最近、多くのAIエージェントを体験し、エージェントに関するプロジェクトもたくさん見てきました。見れば見るほど、本当にAIを制限しているのは、もはやモデル能力ではなく、記憶力だと思うようになりました。

現在のほとんどのエージェントには共通の問題があります。新しいセッションを開始するたびに、ほぼゼロから始めるようなものです。
昨日一緒に解決したバグ、整理した資料、議論した方案、さらにはあなたの使用習慣さえも、本当に残すのは難しいです。多くの場合、私たちはAIと協力しているのではなく、何度も何度もコンテキストを提供しているのです。
そこで最近EverOSを見て、私はむしろこの方向性は単にモデルパラメータを競うよりも面白いと感じました。
それはまた別のエージェントを作るのではなく、エージェントの背後にあるMemory OS、つまり長期記憶を管理するためのインフラストラクチャを構築しています。
私が評価している点の一つは、Memoryを完全に見えないブラックボックスにしていないことです。
EverOSはすべての記憶をMarkdownとして保存し、ローカルで直接閲覧・編集でき、Gitでバージョン管理もできます。基盤はMarkdown + SQLite + LanceDBで検索とインデックスを実現しており、MongoDBやRedisといった複雑なコンポーネントを追加で管理する必要はありません。開発者にとって、問題が発生したらどこを見ればよいか分かり、修正したい場合もモデルが何を記憶しているか推測する必要がありません。このような可読性と制御性を備えた設計は、単に再現率を高めるよりも重要だと思います。
さらに、User MemoryとAgent Memoryを2つの独立した成長パスに分けている点も、合理的な考え方です。
ユーザーの情報、嗜好、履歴は一部であり、エージェントが長期使用の中で蓄積した経験、プロセス、スキルは別の一部であり、両者は混ざりません。使用回数が増えるにつれて、繰り返し実行されるタスクは次第に再利用可能なスキルとして沈殿し、毎回プロンプトを書き直す必要がなくなります。
多くのMemory製品が「保存—検索—再現」の層にとどまっているのに対し、EverOSで私がより注目するのは、その背後にあるいくつかの概念、すなわちKnowledge Wiki、Reflection、Dreamingです。
簡単に言えば、エージェントは何が起こったかを記憶するだけでなく、過去の知識を持続可能な知識ベースに整理し、空き時間に自ら経験をまとめ、法則を抽出し、繰り返し発生する問題を新しい能力に変えることができるようにするものです。この考え方は、単なる情報検索ではなく、人間の学習に近いものです。
EverOSが必ずしも将来の標準になるとは言えませんが、少なくとも私が共感する方向性を示しています。Memoryは単なるデータベースではなく、エージェントが持続的に成長する基盤となるべきです。
将来、Claude Code、Codex、あるいは様々なCoding Agent、Research Agent、Personal AIにおいて、真に体験の上限を決めるのは、モデルがさらに数パーセント向上することではなく、誰が本当に移植可能で蓄積可能で進化可能な長期記憶を持っているかでしょう。
もしあなたも最近、Agent、LLMアプリケーション、またはAIインフラに関心があるなら、このプロジェクトはブックマークに入れる価値があると思います。
⭐ GitHub：

まずはStarを押して、時間があるときにREADMEと全体のアーキテクチャを見てみることをお勧めします。少なくとも私が最近見たオープンソースのMemoryプロジェクトの中で、これは完全なアイデアを持ちながら、実際の開発シナリオにも比較的近い数少ないプロジェクトの一つです。