2026 年 7 月 10 日晚间,盛大集团孵化的长期记忆技术团队 EverMind 正式发布基于 EverOS 的深度自进化智能体 Raven Agent(中文代号「渡鸦」)。Raven 通过双向记忆机制和重写自身代码的能力,试图将 AI 从「被动响应的工具」推向「主动进化的数字生命」。EverMind 同时提出了数字生命演进的四个阶段——L1 角色化指令体、L2 记忆增强体、L3 自我进化体、L4 全自主数字生命——并明确表示 Raven 是迈向 L3 阶段的关键一步。

这次发布的特殊之处在于,Raven 不仅内置了 10 万项技能库,还引入了「改写自身运行时逻辑」的能力。在大多数主流 Agent 仍停留在 L1 和 L2 阶段、依赖外部 RAG 检索缓解「失忆症」的当下,EverMind 把「记忆」这件事做到了 Agent 内核级别。

一、AI「失忆症」为何成为 Agent 演进最大瓶颈

在生成式 AI 爆发的第三年,大模型的能力边界正不断被拓宽,但一个基础性痛点始终如影随形:AI 的「失忆症」。当用户关闭对话窗口,无论刚才的交流多么深入,AI 都会瞬间清空一切、回到初始状态。这种被称为「无状态(Stateless)」的技术局限,正在成为阻碍 AI 向真正智能体演进的最大瓶颈。

过去两年,业内普遍采用检索增强生成(RAG)技术或不断扩大上下文窗口来缓解这一问题。然而,这些方案本质上仍是「高级书签系统」。无论上下文窗口扩展到 128K、200K 还是 1M Token,模型本身并不真正「记住」任何东西,它只是在被提示时临时调出历史片段。真正的认知连续性、身份延续性,在这种架构下是不存在的。

EverMind 团队对此有一个清晰的判断:「真正的记忆不是检索,而是内化。」

换言之,基于 RAG 的记忆增强 AI 只能将历史对话存档并在需要时调出,这种方式「查得到」却「悟不到」。它无法形成跨会话的稳定人格、无法基于历史经验自我调整响应策略、无法把成功与失败转化为长期行为模式。一旦任务超出上下文窗口,模型就像一台每次重启都格式化硬盘的计算机——能力再强,也无法在时间维度上累积经验。

这是为什么「记忆」这件事在 2026 年被重新定义为 Agent 演进的核心命题,也是 EverMind 这家公司的全部押注所在。

二、Raven Agent 是什么:盛大系 EverMind 与 EverOS

EverMind 是由盛大集团孵化的、专注于人工智能长期记忆(Long-term Memory)技术研发的 AI 公司。该公司致力于为 AI 智能体构建通用的「记忆层」基础设施,其核心产品为开源的长期记忆框架 EverOS。学术负责人邓亚峰于 2025 年加入盛大,带队从零启动长期记忆项目,团队仅用四个月就在多项记忆评测上达到了 SOTA(State of the Art,当前最优水平)。

Raven Agent 是 EverMind 在 EverOS 之上打造的深度自进化智能体,也是该公司迄今发布的最重要的消费级产品。它的核心定位不是「又一个聊天助手」或「又一个 LLM 套壳应用」,而是一个具备持续记忆能力、可自我改写代码、并能基于经验持续进化的 Agent 框架。

从架构上看,Raven 依托 EverOS 底层的「四层仿生架构」运行:

  • 代理层(Agent Layer):负责任务规划、工具调用与执行调度
  • 记忆层(Memory Layer):负责对话流切分、记忆单元聚类与长期画像构建
  • 索引层(Index Layer):负责高效检索与语义关联
  • 接口层(Interface Layer):负责与外部系统、API、工具的解耦对接

这四层架构的设计灵感来源于生物认知系统。代理层类似「工作记忆」,负责当下任务的实时处理;记忆层类似「长期记忆」,负责跨时间的经验沉淀;索引层类似「海马体」,负责快速调取与关联;接口层类似「感觉与运动神经」,负责与外部世界的交互。整个系统的目标,是让 AI 第一次具备类似人类的「认知连续性」。

三、双向记忆机制:从检索增强到记忆内化

Raven 区别于传统记忆增强 AI 的关键机制,在于它的「双向记忆」。

传统方案的逻辑是单向的:用户产生对话 → 系统存档 → 未来检索时调出。这种「记下来再查」的方式,本质上是「我帮你存着,你想用的时候来取」。但记忆的真正价值,不在于「能查得到」,而在于「能悟得到」——即从过去的经验中提炼出规律,并在未来的决策中自动应用。

Raven 采用的机制是双向且动态的。系统会将原始对话流切分为独立的记忆单元,通过聚类算法形成「记忆场景」,最终构建出包含用户身份、偏好、技能及工作目标的深度画像。更重要的是,Raven 不仅记录用户偏好,更将其融入自身的认知模型中——它能从每一次交互的成败中提炼经验,反思并改进自身的响应策略。

这套机制带来了三个层面的变化:

第一,记忆的颗粒度更细。Raven 不再以「整段对话」为单位存储,而是以「语义单元」为单位进行切分。这让记忆的检索精度大幅提升,也让基于记忆的推理能够跨越更长的时间跨度。

第二,记忆的演化是双向的。Raven 会主动观察用户的反馈(包括显式的点赞/批评和隐式的点击/忽略),并据此调整对用户偏好的建模。这种「双向」意味着记忆不是被动的存档,而是主动学习的载体。

第三,Token 效率显著提升。测试数据显示,在 EverOS 的底层支持下,Raven 能够以传统方案 1/10 的 Token 消耗,实现超越全量上下文(Full Context)的准确率。这意味着用户可以用更低的成本,获得更连贯、更个性化的 Agent 体验。

