最近体验了不少 AI Agent，也看了很多关于 Agent 的项目，越看越觉得，真正限制 AI 的，可能已经不是模型能力，而是记忆。

现在的大多数 Agent 都有一个共同的问题：每次开启新会话，几乎都像从零开始。
昨天一起解决过的 Bug、整理过的资料、讨论过的方案，甚至你的使用习惯，都很难真正留下来。很多时候，我们不是在和 AI 协作，而是在一遍遍重复提供上下文。
所以最近看到 EverOS，我反而觉得这个方向比单纯卷模型参数更有意思。
它没有去做又一个 Agent，而是在做 Agent 背后的 Memory OS——一套专门负责管理长期记忆的基础设施。
我比较认可的一点，是它没有把 Memory 做成一个完全看不见的黑盒。
EverOS 把所有记忆都保存成 Markdown，本地可以直接查看、编辑，也能用 Git 做版本管理。底层则通过 Markdown + SQLite + LanceDB 完成检索和索引，不需要再额外维护 MongoDB、Redis 这类复杂组件。对于开发者来说，出了问题知道去哪看，想修改也不用猜模型到底存了什么，这种可读、可控的设计，我觉得比单纯提高召回率更重要。
另外，它把 User Memory 和 Agent Memory 分成两条独立的成长路径，这个思路也挺合理。
用户的信息、偏好、历史记录是一部分；Agent 在长期使用过程中总结出来的经验、流程和技能又是另一部分，两者不会混在一起。随着使用次数增加，一些重复执行的任务还能慢慢沉淀成可复用的 Skill，而不是每次都重新写 Prompt。
相比很多 Memory 产品还停留在“存储—检索—召回”这一层，EverOS 更让我关注的是它后面的几个概念：Knowledge Wiki、Reflection 和 Dreaming。
简单理解，就是让 Agent 不只是记住发生过什么，还能把过去的知识整理成一个可持续积累的知识库，在空闲的时候自己总结经验、提炼规律，把重复出现的问题变成新的能力。这种思路更像人在学习，而不是单纯做一次信息查询。
我不敢说 EverOS 一定会成为未来的标准，但至少它提供了一种我比较认同的方向：Memory 不应该只是一个数据库，而应该成为 Agent 持续成长的基础。
未来无论是 Claude Code、Codex，还是各种 Coding Agent、Research Agent、Personal AI，真正决定体验上限的，也许不是模型再提升几个百分点，而是谁能真正拥有一套可迁移、可积累、可进化的长期记忆。
如果你最近也在关注 Agent、LLM 应用或者 AI Infra，我觉得这个项目值得放进收藏夹。
⭐ GitHub：

建议先点个 Star，有空再看看 README 和整体架构。至少在我最近看过的开源 Memory 项目里，它算是少数既有完整思路，又比较贴近实际开发场景的一个。