EverOS: Markdown-first память для AI-агентов — прозрачность, гибридный поиск

Андрей Отинов -

Небольшая команда разработчиков видит в ленте новость о новом open-source инструменте для памяти AI-агентов. Название — EverOS. Обещание — markdown-first, гибридный поиск BM25 + векторы, самообучаемые навыки. Звучит как очередной фреймворк, который через месяц забросят. Но если команда действительно строит агента, который должен помнить контекст разговора, извлекать факты из документов и учиться на своих ошибках, — вопрос выбора среды памяти становится вопросом денег и времени.

Источник: marktechpost.com

EverOS — это не очередная база данных для векторов. Это рантайм, который хранит память агента в виде Markdown-файлов, ищет по ним двумя методами сразу (ключевые слова + смысловые векторы) и позволяет агенту самостоятельно формировать новые навыки на основе накопленного опыта. Репозиторий проекта опубликован на GitHub, документация доступна на docs.everos.ai.

Что это значит для команды, которая выбирает инструмент памяти? EverOS предлагает не просто хранилище, а среду, в которой агент может эволюционировать без переписывания кода. Но прежде чем ставить его в прод, стоит разобраться, как он устроен, где его место среди аналогов и какие риски несёт использование нового проекта.

Что такое EverOS и как он устроен

EverOS позиционируется как «markdown-first agent memory runtime». Это значит, что вся память агента — диалоги, извлечённые факты, инструкции, результаты выполнения задач — хранится в виде обычных Markdown-файлов. Не в бинарном формате, не в проприетарной базе, а в тексте, который можно читать, редактировать и версионировать стандартными средствами.

Архитектурно EverOS состоит из трёх ключевых слоёв:

  1. Хранилище на Markdown-файлах. Каждая единица памяти — это Markdown-документ с метаданными. Такой подход делает память прозрачной: разработчик может открыть файл и увидеть, что именно запомнил агент.
  2. Гибридный поиск BM25 + векторное представление. Поиск выполняется двумя способами одновременно. BM25 — классический текстовый поиск по ключевым словам, который хорошо работает для точных совпадений и имён. Векторный поиск — смысловой, который находит релевантные фрагменты даже при перефразировании. Результаты комбинируются.
  3. Механизм самообучаемых навыков (self-evolving skills). Агент может анализировать свои прошлые действия, выявлять повторяющиеся паттерны и формировать новые навыки — последовательности шагов, которые он может вызывать в будущем. Навыки тоже хранятся как Markdown-документы.

Для команды это означает: память не «чёрный ящик». Можно видеть, что помнит агент, править это вручную, откатывать изменения через git. Поиск не проваливается ни на точных запросах, ни на смысловых. Агент может учиться без дообучения модели.

Где EverOS может быть полезен в реальной работе

EverOS не заменяет языковую модель. Он решает другую задачу: как агент хранит и извлекает информацию между вызовами модели. Без такой памяти каждый новый запрос к агенту начинается с чистого листа — модель не помнит, что было сказано пять минут назад.

Типичные сценарии, где EverOS даёт практическую пользу:

  • Поддержка пользователей. Агент помнит историю обращения, предыдущие решения, предпочтения клиента. Не нужно каждый раз передавать полный контекст в промпт.
  • Работа с документацией. Агент индексирует внутренние документы компании, находит релевантные фрагменты по запросу, ссылается на конкретные разделы.
  • Автоматизация повторяющихся задач. Агент запоминает, как решалась задача в прошлый раз, и формирует навык — последовательность действий, которую можно вызвать одной командой.
  • Персонализированные ассистенты. Агент накапливает знания о пользователе, его стиле работы, типичных запросах.

Ключевое отличие от простого логирования: EverOS не просто сохраняет историю, а делает её доступной для поиска и повторного использования. Агент может найти нужный факт среди тысяч документов за миллисекунды.

Как протестировать EverOS за неделю без перестройки процессов

Прежде чем внедрять EverOS в продуктовую среду, стоит провести короткий эксперимент. Вот что можно сделать за пять рабочих дней:

День 1–2: установка и базовое знакомство. - Склонировать репозиторий с GitHub. - Запустить локально через Docker или Python-пакет. - Проверить, что Markdown-файлы создаются и читаются. - Выполнить несколько тестовых запросов на поиск.

