每月被 Datadog 和 Elasticsearch 的账单背刺？告别这种昂贵烦恼的工具来了。 GitHub 上这个叫 OpenObserve 的项目直接火爆圈子。它是一个基于 Rust 开发的下一代全栈可观测平台，专门用来干掉昂贵的商业日志运维软件。目前在 GitHub 已经狂揽 2.0 万颗 Star，采用 AGPL-3.0 开源协议，支持单文件直接部署，几分钟就能跑起来。 存储成本暴降 140 倍：底层搞定 Parquet+S3 架构，存储占用小到夸张。 一套搞定所有监控：日志、指标、链路追踪、前端 RUM 外加大模型 LLM 监控全打包。 极其丝滑的查询：写 SQL 或 PromQL 就能查数据，完全不用重新学奇奇怪怪的自研语法。 零门槛极速部署：单个二进制文件就能扛起 TB 级数据，告别庞大笨重的集群维护。 🔗 项目链接：

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：