这是从「存储器」到「认知网络」的范式替换。

四、改写自身代码:L3 级自我进化的工程实现

为了清晰界定 Agent 的发展路径,EverMind 提出了数字生命演进的四个阶梯:

  • L1 角色化指令体:当前多数套壳 AI,只能按预设指令响应,无记忆无进化
  • L2 记忆增强体:具备长期记忆与基础规划能力,仍是「被动响应」
  • L3 自我进化体:能基于经验自我调整,包括改写自身代码与运行时逻辑
  • L4 全自主数字生命:具备自主目标设定、资源获取与跨场景迁移能力

当前,全球绝大多数 AI 应用仍停留在 L1 和 L2 阶段。而 Raven 的发布,正是 EverMind 向 L3 阶段发起冲击的核心引擎。

其支撑 L3 级自我进化的核心技术特性体现在两个方面。

第一,是开箱即用的庞大技能库。Raven 内置了高达 10 万项经过深度评测的技能(Skills),覆盖日常生产力到垂直专业领域。这不仅为普通用户提供了即插即用的全能助手,也为开发者提供了庞大的参考库。这些技能并非静态,Raven 会根据实际反馈持续评估、淘汰失效技能,并生成新的技能组合。

第二,也是 Raven 最具颠覆性的特性——改写自身代码的能力。Raven 不仅能够重写自己的技能、运行时逻辑和策略,甚至可以通过 EverBrain(用户侧个性化小模型)动态微调模型权重。这意味着 Raven 能够从成功的任务中提炼最佳实践,从失败中识别改进空间,并将洞察直接写入代码。

这种突破「死记硬背」的经验内化与能力迭代,正是 L3 级自我进化体的核心标志。在传统的 Agent 框架里,所有的行为逻辑都需要开发者预先编写并通过版本管理工具更新;而 Raven 让 Agent 第一次具备了「现场自我升级」的能力。

五、可插拔架构与生态飞轮:从单一产品到 Agent 平台

Raven 不仅仅是一个独立的 C 端产品,更是一个开放的 Agent 开发平台。EverMind 为 Raven 设计了一套高度解耦的可插拔架构(Pluggable by design),记忆模块、主动性引擎和工具路由完全独立。开发者无需触及核心框架,即可自由替换任何组件。

这种架构带来了两层价值。

对开发者而言,任何第三方都可以基于 Raven 快速构建垂直领域的专用 Agent——无论是精通合同法的法律 Agent、擅长财务建模的分析 Agent、还是具备特定人格的陪伴型 Agent,都可以通过组合不同的记忆策略、技能集与工具链来实现。

对平台而言,通过即将推出的 Raven Builder,开发者可以为任意场景定义专属 Agent 并一键分享。未来,这些被「调教」出的千姿百态的 Agent 将在 EverMe 平台上交流与共享。整个生态的运行逻辑是:

  • 更多 Agent 的创建 → 带来更多使用数据
  • 数据反哺 EverOS → 使记忆系统更精准
  • 记忆系统更精准 → 推动新 Agent 更快进化
  • 新 Agent 更快进化 → 吸引更多开发者加入

当数以万计的开发者习惯基于 EverOS 的 API 和 MCP 接口构建智能体时,EverMind 将有望建立起类似 Android 或 Windows 的底层开发者生态护城河。

六、学术布局:MSA 机制与 HyperMem 超图架构

EverMind 的工程实力背后,是连发的顶级学术成果。

近期,EverMind 学术团队公布了多项核心研究:

MSA(Memory Stream Architecture)机制:这是一种将上下文窗口扩展至 1 亿 Tokens 的架构创新。不同于简单的「滑窗压缩」或「稀疏注意力」,MSA 通过分层记忆流的方式,让模型能够在 1 亿 Tokens 规模上保持稳定的检索精度与推理能力。

HyperMem 超图架构:这是一种基于超图(Hypergraph)的新型记忆表征方式,在 LoCoMo(Long Conversation Memory)基准上达到了 SOTA。超图相比传统图结构,能够建模更复杂的多对多关系,这对于捕捉对话中的隐含语义关联尤其重要。

这些学术成果不是「为发论文而发论文」的产物,而是直接服务于 EverOS 的工程迭代。每一篇论文的核心思路,都会在数月内被整合进 Raven 的下一个版本。

七、行业意义:数字生命演进的下一步

从学术理论到工程实现,EverMind 正在构筑深厚的壁垒。当 AI 拥有了真正的记忆和自我重写的能力,人机交互的范式将发生深刻变迁——AI 不再是等待指令的被动工具,而是主动观察、预判需求、自我进化的伙伴。

Raven 的发布,也意味着 Agent 赛道出现了一条新的技术分水岭。在此之前,主流 Agent 框架比拼的是「能调用多少工具」「能跑多复杂的任务流」;在此之后,「能不能记住」「能不能进化」「能不能改写自己」将成为新的评估维度。

可以预见,在未来 6 到 12 个月内,围绕「长期记忆」「自进化机制」「自我改写」这三个关键词的技术竞争将迅速升温。Raven Agent 作为第一个明确喊出 L3 旗号的消费级产品,既是这场竞赛的起跑信号,也是 EverMind 押注长期记忆赛道的最大筹码。

对整个 AI 行业而言,真正的「智能体」是否会出现,从来不取决于模型参数量的堆叠,而取决于它能否在时间维度上保持认知连续性。从这个意义上看,Raven 迈出的这一步,可能比任何一次基础模型的升级都更具方向性。