如果一个AI每次对话结束后，都会把与你的全部交流清空，那么无论它多聪明，都只能算是一个“高级聊天工具”，而不是一个真正意义上的智能体（Agent）。

这正是当下Agentic AI面临的核心瓶颈之一：失忆。

近日，由盛大集团全资孵化的AI技术团队EverMind，正式对外系统性地展示了他们给出的解法——EverMemOS，最新版本在四大记忆基准上实现了最先进（SOTA）准确率。

在产品发布之外，这也更像是一次针对“AI是否能真正成为长期智能体”的底层挑战。

为什么Agent一定需要长期记忆？

在大模型能力突飞猛进的这两年里，行业几乎把所有注意力都集中在参数规模、多模态、推理能力和算力效率上。

但在真实应用中，开发者很快发现了一个残酷事实：模型会“忘事”。

无论是对用户偏好的理解、对历史决策的追溯，还是跨时间跨度的复杂推理，只要上下文窗口结束，一切都得从头来过。RAG可以缓解一部分问题，但它更像是“临时查资料”，而不是“真正记住”。

如果说大模型负责“思考”，那么记忆系统决定的，其实是智能体是否具备连续自我。

邓亚峰认为，“如果模型每次会话后都会重置理解，真正的Agentic AI就无从谈起。”

EverMind正在从静态的上下文窗口迈向动态、自组织的记忆，借助EverMemOS，为智能体提供了一段“活的、会演化的历史”。

基准结果表明：EverMind能够以远低于全上下文模型的算力成本，实现更高的准确率。

正是在这一判断下，EverMind把研发重心从模型能力本身，转向了一个更底层，也更难的方向——AI Memory Infra。

EverMemOS：打破行业基准，点击即用

在EverMind最新发布的论文EverMemOS: A Self-Organizing Memory Operating System for Structured Long-Horizon Reasoning中，团队对现有主流方案进行了清晰区分。

截图来源：EverMemOS: A Self-Organizing Memory Operating System for Structured Long-Horizon Reasoning

EverMind详细阐述了其技术提出的一套受engram启发的生命周期机制，用以模拟生物认知过程。与传统RAG或成本高昂的超长上下文窗口不同，EverMemOS能将经验组织为连贯、可演化的结构。

它试图构建的，是一个类似生物认知系统的记忆生命周期，灵感直接来自神经科学中的engram理论。

在这套架构中，记忆不是静态存储，而是会被不断压缩、重组、强化和遗忘的动态系统。

EverMemOS的核心机制，被概括为三个连续但可循环的阶段。

第一阶段：情景痕迹形成（Episodic Trace Formation）。

将对话流转换为MemCells，用于捕捉情景痕迹、原子事实以及有时间边界的前瞻信息。

第二阶段：语义巩固（Semantic Consolidation）。

把MemCells动态组织为主题化的MemScenes，提炼稳定的语义结构，并持续更新持久化的用户画像。

第三阶段：重建式回忆（Reconstructive Recollection）。

通过agentic检索组合“必要且充分”的推理上下文，在优化算力成本的同时保证高准确率。

这也是EverMemOS能在大幅降低token消耗的同时，维持甚至提升准确率的关键。

基准成绩，是硬指标

在AI基础设施领域，架构是否成立，最终要看基准测试。

EverMind在四个主流记忆评测基准上，给出了极具说服力的数据。

LoCoMo（93.05%准确率）：超越全部现有记忆系统与全上下文模型；在多跳推理（+19.7%）与时序任务（+16.1%）上优势显著，同时大幅降低token使用与计算成本。

LongMemEval（83.00%准确率）：在知识更新与时序推理方面位居第一；其中知识更新任务提升20.6%，体现出系统可通过持续语义巩固不断“进化”的能力。

HaluMem（90.04%召回）：在记忆完整性方面建立新的行业标准，显著减少长时程任务中的幻觉。

PersonaMem v2：在9个复杂场景中，在深度个性化与行为一致性维度取得最佳综合表现。

这说明EverMind不需要牺牲效率，去换取长期记忆。结构本身，就是效率。