EverOS: Otwarty system pamięci dla agentów AI z samoewoluującymi umiejętnościami

Firma EverMind zaprezentowała EverOS, otwarty system pamięci (runtime) przeznaczony dla agentów sztucznej inteligencji. Dostępny na licencji Apache 2.0, EverOS ma na celu rozwiązanie kluczowego problemu, z którym borykają się twórcy agentów AI: bezstanowości dużych modeli językowych (LLM). Po zakończeniu konwersacji, kontekst jest zazwyczaj tracony, co ogranicza ciągłość i ewolucję agentów.

Innowacyjne podejście do zarządzania pamięcią

EverOS proponuje odmienne podejście do przechowywania pamięci. Zamiast zamykać dane w bazach wektorowych, system zapisuje je w postaci zwykłych plików Markdown. Te pliki stają się jedynym źródłem prawdy, które agenci mogą odczytywać, edytować i przeszukiwać w różnych sesjach. Jest to lokalny system pamięci, działający jako biblioteka Python, z interfejsem CLI oraz API HTTP FastAPI. Można go łatwo zintegrować z istniejącymi pętlami agentów, bez konieczności przebudowy całej infrastruktury.

Projekt EverOS rozdziela pamięć na dwie ścieżki: pamięć po stronie użytkownika, zawierającą profile, epizody, fakty i prognozy, oraz pamięć po stronie agenta, przechowującą przypadki (Cases) i umiejętności (Skills). To nietypowe rozdzielenie wyróżnia EverOS na tle innych bibliotek, które często koncentrują się wyłącznie na historii czatów.

Każdy rekord jest zapisywany jako plik .md, co umożliwia jego otwieranie, edytowanie, przeszukiwanie za pomocą narzędzi takich jak grep, wersjonowanie za pomocą Git, a nawet przeglądanie w aplikacjach typu Obsidian. Za ekstrakcję algorytmów odpowiada oddzielna, bezstanowa biblioteka EverAlgo, natomiast EverOS orkiestruje i utrwala wyniki.

Architektura i wydajność

Stos punktów końcowych EverOS jest kompatybilny z protokołem OpenAI, co pozwala na łatwe łączenie się z usługami takimi jak OpenAI, OpenRouter, vLLM, Ollama czy DeepInfra poprzez zmianę podstawowego adresu URL. Domyślnie system działa lokalnie, co oznacza, że dane nie opuszczają środowiska użytkownika, a każda warstwa jest w pełni inspekcyjna. Dla zespołów preferujących rozwiązania zarządzane dostępna jest opcja EverOS Cloud, która współdzieli to samo SDK, silnik wyszukiwania i format pamięci.

EverOS wykorzystuje trójwarstwowy stos pamięci: Markdown jako źródło prawdy, SQLite do zarządzania stanem i kolejkami, oraz LanceDB do obsługi wektorów, BM25 i filtrów skalarnych. Taka architektura jest celowo lżejsza niż typowe produkcyjne konfiguracje pamięci, eliminując potrzebę użycia MongoDB, Elasticsearch, Milvus, Redis czy Kafka, co obniża koszty operacyjne dla indywidualnych deweloperów i małych zespołów.

Wyszukiwanie w EverOS jest hybrydowe, łącząc dopasowanie słów kluczowych BM25, gęste wyszukiwanie wektorowe i filtrowanie skalarne w ramach jednego zapytania LanceDB. EverMind określa tę multimodalną ścieżkę wyszukiwania jako mRAG. System zapewnia również synchronizację indeksów kaskadowych, co oznacza, że edycja pliku .md automatyzuje ponowną synchronizację indeksu, utrzymując pamięć aktualną. Wyszukiwanie może być również precyzyjnie zakresowane za pomocą identyfikatorów takich jak user_id, agent_id, app_id, project_id i session_id, co jest kluczowe w środowiskach wieloagentowych i wieloużytkownikowych wymagających izolacji danych.

Samoewoluujące umiejętności i rozszerzenia

Charakterystyczną cechą EverOS jest pamięć proceduralna. Każde ukończone zadanie agenta jest rejestrowane jako „Przypadek” (Case). Powtarzające się, udane wzorce są następnie destylowane offline w „Umiejętności” (Skills), które mogą być ponownie wykorzystane. To właśnie ta funkcja stanowi podstawę twierdzenia o „samoewoluujących” agentach. Umiejętności są współdzielone w zespole agentów bez ręcznego kuratorowania czy twardego kodowania, a celem jest, aby agenci doskonalili się w miarę użytkowania, zamiast resetować się przy każdej sesji.

Wersja 1.1.0 wprowadziła dodatkowe mechanizmy zarządzania cyklem życia, w tym interfejsy API wiedzy dla stron Markdown z taksonomią i wyszukiwaniem tematycznym, a także funkcję Reflection. Reflection to proces offline, który łączy klastry epizodów oraz udoskonala profile i umiejętności między sesjami.

Model pamięci EverOS jest prosty i dzieli się na trzy typy:

• Pamięć epizodyczna: odpowiada na pytanie „co się wydarzyło?”.
• Pamięć profilowa: odpowiada na pytanie „kim jest ten użytkownik?”.
• Pamięć proceduralna: odpowiada na pytanie „jak wykonuje się to zadanie?”.

Zespół EverMind podaje imponujące wyniki wydajności, osiągając 93,05% na teście LoCoMo, 83,00% na LongMemEval i 93,04% na HaluMem. Testy LoCoMo i LongMemEval mierzą długoterminową pamięć konwersacyjną, natomiast HaluMem ocenia halucynacje pamięci. Dodatkowo, system osiąga opóźnienie wyszukiwania p95 poniżej 500 ms.

Przykłady zastosowań i instalacja

EverOS jest już wykorzystywany w praktycznych integracjach, takich jak Hive Orchestrator – system zarządzający agentami kodującymi CLI, gdzie Claude Code, Codex, Gemini i OpenCode współpracują jako procesy PTY. Inny przykład to Reunite, który wykorzystuje pamięć semantyczną do wyszukiwania wartości publicznych, pomagając w łączeniu wspomnień rodziców i dzieci. System znajduje zastosowanie również w opiece zdrowotnej (asystent pamięci dla osób z chorobą Alzheimera) oraz w technologiach ubieralnych (AI wearable, które przekształca codzienne życie w pamięć). Dostępny jest także towarzysz nauki z samoewoluującą pamięcią.

Instalacja EverOS jest prosta i wymaga Pythona 3.12 lub nowszego. Lokalne demo nie wymaga kluczy API, a dodawanie i wyszukiwanie pamięci odbywa się za pomocą prostych wywołań HTTP. Opcjonalna instalacja everos[multimodal] dodaje obsługę parsowania obrazów, plików PDF i audio, a dla dokumentów biurowych wymagane jest LibreOffice do konwersji na PDF.

EverOS stanowi znaczący krok w kierunku tworzenia bardziej inteligentnych i autonomicznych agentów AI, którzy potrafią uczyć się i ewoluować w czasie. Jego otwartość i elastyczność w zarządzaniu pamięcią, w połączeniu z innowacyjnym podejściem do samoewoluujących umiejętności, otwiera nowe możliwości dla rozwoju aplikacji opartych na sztucznej inteligencji, które będą w stanie efektywniej gromadzić i wykorzystywać wiedzę w dynamicznych środowiskach. To rozwiązanie może znacząco przyczynić się do demokratyzacji dostępu do zaawansowanych funkcji pamięci dla agentów AI, umożliwiając szerszemu gronu deweloperów tworzenie bardziej złożonych i użytecznych systemów.

Źródło: marktechpost.com