在大模型能力突飛猛進的這兩年里，行業幾乎把所有注意力都集中在參數規模、多模態、推理能力和算力效率上。

但在真實應用中，開發者很快發現了一個殘酷事實：模型會“忘事”。

無論是對用戶偏好的理解、對歷史決策的追溯，還是跨時間跨度的復雜推理，只要上下文窗口結束，一切都得從頭來過。RAG可以緩解一部分問題，但它更像是“臨時查資料”，而不是“真正記住”。

如果說大模型負責“思考”，那么記憶系統決定的，其實是智能體是否具備連續自我。

鄧亞峰認為，“如果模型每次會話后都會重置理解，真正的Agentic AI就無從談起。”

EverMind正在從靜態的上下文窗口邁向動態、自組織的記憶，借助EverMemOS，為智能體提供了一段“活的、會演化的歷史”。

基準結果表明：EverMind能夠以遠低于全上下文模型的算力成本，實現更高的準確率。

正是在這一判斷下，EverMind把研發重心從模型能力本身，轉向了一個更底層，也更難的方向——AI Memory Infra。

EverMemOS：打破行業基準，點擊即用

在EverMind最新發布的論文EverMemOS: A Self-Organizing Memory Operating System for Structured Long-Horizon Reasoning中，團隊對現有主流方案進行了清晰區分。

截圖來源：EverMemOS: A Self-Organizing Memory Operating System for Structured Long-Horizon Reasoning

EverMind詳細闡述了其技術提出的一套受engram啟發的生命周期機制，用以模擬生物認知過程。與傳統RAG或成本高昂的超長上下文窗口不同，EverMemOS能將經驗組織為連貫、可演化的結構。

它試圖構建的，是一個類似生物認知系統的記憶生命周期，靈感直接來自神經科學中的engram理論。

在這套架構中，記憶不是靜態存儲，而是會被不斷壓縮、重組、強化和遺忘的動態系統。

EverMemOS的核心機制，被概括為三個連續但可循環的階段。

第一階段：情景痕跡形成（Episodic Trace Formation）。

將對話流轉換為MemCells，用于捕捉情景痕跡、原子事實以及有時間邊界的前瞻信息。

第二階段：語義鞏固（Semantic Consolidation）。

把MemCells動態組織為主題化的MemScenes，提煉穩定的語義結構，并持續更新持久化的用戶畫像。

第三階段：重建式回憶（Reconstructive Recollection）。

通過agentic檢索組合“必要且充分”的推理上下文，在優化算力成本的同時保證高準確率。

這也是EverMemOS能在大幅降低token消耗的同時，維持甚至提升準確率的關鍵。

基準成績，是硬指標

在AI基礎設施領域，架構是否成立，最終要看基準測試。

EverMind在四個主流記憶評測基準上，給出了極具說服力的數據。

LoCoMo（93.05%準確率）：超越全部現有記憶系統與全上下文模型;在多跳推理(+19.7%)與時序任務(+16.1%)上優勢顯著，同時大幅降低token使用與計算成本。

LongMemeval（83.00%準確率）：在知識更新與時序推理方面位居第一;其中知識更新任務提升20.6%，體現出系統可通過持續語義鞏固不斷“進化”的能力。

HaluMem（90.04%召回）：在記憶完整性方面建立新的行業標準，顯著減少長時程任務中的幻覺。

PersonaMem v2：在9個復雜場景中，在深度個性化與行為一致性維度取得最佳綜合表現。

這說明EverMind不需要犧牲效率，去換取長期記憶。結構本身，就是效率。

從論文到云服務：記憶能力的產品化

如果EverMemOS只停留在論文階段，它的意義仍然是學術層面的。

但是，EverMind顯然希望更快地進入真實應用場景。

此次同步推出的EverMemOS Cloud Service，正是為開發者和企業提供“即插即用”的記憶增強能力。通過簡單API調用，原本無狀態的聊天機器人，可以在數分鐘內升級為具備長期上下文感知的智能體。

在設計上，該云服務強調三點：

一是企業級數據安全與隱私隔離;

二是對底層記憶架構的自動迭代;

三是盡可能降低開發者的使用門檻。

目前，該服務已對候補名單(waitlist)用戶開放內測，也可以通過官網申請加入內測：console.evermind.ai。

當模型能力趨同、算力成本成為瓶頸，長期記憶正在成為Agent競爭的分水嶺。誰能讓AI “記得住、記得準、記得久”，誰就更接近真正的智能體。

EverMind選擇在這個節點押注記憶基礎設施，既是技術判斷，也是戰略選擇。