技能全能移过来，切换零成本。 安装很简单，跟Claude Code或Codex说： 带我安装配置：

AI Agent 的记忆通常是黑盒——你不知道它记了什么、存在哪、能不能直接改——EverOS，10300 个 Star，把这件事做成了一堆你能打开的 .md 文件，本地跑，不依赖任何托管服务。 一句话：给 AI Agent 装一个本地优先的持久记忆层，存的是 Markdown 文件，能读、能改、能 git diff，pip 一条命令装好。 先说两个真实在用的场景： 场景一：Claude Code / Cursor 跨会话记住你的项目 你用 Claude Code 做项目，每次开新对话它就失忆了——项目用什么技术栈、之前踩过什么坑、哪些决定是故意这样设计的，全部要重新交代。 接上 evermemos-mcp（官方生态的 MCP 集成包），EverOS 把这些上下文存成本地 .md 文件，下次打开直接继续，不用重复交代背景。 场景二：多个 AI Agent 共享一套记忆 Hive Orchestrator（官方生态项目）让 Claude Code、Codex、Gemini CLI 同时作为真实进程跑，通过 EverOS 共享同一套记忆——Agent A 做完一件事，Agent B 知道，不重复踩坑，不互相打架。 为什么 .md 文件做记忆这件事值得说： （1）Markdown 是唯一真相——所有记忆都存在 ~/.everos/ 里，用任何文本编辑器打开就能看，想删、想改直接动文件，系统自动同步索引 （2）本地三件套，断网也能跑——Markdown 原文 + SQLite 存状态 + LanceDB 做向量/BM25 混合检索，不需要 MongoDB / Redis / Elasticsearch （3）用户和 Agent 分开管——用户有自己的 episodes/profile，Agent 有 cases/skills，两套独立；检索时按 user_id / agent_id / app_id / project_id 任意维度过滤 （4）Reflection（会话间自我进化）——后台自动把零散记忆合并归类，精炼 profile 和技能库，下次召回比上次准，不是纯存取的静态记忆 （5）OpenAI 兼容接口——本地起服务后 API 格式和 OpenAI 一样，现有工具直接接，不用改调用代码 装法： pip install everos everos demo      # 先跑可视化演示，不需要 API Key# everos init      # 配 OpenRouter #+ DeepInfra 的 Key everos server start 做 AI 产品、跑多 Agent 工作流、用 Claude Code 做长期项目的兄弟，这个记忆层值得接进来试试。 好东西转给需要的兄弟。🚀 #AI# Agent #开源工具# #老杨啊分享#

盛大集团创始人陈天桥近年来在 AI 领域（尤其是“AI长期记忆”和“脑科学与 AI 交叉”方向）进行了深度布局。 他主张通过模拟人类大脑的记忆与认知机制，解决大语言模型（LLM）的“遗忘”和上下文受限问题，使 AI Agents 具备连贯、可进化且个性化的长期记忆。 旗舰开源项目：EverMemOS（智能记忆操作系统） EverMemOS 是由陈天桥旗下的 EverMind 团队推出的一款旗舰级开源、企业级智能记忆系统，被定位为未来 AI Agents 的“数据与记忆基础设施”。 1. 类脑级记忆生命周期（Engram-Inspired） EverMemOS 的设计灵感来源于人类大脑的记忆编码、巩固与提取机制，包含三个核心阶段： 情境痕迹形成（Episodic Trace Formation）：将实时的对话流转化为 MemCells。MemCells 是记忆的原子单元，用于捕获情境线索、事实以及有时效性的预测信号。 语义整合（Semantic Consolidation）：将分散的 MemCells 提炼并组织成更高维度的、具有主题性的语义结构 —— MemScenes。在这个过程中，系统会持续自动演化并更新用户画像（User Profile）。 重构式回忆（Reconstructive Recollection）：在 AI 需要决策时，通过 MemScene 引导的 Agent 检索机制重构上下文，帮助下游模型完成长周期的连贯推理。 2. 五层技术架构 EverMemOS 将长期记忆的读写流程分层管理： 代理层（Agentic Layer）：处理主动的记忆过程，如记忆提取、向量化、检索和重排序。 记忆层（Memory Layer）：管理核心存储和情境记忆，专注于 MemCells 的提取与生存周期管理。 检索层（Retrieval Layer）：负责多模态检索和对检索结果进行重排序，包括 BM25 + 向量检索的混合搜索以及 RRF（倒数排序融合）等。 业务层（Business Layer）：处理上层的业务逻辑与数据操作。 基础设施层（Infrastructure Layer）：兼容 MongoDB、Elasticsearch、Milvus、Redis 等主流数据库与缓存组件。 3. 性能与生态集成 Token 优化：充当智能注意力过滤器，在部分场景中可将上下文窗口的 Token 消耗降低多达 70%，同时在 LoCoMo 等长期记忆基准测试中达到了 SOTA 性能。 开源生态与插件：MCP（Model Context Protocol）支持：提供了 evermemos-mcp 插件，支持将 AI 编码助手（如 Claude Code、Cursor、Cline 等）接入 EverMemOS 记忆库。 Agent 框架集成：支持 OpenClaw 插件，使智能体能够自动捕获对话、调取历史记忆；同时支持 Live2D 虚拟角色记忆交互等应用。 GitHub 地址：

