长期记忆驱动EverMind探索AI进化

同一个模型，权重一个参数都不改，只是换一套 Harness，表现就可能大幅波动。这看似是 Agent 工程中的「玄学」，实际上暴露了自进化走向产品必须回答的两个问题：怎样证明改进真实有效，以及怎样获得足够连续、真实、可回溯的数据，让改进能够长期发生。

EverMind 正试图用 HarnessBank、Raven 与 EverMe，把这两个问题接成同一条产品路径。

HarnessBank：把「自我改进」变成可验证的工程

01. 核心架构：一个 Agent 跑任务，一个 Agent 改 Harness

HarnessBank 的核心思路是将系统拆分为两个角色，形成一种「非对称」的进化结构：

任务 Agent：负责在现行的 Harness 下执行具体任务。它的骨干模型是被冻结的(默认使用 Qwen3.6-27B)，保持稳定;

Evolver Agent：这是一个独立的、能力更强的模型(例如 Claude Opus 4.8)。它的任务是读取「任务 Agent」的执行轨迹，诊断出反复出现的失败机制，并生成新的候选 Harness。

这种设计的精妙之处在于：改进由一个「强模型」来思考，而被改进的只是一个「弱模型」的外壳。

图 1：传统人工调优(上)需要耗费大量人力且效率低下，而 HarnessBank 自进化(下)通过双 Agent 架构和基因库分格存档，实现了精准、高效的自动化迭代。

在形式上，进化只允许修改 Harness 的可变面(如 prompt、注入知识、运行时逻辑、配置)，而评估、记账、自进化相关的代码则被锁成不可动内核。这种严格的控制保证了进化前后的结果始终具有可比性。

图 2：HarnessBank 框架流程：1) 选出当前最强父代;2) 运行训练任务获取诊断;3) 基于基因库重组或重新发明机制;4) 通过四道门控筛选;5) 评估并竞争入库。

进化过程绝不是盲目的试错，而是遵循严谨的四步循环：

1、选择父代：从「基因库」中按质量偏置选出当前最强的 Harness 作为父代;

2、运行诊断：运行一批训练任务，获取完整的诊断信息(分数、轨迹、评估元数据);

3、生成后代：Evolver 基于诊断生成后代：要么从失败轨迹中重新发明一个机制，要么将不同格子的机制重组起来;

4、门控筛选：后代必须通过严格的「筛选门」，通过后才能进入完整评估并最终入库。

从 HarnessBank 到 Raven：自进化开始进入运行时

HarnessBank 回答了「怎样安全地改」，Raven 则把这套方法带入真实 Agent 的运行框架。

作为构建在 EverOS 之上的自进化 Agent Harness，Raven 将长期记忆、技能体系、运行策略和工具调用连接起来，使 Agent 能够从任务轨迹中总结经验，在不必频繁修改底层大模型权重的情况下，持续优化自身的技能、工作流与外围运行逻辑。

这一步让 EverMind 的技术路线形成清晰分层：EverOS 负责把分散的交互、知识与个人信息组织成长期记忆;Raven 负责将这些记忆转化为更好的执行策略 ——HarnessBank 为策略进化提供可验证的方法;SkillCorpus 等研究则帮助成功经验被规模化沉淀、检索与复用。记忆不再只是一个档案馆，而成为 Agent 发现问题、形成经验和改写行为的原料。

然而，从论文和开发者框架走向大众产品，还缺少最关键的一环：持续、真实、由用户直接产生的数据。

基准测试可以证明机制有效，却无法代替一个人在工作、学习、沟通和使用不同应用时形成的长期轨迹。没有这部分数据，自进化很容易停留在实验室;拥有这部分数据，Agent 才可能真正理解「对谁进化、为何进化，以及进化后是否更有用」。

EverMe让个人记忆真正成为AI进化的基础

目前，EverMind 首个 C 端产品 EverMe 已上线内测。它基于 EverOS 记忆架构，为普通用户提供更轻便、直观的个人记忆管理与调用能力。产品围绕 Memory Hub、Knowledge Base、数字分身和 Agent Hub 四个模块展开，已通过 Memory Hub 打通 Claude Code、Codex、OpenClaw、Hermes、Kimi Code、Raven 等 11 个 Agent，并支持历史数据导入、实时记忆写入及跨 Agent 轨迹管理;Knowledge Base 支持 Notion、Obsidian、本地文件等内容接入，并可结合个人数据进行 Deep Research;数字分身提供记忆溯源，Agent Hub则进一步连接不同专业 Agent。

EverMe 的意义并不只是增加一个 C 端记忆工具，而是为 EverMind 的自进化技术接入真实用户场景。个人在不同工具中的任务、偏好、经验和反馈，可以持续沉淀为长期记忆，并在授权范围内被不同 Agent 调用，由此形成面向个人的数据飞轮。结合 EverOS 的记忆架构、Raven 的运行时进化以及 HarnessBank 的验证机制，EverMind 正逐步形成从“如何进化”到“用什么进化”，再到“在哪里验证进化”的完整路径，让 AI 不只是拥有更强的模型，而是逐渐成为一个能够记住用户、理解用户，并在真实使用中持续进化的智能系统。

更多信息请访问：

EverMe：https://everme.evermind.ai/

Raven：https://raven.evermind.ai/

HarnessBank：https://arxiv.org/abs/2607.13683