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

A maioria dos Agents atuais tem um problema comum: cada vez que se inicia uma nova sessão, é quase como começar do zero.
Os bugs resolvidos ontem, os materiais organizados, os planos discutidos, e até os teus hábitos de uso, dificilmente ficam realmente retidos. Muitas vezes, não estamos a colaborar com a IA, mas sim a fornecer contexto repetidamente.
Por isso, recentemente, ao ver o EverOS, acho que esta direção é mais interessante do que simplesmente competir em parâmetros de modelo.
Não está a criar mais um Agent, mas sim a construir o Memory OS por trás dos Agents — uma infraestrutura especificamente responsável por gerir a memória de longo prazo.
Um ponto que aprecio bastante é que não transformou a Memory numa caixa preta completamente invisível.
O EverOS guarda toda a memória em Markdown, que pode ser visualizada e editada localmente, e também pode usar Git para gestão de versões. Na base, utiliza Markdown + SQLite + LanceDB para pesquisa e indexação, sem necessidade de manter componentes complexos como MongoDB ou Redis. Para os programadores, quando surge um problema, sabem onde ver, e para modificar não precisam de adivinhar o que o modelo realmente armazenou. Este design legível e controlável é, na minha opinião, mais importante do que simplesmente aumentar a taxa de recall.
Além disso, divide a User Memory e a Agent Memory em dois caminhos de crescimento independentes, o que é uma abordagem bastante razoável.
As informações, preferências e histórico do utilizador são uma parte; as experiências, processos e competências que o Agent acumula durante o uso a longo prazo são outra parte, e não se misturam. À medida que o uso aumenta, algumas tarefas repetitivas podem gradualmente transformar-se em Skills reutilizáveis, em vez de se escrever um Prompt de cada vez.
Comparado com muitos produtos de Memory que ainda estão no nível de 'armazenamento-pesquisa-recall', o que mais me chama a atenção no EverOS são os conceitos por trás: Knowledge Wiki, Reflection e Dreaming.
Simplificando, é fazer com que o Agent não se limite a lembrar o que aconteceu, mas também organize o conhecimento passado numa base de conhecimento acumulável, e no tempo livre, resuma experiências, extraia padrões e transforme problemas recorrentes em novas capacidades. Esta abordagem assemelha-se mais à forma como um humano aprende, em vez de uma simples consulta de informação.
Não ouso dizer que o EverOS se tornará necessariamente o padrão do futuro, mas pelo menos oferece uma direção com a qual concordo: a Memory não deve ser apenas uma base de dados, mas sim a base para o crescimento contínuo do Agent.
No futuro, seja Claude Code, Codex, ou vários Coding Agents, Research Agents, Personal AIs, o que realmente determina o limite da experiência talvez não seja melhorar o modelo em mais alguns pontos percentuais, mas sim quem conseguir ter um conjunto de memória de longo prazo que seja transferível, acumulável e evolutiva.
Se também estás a acompanhar Agents, aplicações LLM ou AI Infra, acho que este projeto merece ser colocado nos favoritos.
⭐ GitHub:

Sugiro que dês primeiro um Star, e depois, quando tiveres tempo, vejas o README e a arquitetura geral. Pelo menos, entre os projetos de Memory open source que vi recentemente, é um dos poucos que tem uma abordagem completa e está próximo dos cenários reais de desenvolvimento.