我的 Trading Agent 换上了这个大脑后，明显聪明了几个量级！ 长期以来，我在使用 Agent 的过程中，都被同一个问题所困扰：它太容易失忆了！ 每次开启一个新会话，我都要重新交代背景： 我是谁、我在做什么项目、我的判断标准是什么、哪些资料已经看过、哪些坑已经踩过、哪些结论已经被推翻过。 这带来的问题非常明显： 第一、Agent 很难保持连续性。今天它帮我分析了一个项目，明天再问它相关问题，它往往又像第一次接触一样，从零开始推理。 第二、Agent 很难沉淀经验。一次研究中已经证明无效的路径，下次它可能还会重复。而一次写作中已经验证有效的结构，下次它也未必会主动再用。 第三、记忆很容易被锁在某个工具里。Claude Code 里沉淀的上下文，换到 Codex、OpenClaw 或其他 Agent 工作流里，就很难自然迁移。 第四、传统的补救方案也不够优雅。把 Prompt 越写越长，会增加 token 成本，也容易污染上下文；自己搭向量库，又经常变成一个黑盒，能搜到碎片，但很难检查、编辑、回滚和复用。 也就是说，Agent 真正需要是一套可以持续积累、可以被人类检查、可以跨工具复用的记忆系统。 直到我遇到 EverOS，我才意识到： Agent memory 不应该只是“把历史记录塞进 RAG”，而应该更像一个面向 AI Agent 的记忆操作系统。 EverOS 最吸引我的地方，是它把“记忆”这件事做得非常工程化。 它不是把所有内容扔进一个看不见的向量数据库，而是把记忆保存成可读、可编辑、可版本管理的 Markdown。 这样一来，Agent 的记忆不再是黑盒，人可以打开看，可以修改，可以用 Git 管理，也可以在需要时回滚。 它也不是只做简单语义搜索，而是采用本地优先的 Markdown + SQLite + LanceDB 架构，并结合 BM25、标量过滤等方式，让记忆既能被语义检索，也能按项目、用户、Agent、应用、会话等维度精确限定范围。 更关键的是，EverOS 区分了两类记忆：用户记忆和代理记忆。 用户记忆记录的是“我是谁”： 我的偏好、长期目标、判断标准、历史项目、常用工作方式。 代理记忆记录的是“Agent 怎么做事”： 完成过哪些案例、哪些路径有效、哪些错误发生过、哪些工作流可以复用。 这个区分非常重要。因为一个真正有用的 Agent，不仅要记住用户，还要记住自己做过什么，并且从自己的执行轨迹中沉淀出技能。 EverOS 的自我进化机制，正是解决这个问题的关键。 一次任务完成后，它可以把这次执行过程沉淀成 Case； 当某类成功路径反复出现，就可以进一步提炼成可复用的 Skill。 也就是说，Agent 不只是记住发生过什么，而是开始形成“以后遇到类似问题应该怎么做”的程序性记忆。 我把 EverOS 最适合落地的场景，放在了我的 AI Trading 和 Research Agent 上。 这个 Agent 的任务是帮我持续做研究：追踪 AI x Trading 项目、整理项目文档、提取交易假设、比较同赛道竞品、记录风险点、形成研究笔记，再输出适合发布的内容草稿。 在没有 EverOS 之前，这个 Agent 有几个明显问题。 它会忘记我的研究标准。比如我反复强调不要只看叙事，要看产品机制、资金流、风控结构、真实用户、可验证的数据和同赛道比较，但下一次分析新项目时，它还是可能滑向空泛总结。 它会忘记我已经踩过的坑。比如某些信源质量不高、某些指标容易误导、某些项目的营销话术不能直接采用，这些经验如果不能沉淀，下次就还要重新提醒。 它也很难复用成熟工作流。一次完整研究往往要经过“资料导入—事实提取—机制拆解—风险核查—竞品比较—交易假设—内容输出”几个步骤。如果每次都从零开始设计流程，Agent 就很难真正提高效率。 接入 EverOS 后，我会把这个 Agent 的记忆分成几层。 第一层是项目资料记忆。白皮书、官网、GitHub、截图、PDF、文章、推文、数据表，都可以作为多模态资料导入，让 Agent 在后续研究中能检索到原始上下文。 第二层是用户偏好记忆。比如我的研究偏好是“证据链优先、少用空话、避免 Shill、必须对比同赛道、必须写风险点、必须区分事实和推测”。这些不应该每次重新写进 Prompt，而应该成为长期用户记忆。 第三层是研究案例记忆。每次分析一个项目，都记录这次研究用了哪些资料、得出了什么结论、哪些假设被保留、哪些判断被推翻、哪些风险后来被验证。 第四层是技能记忆。当某个流程反复有效，比如“AI Trading 项目拆解模板”、“交易型 Agent 风控检查表”、“项目亮点转 X 长文结构”、“竞品比较框架”，就把它沉淀成 Agent 可以重复用的 Skill。 这样一来，Agent 的工作方式就发生了变化。 以前它像一个一次性助手：每次叫醒它，都要重新喂背景、重新讲规则、重新纠正偏差。 现在它更像一个会积累的研究搭档：它知道我以前看过什么，知道我更重视哪些判断标准，知道哪些路径曾经失败，也知道哪些工作流可以复用。 这才是我认为 EverOS 最有价值的地方。 它不是让 Agent 瞬间变成全知全能，而是让 Agent 的每一次有效工作不再归零。 长期看，Agent 的竞争力不只来自底层模型，而来自它能不能把用户、任务、项目、错误、决策和工作流持续沉淀下来。 没有记忆的 Agent，只是一个反复被唤醒的工具。 有了可读、可迁移、可检索、可进化的记忆层，Agent 才开始接近真正的长期协作伙伴。 如果你也在构建 AI Agent、LLM 应用、AI Coding 工作流，或者任何需要长期上下文的系统，强烈建议把 Star 一下这个 Repo !!! 因为下一代 Agent 真正重要的能力，可能不是一次回答有多聪明，而是它能不能记住过去、理解现在，并在下一次任务中变得更好 链接：