EverMemOS：重新定义AI长期记忆系统

一个在多个SOTA基准测试中表现卓越的企业级长期记忆操作系统

引言

    在AI Agent时代，记忆不再是简单的"存储与检索"，而是需要理解、推理和演化的能力。EverMemOS（EverMind Memory Operating System）作为一个智能记忆操作系统，在多个权威基准测试中取得了突破性成绩：

• NQ320K检索任务：Recall@1达到75.5%，刷新SOTA记录
• LoCoMo推理基准：92.3%准确率，超越现有方法
• 2wiki & Hotpotqa：ReRank模型分别达到0.758和0.7802的F1分数

    更重要的是，EverMemOS提出了全新的记忆构建范式——从传统RAG的机械切分，转向LLM驱动的语义完整性记忆单元，让AI真正拥有"记忆"而非"缓存"。

一、核心创新：层次化记忆架构

1.1 MemCell：智能记忆的基石

    与传统RAG系统按固定长度（如512 tokens）机械切分文本不同，EverMemOS引入了MemCell（记忆单元）概念。MemCell不是简单的文本片段，而是一个语义完整的结构化对象：

关键特性：

1. LLM驱动的边界检测：通过prompt引导LLM判断对话是否形成完整主题，返回should_wait标志决定是否累积更多消息
2. 保留对话上下文：original_data存储完整消息列表，包含speaker_id、speaker_name等元信息
3. 前瞻性语义联想：semantic_memories字段预测用户未来行为变化（如"用户下周需要调整饮食习惯"）

1.2 层次化记忆构建

    EverMemOS采用三层记忆架构，每一层承担不同的认知职责：

与传统RAG的本质区别：

• 传统RAG：文本 → 机械切分 → Chunk → 直接检索
• EverMemOS：对话 → LLM边界检测 → MemCell → 聚合成Episode → 检索Episode

    这种设计使得检索结果不再是碎片化的文本块，而是语义完整、结构化的记忆片段。

二、系统架构：四数据库协同设计

    EverMemOS采用多数据库协同架构，每个数据库承担特定职责：

2.1 三重写入策略

    核心记忆类型（Episode、Profile等）采用同步写入MongoDB、Elasticsearch和Milvus：

优势：

• MongoDB：灵活的文档存储，支持复杂查询和事务
• Elasticsearch：高效的BM25关键词检索，处理精确匹配
• Milvus：高性能向量检索，支持语义相似度搜索

2.2 混合检索：RRF融合

    EverMemOS采用Reciprocal Rank Fusion（RRF）融合Embedding和BM25结果，K值统一设置为60：

检索流程：

三、突破性能表现

3.1 NQ320K：整库直接输入的检索

    EverMemModel实现了将整个检索数据库连同查询一起输入模型的技术突破，在NQ320K（全文本）上达到：

• Recall@1: 75.5%（训练集）
• Recall@1: 66.49%（未见测试集）

    QA任务表现：DSA方法直接在7.1M长度上下文中进行QA，无需Embedding检索，超越了Qwen3-Embedding-4B + Qwen3-4B-Instruct的RAG方法：

3.2 LoCoMo：92.3%的推理准确率

    基于EverMemOS框架和GPT-4.1-mini模型，在LoCoMo数据集上实现92.3%的推理准确率（LLM-Judge评估），体现了三大核心优势：

Coherent Narrative（连贯叙事）

• 自动链接对话片段形成完整主题上下文
• 区分"项目A进度讨论"和"团队B战略规划"
• 从碎片化短语到完整故事线

Evidence-Based Perception（基于证据的感知）

• 主动捕获记忆与任务的深层关联
• 示例：用户提问"推荐餐厅" → 系统回忆"两天前拔牙手术" → 推荐软食餐厅
• 这是真正的情境感知

Living Profiles（动态演化画像）

• 实时更新用户画像，而非静态标签
• 偏好、语气、关注领域随交互自然演化
• 不只是"记住你说过什么"，而是"学习你是谁"

3.3 ReRank模型：刷新多跳推理SOTA

EverMemReRank在两个多跳推理基准上达到SOTA：

核心技术：Event Log的多行格式化策略，将atomic_fact逐行展开：

这种格式使Reranker能够精确匹配到具体的原子事实，避免语义稀释。

四、生产部署实践

4.1 本地模型替换

EverMemOS支持将DeepInfra API替换为本地部署模型：

Embedding替换（BGE-M3）：

Reranker替换（bge-reranker-v2）：

LLM替换（vLLM部署的Qwen）：

4.2 向量数据迁移

更换Embedding模型后，必须重新生成向量数据：

迁移脚本核心逻辑：

4.3 多租户改造建议

当前系统缺少tenant_id字段，企业部署需要以下改造：

1. 数据模型添加租户字段：

2. MongoDB索引调整：

3. API认证中间件：

五、总结与展望

    EverMemOS通过层次化记忆架构、LLM驱动的边界检测和混合检索策略，重新定义了AI长期记忆系统的设计范式。它不仅在多个SOTA基准测试中证明了技术实力，更提供了开箱即用的企业级解决方案。

核心优势：

• ✅ 语义完整性：告别机械切分，拥抱智能记忆单元
• ✅ 层次化构建：从原子MemCell到高阶记忆的自然演化
• ✅ 混合检索：RRF融合结合精确匹配与语义理解
• ✅ 灵活部署：支持本地模型替换，降低成本
• ✅ SOTA性能：在NQ320K、LoCoMo、2wiki等多个基准领先

未来方向：

• 🔮 原生多租户支持与权限管理
• 🔮 动态查询策略（根据查询类型自适应选择检索方式）
• 🔮 更丰富的记忆类型（任务记忆、关系网络等）
• 🔮 自动化评估框架与业务数据集成

    EverMemOS正在改变AI Agent与记忆交互的方式——从"检索数据库"到"对话记忆系统"，让AI真正拥有记忆力而非存储器。

项目地址：https://github.com/EverMind-AI/EverMemOS
官方博客：https://everm.ai/blog