EverOS: Koniec z amnezją AI dzięki pamięci w plikach Markdown

Większość dzisiejszych dużych modeli językowych ma ten sam defekt: ich pamięć jest ulotna. Gdy sesja dobiega końca, kontekst znika, a przy kolejnej interakcji agent znów jest czystą kartą. EverMind chce to zmienić za pomocą projektu EverOS – otwartoźródłowego środowiska uruchomieniowego pamięci (memory runtime), które zamiast zamykać dane w hermetycznych bazach, stawia na zwykłe, czytelne pliki Markdown jako główne źródło prawdy.

Problem „agentic amnesia” staje się palący właśnie teraz, gdy w 2026 roku deweloperzy budują coraz bardziej złożone systemy. Uruchomiona 3 lutego platforma EverMemOS Cloud oraz wejście EverOS w fazę globalnej bety to próba stworzenia trwałej infrastruktury dla autonomicznych agentów. Według twórców, system potrafi zwiększyć skuteczność w złożonych zadaniach nawet o 234,8% dzięki mechanizmowi automatycznego wyodrębniania umiejętności z przebytych interakcji.

Architektura oparta na trzech filarach

Fundamentem EverOS nie jest jedna baza danych, lecz stos technologiczny łączący prostotę Markdown z wydajnością SQLite i LanceDB. Wybór plików tekstowych to ruch czysto pragmatyczny. Pozwala deweloperom na ręczną edycję, łatwą inspekcję i wersjonowanie wiedzy agenta za pomocą Gita. SQLite zarządza tu stanem i kolejkami, a LanceDB obsługuje szybkie przeszukiwanie dużych zbiorów danych.

Kluczem do sprawności systemu jest wyszukiwanie hybrydowe (mRAG). EverOS łączy klasyczny algorytm BM25 (słowa kluczowe), gęste wyszukiwanie wektorowe oraz filtrowanie skalarne. Taka kombinacja drastycznie ucina liczbę halucynacji. Zespół EverMind podkreśla, że ich rozwiązanie zmienia bezstanowe AI w „inteligentnych agentów, którzy pamiętają, uczą się i ewoluują”. W benchmarkach LoCoMo system notuje dokładność na poziomie 93,05%, utrzymując przy tym opóźnienia w granicach 100–300 ms, co jest kluczowe dla pętli agentowych.

Ewolucja od przypadków do umiejętności

EverOS wyróżnia się na tle prostych baz RAG sposobem zarządzania pamięcią proceduralną. System dzieli dane na dwa nurty: użytkownika (fakty, profile) oraz agenta (konkretne przypadki i nabyte umiejętności). Każde zadanie trafia do bazy jako „Case”. Następnie, w procesie offline, powtarzające się wzorce sukcesu są destylowane do „Skills” – gotowe procedury, z których mogą korzystać inni agenci w zespole.

• Efektywność tokenów: Algorytmy wyróżniania pamięci pozwalają ograniczyć koszty i zużycie kontekstu nawet o 70%.
• Wielomodalność: System obsługuje bezpośrednie wczytywanie danych z plików PDF, Word, Excel oraz obrazów przez jeden endpoint API.
• Local-first: Kod dostępny na licencji Apache 2.0 pozwala na pełną kontrolę nad danymi wewnątrz własnej infrastruktury.

Praktyka i ekosystem

Nowa wersja EverOS 1.0.0 znajduje już zastosowanie w projektach od asystentów dla osób z chorobą Alzheimera po narzędzia programistyczne typu Hive Orchestrator. Uznanie algorytmów na konferencji ACL 2026 potwierdza, że podejście hybrydowe to właściwy kierunek. Deweloperzy mogą integrować EverOS z pętlą agentową za pomocą API zgodnego z OpenAI, a nawet używać go jako wtyczki w narzędziach takich jak Claude Code poprzez proste polecenia instalacji pluginów pamięciowych.