Récemment, j'ai expérimenté pas mal d'AI Agents et j'ai aussi vu beaucoup de projets sur les Agents. Plus je regarde, plus je pense que ce qui limite vraiment l'IA n'est peut-être plus la capacité des modèles, mais la mémoire.

La plupart des Agents actuels ont un problème commun : à chaque nouvelle session, on repart presque de zéro.
Les bugs que nous avons résolus ensemble hier, les documents organisés, les solutions discutées, et même vos habitudes d'utilisation, ont du mal à être véritablement conservés. Souvent, nous ne collaborons pas avec l'IA, mais nous répétons sans cesse la fourniture du contexte.
Alors en voyant récemment EverOS, je trouve au contraire que cette direction est plus intéressante que simplement se concentrer sur les paramètres des modèles.
Il ne crée pas un autre Agent, mais plutôt un Memory OS derrière les Agents — une infrastructure spécialement conçue pour gérer la mémoire à long terme.
Un point que j'apprécie particulièrement est qu'il n'a pas fait de la Memory une boîte noire totalement invisible.
EverOS enregistre toute la mémoire en Markdown, localement consultable et modifiable, et peut être versionné avec Git. En interne, il utilise Markdown + SQLite + LanceDB pour la recherche et l'indexation, sans avoir besoin de maintenir des composants complexes comme MongoDB ou Redis. Pour les développeurs, savoir où regarder en cas de problème et pouvoir modifier sans deviner ce que le modèle a stocké — cette conception lisible et contrôlable me semble plus importante que simplement améliorer le taux de rappel.
De plus, il divise la User Memory et l'Agent Memory en deux chemins de croissance indépendants, ce qui est assez logique.
Les informations, préférences et historiques de l'utilisateur forment une partie ; l'expérience, les processus et les compétences que l'Agent accumule lors d'une utilisation à long terme en forment une autre, et les deux ne se mélangent pas. Avec l'augmentation du nombre d'utilisations, certaines tâches répétitives peuvent progressivement se transformer en compétences réutilisables, au lieu de devoir réécrire le Prompt à chaque fois.
Comparé à de nombreux produits Memory qui restent au niveau du "stockage - recherche - rappel", ce qui m'intéresse davantage chez EverOS, ce sont les concepts derrière : Knowledge Wiki, Reflection et Dreaming.
En termes simples, il permet à l'Agent non seulement de se souvenir de ce qui s'est passé, mais aussi d'organiser les connaissances passées en une base de connaissances durable, de résumer l'expérience et d'extraire des règles pendant les temps morts, transformant les problèmes récurrents en nouvelles capacités. Cette approche ressemble davantage à l'apprentissage humain qu'à une simple requête d'information.
Je n'ose pas dire qu'EverOS deviendra un standard à l'avenir, mais au moins il propose une direction avec laquelle je suis assez d'accord : la Memory ne devrait pas être qu'une base de données, mais la base de la croissance continue de l'Agent.
À l'avenir, que ce soit Claude Code, Codex, ou divers Coding Agents, Research Agents, Personal AI, ce qui déterminera vraiment la limite de l'expérience ne sera peut-être pas une amélioration de quelques points de pourcentage du modèle, mais qui possédera véritablement une mémoire à long terme transférable, accumulable et évolutive.
Si vous suivez aussi récemment les Agents, les applications LLM ou l'AI Infra, je pense que ce projet mérite d'être mis dans vos favoris.
⭐ GitHub :

Je suggère d'abord de lui donner une étoile, puis de jeter un coup d'œil au README et à l'architecture globale. Au moins parmi les projets Memory open source que j'ai vus récemment, c'est l'un des rares qui a à la fois une idée complète et qui est proche des scénarios de développement réels.