A EverMind lançou o EverOS, um runtime de memória open source para agentes de IA com licença Apache 2.0. O projeto ataca um problema central de quem constrói agentes: modelos de linguagem são intrinsecamente sem estado. Quando a conversa termina, todo o contexto se perde.
A proposta do EverOS é diferente. Em vez de prender a memória dentro de um banco vetorial opaco, ele a escreve como arquivos Markdown simples. Esses arquivos se tornam a fonte da verdade que os agentes leem, editam e consultam entre sessões.
Arquitetura: Markdown, SQLite e LanceDB
O EverOS é uma biblioteca Python com um servidor local-first. Roda com uma CLI e uma API HTTP FastAPI, assíncrona de ponta a ponta. Você o insere em um loop de agente existente, sem reconstruir toda a stack.
O design separa duas trilhas de memória. Do lado do usuário, armazena Perfis, Episódios, Fatos e Previsões. Do lado do agente, armazena Casos e Habilidades (Skills). Essa separação é incomum — a maioria das bibliotecas se limita ao histórico de chat.
Cada registro é salvo como um arquivo .md. Você pode abrir, editar, versionar com Git ou visualizar no Obsidian. O EverAlgo, uma biblioteca separada e sem estado, cuida dos algoritmos de extração. O EverOS orquestra e persiste os resultados.
A stack de armazenamento tem três camadas: Markdown como fonte da verdade, SQLite para estado e filas, e LanceDB para vetores, BM25 e filtros escalares. É deliberadamente mais leve que uma configuração típica de produção — não exige MongoDB, Elasticsearch, Milvus, Redis ou Kafka. Para times pequenos ou desenvolvedores solo, isso reduz significativamente o custo operacional.
Busca híbrida com mRAG
A recuperação é híbrida. Uma única consulta ao LanceDB combina correspondência de palavras-chave BM25, busca vetorial densa e filtragem escalar — o que a EverMind chama de mRAG (multimodal retrieval-augmented generation).
Um índice em cascata mantém arquivos e índices sincronizados. Editar um arquivo .md dispara um file-watcher que reindexa automaticamente. A memória permanece inspecionável sem ficar desatualizada.
A recuperação também é ortogonal entre identificadores: é possível limitar uma busca por user_id, agent_id, app_id, project_id e session_id — essencial em implantações multi-agente e multi-usuário.
Memória que evolui: casos viram habilidades
Um diferencial importante é a memória procedural. O EverOS registra cada tarefa concluída por um agente como um Caso (Case). Padrões bem-sucedidos repetidos são destilados offline em Habilidades (Skills) reutilizáveis.
É a chamada “memória auto-evolutiva”: as habilidades são compartilhadas entre toda a equipe de agentes, sem curadoria manual e sem hardcoding. O objetivo são agentes que melhoram com o uso, em vez de recomeçar do zero a cada sessão.
O modelo de memória é simples e bem definido: memória episódica responde “o que aconteceu”, memória de perfil responde “quem é este usuário”, e memória procedural responde “como esta tarefa é feita”.
A versão 1.1.0 adicionou APIs de Conhecimento para páginas Markdown com taxonomia e busca por tópicos, além de Reflection — um processo offline que mescla clusters de episódios e refina perfis e habilidades entre sessões.
Benchmarks e casos de uso reais
Segundo a EverMind, o EverOS atinge 93,05% no LoCoMo, 83,00% no LongMemEval e 93,04% no HaluMem, com latência de recuperação p95 abaixo de 500ms. LoCoMo e LongMemEval medem memória conversacional de longo prazo; HaluMem avalia alucinações de memória. Vale notar que esses números são reportados pela própria equipe.
Entre as integrações já funcionais, a Hive Orchestrator é um “hive-mind” para agentes de codificação via CLI — Claude Code, Codex, Gemini e OpenCode colaboram como processos PTY reais com protocolo de equipe compartilhado. Já o Reunite usa memória semântica para busca de valor público: pais descrevem o que lembram, filhos descrevem o que recordam, e o sistema revela conexões.
Outros exemplos incluem um assistente de memória para Alzheimer e um wearable de IA que ouve a vida cotidiana e a converte em memória. O ecossistema também oferece um plugin para Claude Code e uma camada de memória via MCP para assistentes de codificação.
O endpoint é compatível com o protocolo OpenAI — conecta-se a OpenAI, OpenRouter, vLLM, Ollama ou DeepInfra trocando apenas a URL base. A instalação exige Python 3.12 ou superior e o demo local não precisa de chaves de API.
O EverOS representa uma abordagem pragmática para um dos maiores gargalos dos agentes de IA atuais: a persistência de contexto entre sessões. Ao usar Markdown como substrato, ele torna a memória auditável, versionável e portável — atributos raros em sistemas de memória para agentes.
Descubra mais sobre noticiAI
Assine para receber nossas notícias mais recentes por e-mail.
