Graph Engineering 把不同规模的工作流程抽象为节点，让我们能够从更完整的系统视角组织 Agent 的执行与协作。但 Agent 的内部结构、协作方式仍在快速变化。 因此，我们有必要回到更基础的 Harness 层，重新理解能力究竟如何被组织起来提高协作能力的。

EverMind 招人啦！！！🚀@evermind 这次招聘两个岗位：AI 研发实习生和客户端研发工程师 来到这个团队，我个人的感受就是，大家都是热爱 AI 的一群人，朝着同一个目标前进，团队氛围也超级棒！ 我们的工作位置是在上海张江，非常安静，每个人的工位也挺大。 Claude 的模型也是无限量使用，这真的非常友好，前段时间大规模封号，跟我们也没什么关系。 弹性工作，我一般上午健完身来，晚上也不用走很晚。但是为了不迟到，我还是要早一点起床的。 员工的宿舍也是五折优惠，五秒钟到工位哈。 Btw，我现在已经成为了我们团队的生活质量保障员！总是负责找一些好吃的好玩的来团建。 我的桌子上有超多的零食（图四），并且长期补货，欢迎大家来薅羊毛。 当然，来了这个团队最大的特点就是可以和养眼的亦菲、彦祖们共事，心情非常愉悦。众所周知，我们招聘卡颜（不是），每次线下活动都是亦菲、彦祖轮换出动，导致展台围满观众，下次的物料会改成我们的签名哈～ 如果你想和一群开放、热情、行动力强的人，共同构建下一代 AI Memory，欢迎加入 EverMind！

明天又要出线下活动啦！ 非凡大赏，在 WAIC 之前提前和大家碰个面，EverMind 的COO 会在 panel 做分享，一起讨论新时代智能体记忆。 我和 @elliotchen100 也会在展台给大家展示我们最新的产品和 usecase！同时也邀请了工程和技术同学一起，和想聊深层次内容的朋友 social～ 另外我们的物料也有更新哦，更有神秘物料，欢迎新旧小伙伴来薅羊毛！

果然Codex还是太全面了！ 现在内置了Chrome，再也不用傻乎乎的用Computer use来读取推特的界面了。Chrome之前内置的也没那么好用。 直接链接推特，就可以读取账号分析内容，给出中肯的评论了。 加上一些好用的Skills，现在的效率又高了一层！

Sac老师行动太快了！！ 今天开 Sol Ultra做任务，感觉真的很强。可以很全面的分析给的需求，也会调用大量的工具做详细的规划，而且产出交付质量更不用说，描述也很清晰。 然后就是5h 的限制一会儿就干没了… 还好就是他们在打架可以疯狂刷新额度。 看了Sac老师说原来是多开agent工作了，这做的就很领先了，自己规划多agents协作。 虽然但是真的很想吐槽chat的位置很像个人工客服…

@Jackywine 如果你用了很多agent那必须得试试EverMe，一句prompt打通多个agent的记忆，还可以总结用户偏好，项目经验，转化成skill！

🎉 EverOS 刚刚突破 10,000 ⭐🚀！ 感谢每一个 star 的你。为了这个里程碑，我做了一个视频，把 EverOS 的 7个核心能力拆解一下～ EverOS 是一个真正跑在你本地、你能读懂每一行记忆的 AI 记忆系统。非常欢迎大家部署体验并且提建议，我们重视每一个开发者的反馈！ 你最想让你的AI记住什么呢？ 记得顺手点个 star🌟

已经体验了Raven Agent 大家可以想想，如果一个Agent是以「你自己」为核心而设计的会是什么样？ 和你一起成长，不断迭代自己的架构和能力，不断优化自己的输出和表现。 甚至于说这个Agent可以代表我自己。下次，「七仔Agent」可以和「xx Agent」进行交互对话，我也可以创造多个Agent来互动提高效率。 从此，Agent就不是一个工具，而是一个有了我们「分身记忆」的伙伴！ COMING SOON！

今天在线下展台介绍 EverOS 和 EverMe，被问到最多的一个问题是： 「Claude 的上下文已经到 1M 了，为什么还需要你们的记忆产品？」 我的理解是，长上下文解决的是「这一轮对话能装下多少东西」；而记忆系统解决的是「一个 AI Agent 能不能跨时间、跨任务、跨身份持续成长」。 1M context 很强，但它不是无限记忆。 当上下文越来越长，系统迟早会触发 compact、summary 或截断。信息会被压缩，细节会被舍弃，很多“当时为什么这么做”的过程也会消失。对一次对话来说这可能够用，但对长期协作来说，这还不是真正可控的记忆。 EverOS / EverMe 想补上的，正是这一层长期记忆能力。 我们做的是跨 Session、跨 Agent 的记忆层：今天在 Claude 里的经验，明天在 Codex 里仍然可以被召回；一个 Agent 做过的 case，另一个 Agent 也可以复用；一个项目里的长期偏好、约束和历史决策，不会因为窗口关闭或上下文压缩而消失。 同时，我们采用双轨记忆机制： 一条是 User Memory，记录人的偏好、习惯、背景、长期目标和约束。 另一条是 Agent Memory，记录 Agent 做过的 case、学到的 skill、踩过的坑和解决方案。 更重要的是，这套记忆不是黑盒。EverOS 会把记忆总结成可读、可编辑、可追踪的 Markdown 文件。你可以打开它，检查它，修改它，删除它，甚至用 Git 管理它。 所以我们不是在和 1M context 比谁更能“塞东西”。 长上下文是更大的工作台，但工作台再大，也会被整理、压缩和清空。 记忆系统是 Agent 的长期经验层：它让 AI 不只是临时读完一堆上下文，而是真的能在一次次任务之后记住、修正、复用，并变得更可靠。

未来的 Agent 不只是会调用工具，而是要有一套不会丢、不会乱、能自己整理的长期记忆。 EverOS 1.1.0 的重点就是这个方向： 1. Knowledge Wiki 以前 EverOS 主要处理 conversation / agent trajectory 里的 memory。 现在可以把 Markdown / PDF / DOCX 这类文档上传进来，自动抽成 topic tree，生成可读、可编辑、可 Git 管理的 Markdown 知识页。 同时保留原文件，并支持BM25 + vector + rerank 的 hybrid search。 简单说：给 Agent 接上一个本地优先、可溯源、能检索的外挂知识库。 2. Reflection 长期记忆不能只是一直往里塞。 1.1.0 加了后台 Reflection：把多次对话里分散的 episodes 按类别合并成一条更完整的时间线叙事，保留最新状态，去重，并 soft-archive 旧片段。 这有点像 Dream-like memory consolidation： 白天继续工作，后台整理记忆。 EverOS 1.1.0 is out！

我们见证了从聊天机器人变成自己干活的Agent， 今天用这个视频给没弄明白的朋友说说： 什么是prompt，context，harness，和最近很火的loop 下一个还会引发大家讨论的名词会是什么呢？