Останнім часом я спробував багато AI-агентів і переглянув чимало проєктів про них, і чим більше дивлюся, тим більше розумію: справжнє обмеження штучного інтелекту, можливо, вже не в потужності моделей, а в пам’яті.

Більшість сучасних агентів мають одну спільну проблему: кожен новий сеанс починається майже з нуля.
Баг, який ми разом виправили вчора, зібрані матеріали, обговорені рішення, навіть ваші звички — усе це важко зберегти. Часто ми не співпрацюємо з AI, а знову й знову повторюємо контекст.
Тому коли я нещодавно побачив EverOS, я подумав, що цей напрямок цікавіший, ніж просто гонитва за параметрами моделей.
Він не створює чергового агента, але робить Memory OS для агентів — інфраструктуру, яка спеціалізується на управлінні довгостроковою пам’яттю.
Що я схвалюю — він не робить пам’ять повністю невидимою чорною скринькою.
EverOS зберігає всю пам’ять у форматі Markdown, який можна переглядати та редагувати локально, а також керувати версіями через Git. Під капотом використовуються Markdown + SQLite + LanceDB для пошуку та індексації — не потрібно додатково підтримувати MongoDB, Redis чи інші складні компоненти. Для розробників: знаєш, куди дивитися, якщо щось пішло не так, і не треба гадати, що модель насправді зберегла. Така читабельна та керована конструкція, на мою думку, важливіша за просте підвищення точності пошуку.
Крім того, він розділяє User Memory і Agent Memory на дві незалежні траєкторії розвитку — і це теж логічно.
Інформація, вподобання, історія користувача — це одне; досвід, процеси та навички, які агент накопичив під час тривалого використання — інше, і вони не змішуються. Зі збільшенням кількості використань деякі повторювані завдання можуть поступово стати навичками (Skill), що використовуються повторно, замість того, щоразу писати новий Prompt.
Порівняно з багатьма Memory-продуктами, які застрягли на рівні «зберігання — пошук — вилучення», EverOS більше привертає мою увагу своїми концепціями: Knowledge Wiki, Reflection і Dreaming.
Просто кажучи, це дозволяє агенту не просто запам’ятовувати, що сталося, але й організовувати минулі знання в стабільно зростаючу базу знань, у вільний час узагальнювати досвід, визначати закономірності та перетворювати повторювані проблеми на нові здібності. Такий підхід більше схожий на навчання людини, ніж на простий інформаційний запит.
Я не стверджуватиму, що EverOS обов’язково стане стандартом майбутнього, але принаймні він пропонує напрямок, який я підтримую: пам’ять має бути не просто базою даних, а основою для постійного зростання агента.
У майбутньому, чи то Claude Code, Codex, чи різні Coding Agent, Research Agent, Personal AI — справжню верхню межу досвіду визначатиме не те, на скільки відсотків покращиться модель, а хто матиме справді переносну, накопичувальну та еволюційну довгострокову пам’ять.
Якщо ви останнім часом також цікавитеся агентами, LLM-застосунками або AI Infra, я вважаю, що цей проєкт вартий того, щоб додати його до закладок.
⭐ GitHub:

Рекомендую спочатку поставити зірочку, а потім, коли буде час, переглянути README та загальну архітектуру. Принаймні серед відкритих Memory-проєктів, які я бачив останнім часом, це один із небагатьох, що має як цілісну концепцію, так і близький до реальних сценаріїв розробки.