День 3: интеграция с существующим агентом. - Подключить EverOS как слой памяти к одному из тестовых агентов. - Передать в EverOS несколько диалогов или документов. - Проверить, что агент может извлекать информацию из памяти.

День 4: тест гибридного поиска. - Загрузить набор документов с разной терминологией. - Выполнить поиск по точному ключевому слову и по смыслу. - Сравнить результаты: какие фрагменты нашёл BM25, какие — векторный поиск.

День 5: проверка самообучаемых навыков. - Дать агенту несколько однотипных задач. - Проверить, формирует ли EverOS новые навыки. - Оценить качество сгенерированных навыков.

Если после пяти дней EverOS показывает стабильные результаты и не требует постоянной отладки, можно рассматривать его для более широкого внедрения.

Сравнение с аналогами: когда EverOS выигрывает, а когда проигрывает

EverOS — не единственное решение для памяти AI-агентов. На рынке есть Mem0, LangMem, MemGPT и другие. У каждого свои сильные и слабые стороны.

Критерий EverOS Mem0 LangMem MemGPT
Формат хранения Markdown-файлы Векторная БД Векторная БД Векторная БД
Прозрачность данных Высокая (файлы читаемы) Низкая (бинарный формат) Низкая Низкая
Гибридный поиск BM25 + векторы Только векторы Только векторы Только векторы
Самообучаемые навыки Есть Нет Нет Частично
Возраст проекта Новый (2026) Зрелый Зрелый Зрелый
Сообщество Маленькое Большое Большое Среднее

EverOS выигрывает в прозрачности и гибридном поиске. Если для вашего сценария критично видеть, что именно помнит агент, и править это вручную — EverOS предпочтительнее. Если нужна проверенная в бою система с большим сообществом — Mem0 или LangMem могут быть надёжнее.

EverOS проигрывает в зрелости. Проект новый, документация только формируется, количество пользователей невелико. Это значит, что баги и недокументированные ограничения будут встречаться чаще.

Риски, которые стоит проверить до внедрения

EverOS — open-source проект, но open-source не означает «бесплатно и без риска». Вот что нужно проверить до того, как полагаться на него в продуктивной среде:

Стабильность и поддержка. Проект новый. Нет гарантии, что через полгода он будет активно развиваться. Проверьте частоту коммитов в репозитории, активность мейнтейнеров, наличие issue и pull request.

Производительность на реальных данных. EverOS может отлично работать на десяти документах и тормозить на десяти тысячах. Проведите нагрузочное тестирование с объёмом данных, близким к вашему реальному сценарию.

Безопасность данных. Markdown-файлы хранятся в открытом виде. Если в памяти агента оказываются конфиденциальные данные — пароли, персональные данные клиентов, коммерческая тайна — убедитесь, что доступ к файловой системе защищён.

Совместимость с вашей моделью. EverOS не привязан к конкретной LLM, но механизм самообучаемых навыков может работать по-разному с разными моделями. Протестируйте с той моделью, которую используете в продукте.

Юридические риски. Если вы работаете с данными, подпадающими под регулирование (GDPR, 152-ФЗ), проверьте, как EverOS обрабатывает запросы на удаление данных. Markdown-формат упрощает удаление, но автоматизация этого процесса может быть не реализована.

Что можно сделать на этой неделе

EverOS — интересный инструмент, но он требует проверки. Вот пять конкретных шагов, которые можно выполнить без перестройки команды:

  1. Склонировать репозиторий и запустить демо-пример из документации.
  2. Загрузить в EverOS 10–20 реальных документов или диалогов из вашего проекта.
  3. Проверить гибридный поиск — найти точный термин и перефразированный запрос.
  4. Дать агенту 3–5 однотипных задач и посмотреть, формируются ли навыки.
  5. Сравнить результаты с текущим решением памяти (если оно есть) по времени ответа и качеству извлечения.

Если EverOS проходит эти проверки, можно выделить неделю на интеграцию в тестовый контур. Если нет — отложить до следующего релиза или присмотреться к более зрелым аналогам.

Источники

Генерация изображения

  • Модель: flux-schnell
  • Провайдер: replicate

Что почитать дальше