Recentemente, experimentei vários AI Agents e também vi muitos projetos sobre Agents. Quanto mais vejo, mais sinto que o que realmente limita a IA pode não ser mais a capacidade do modelo, mas sim a memória.

A maioria dos Agents atuais tem um problema em comum: cada vez que iniciam uma nova sessão, é quase como começar do zero.
Os bugs resolvidos ontem, os materiais organizados, as soluções discutidas, e até mesmo seus hábitos de uso, dificilmente são realmente preservados. Muitas vezes, não estamos colaborando com a IA, mas sim repetindo o contexto várias vezes.
Por isso, quando vi o EverOS recentemente, achei essa direção muito mais interessante do que apenas competir em parâmetros de modelo.
Ele não criou mais um Agent, mas sim um Memory OS por trás do Agent — uma infraestrutura especializada em gerenciar memória de longo prazo.
Um ponto que eu realmente aprecio é que ele não transformou a Memória em uma caixa preta completamente invisível.
O EverOS salva todas as memórias em Markdown, que podem ser visualizadas e editadas localmente, e também permite versionamento com Git. Na camada inferior, ele usa Markdown + SQLite + LanceDB para realizar busca e indexação, sem a necessidade de manter componentes complexos como MongoDB ou Redis. Para desenvolvedores, quando surge um problema, sabem onde procurar; para modificar, não precisam adivinhar o que o modelo realmente armazenou. Esse design legível e controlável, na minha opinião, é mais importante do que simplesmente aumentar a taxa de recuperação.
Além disso, ele separa a Memória do Usuário e a Memória do Agente em dois caminhos de crescimento independentes. Essa ideia também é bastante razoável.
As informações, preferências e histórico do usuário são uma parte; as experiências, processos e habilidades que o Agente acumula durante o uso de longo prazo são outra parte. Ambas não se misturam. Com o aumento do uso, algumas tarefas repetitivas podem gradualmente se transformar em Skills reutilizáveis, em vez de ter que reescrever o Prompt toda vez.
Comparado a muitos produtos de Memória que ainda estão no nível de "armazenar—recuperar—resgatar", o que me chama mais atenção no EverOS são os conceitos seguintes: Knowledge Wiki, Reflection e Dreaming.
De forma simples, é fazer com que o Agente não apenas se lembre do que aconteceu, mas também organize o conhecimento passado em uma base de conhecimento sustentável e acumulável, que, durante o tempo ocioso, possa resumir experiências, extrair padrões e transformar problemas recorrentes em novas capacidades. Essa abordagem se assemelha mais ao aprendizado humano, em vez de apenas fazer uma consulta única de informações.
Não me atrevo a dizer que o EverOS se tornará o padrão no futuro, mas pelo menos ele oferece uma direção com a qual concordo: a Memória não deve ser apenas um banco de dados, mas sim a base para o crescimento contínuo de um Agente.
No futuro, seja Claude Code, Codex, ou vários Coding Agents, Research Agents, Personal AIs, o que realmente determinará o limite da experiência talvez não seja mais alguns pontos percentuais de melhoria no modelo, mas sim quem conseguirá ter um conjunto de memória de longo prazo que seja transferível, acumulável e evolutivo.
Se você também tem acompanhado Agents, aplicações de LLM ou AI Infra recentemente, acho que vale a pena adicionar este projeto aos favoritos.
⭐ GitHub：

Sugiro dar um Star primeiro, e depois, quando tiver tempo, dar uma olhada no README e na arquitetura geral. Pelo menos entre os projetos de Memória open source que vi recentemente, ele é um dos poucos que tem tanto uma ideia completa quanto está mais próximo de cenários reais de desenvolvimento.