图片由 AI 生成

如果一个 AI 每次对话结束后，都会把与你的全部交流清空，那么无论它多聪明，都只能算是一个 " 高级聊天工具 "，而不是一个真正意义上的智能体（Agent）。

这正是当下 Agentic AI 面临的核心瓶颈之一：失忆。

近日，由盛大集团全资孵化的 AI 技术团队 EverMind，正式对外系统性地展示了他们给出的解法—— EverMemOS，最新版本在四大记忆基准上实现了最先进（SOTA）准确率。

伴随而来的，还有   EverMemOS 云服务的内测，以及一项总奖金高达   8 万美元的全球开发者大赛   —— Memory Genesis Competition 2026。

这背后是陈天桥对 " 基础性技术长期投入 " 的一贯判断，也是 EverMind 联合创始人邓亚峰在 AI 记忆基础设施方向上的一次正面下注。

在产品发布之外，这也更像是一次针对 "AI 是否能真正成为长期智能体 " 的底层挑战。

为什么 Agent 一定需要长期记忆？

在大模型能力突飞猛进的这两年里，行业几乎把所有注意力都集中在参数规模、多模态、推理能力和算力效率上。

但在真实应用中，开发者很快发现了一个残酷事实：模型会 " 忘事 "。

无论是对用户偏好的理解、对历史决策的追溯，还是跨时间跨度的复杂推理，只要上下文窗口结束，一切都得从头来过。RAG 可以缓解一部分问题，但它更像是 " 临时查资料 "，而不是 " 真正记住 "。

如果说大模型负责 " 思考 "，那么记忆系统决定的，其实是智能体是否具备连续自我。

邓亚峰认为，" 如果模型每次会话后都会重置理解，真正的 Agentic AI 就无从谈起。"

EverMind 正在从静态的上下文窗口迈向动态、自组织的记忆，借助 EverMemOS，为智能体提供了一段 " 活的、会演化的历史 "。

基准结果表明：EverMind 能够以远低于全上下文模型的算力成本，实现更高的准确率。

正是在这一判断下，EverMind 把研发重心从模型能力本身，转向了一个更底层，也更难的方向—— AI Memory Infra。

EverMemOS：打破行业基准，点击即用

在 EverMind 最新发布的论文 EverMemOS: A Self-Organizing Memory Operating System for Structured Long-Horizon Reasoning 中，团队对现有主流方案进行了清晰区分。

截图来源：EverMemOS: A Self-Organizing Memory Operating System for Structured Long-Horizon Reasoning

EverMind 详细阐述了其技术提出的一套受 engram 启发的生命周期机制，用以模拟生物认知过程。与传统 RAG 或成本高昂的超长上下文窗口不同，EverMemOS 能将经验组织为连贯、可演化的结构。

它试图构建的，是一个类似生物认知系统的记忆生命周期，灵感直接来自神经科学中的 engram 理论。

在这套架构中，记忆不是静态存储，而是会被不断压缩、重组、强化和遗忘的动态系统。

EverMemOS 的核心机制，被概括为三个连续但可循环的阶段。

第一阶段：情景痕迹形成（Episodic Trace Formation）。

将对话流转换为 MemCells，用于捕捉情景痕迹、原子事实以及有时间边界的前瞻信息。

第二阶段：语义巩固（Semantic Consolidation）。

把 MemCells 动态组织为主题化的 MemScenes，提炼稳定的语义结构，并持续更新持久化的用户画像。

第三阶段：重建式回忆（Reconstructive Recollection）。

通过 agentic 检索组合 " 必要且充分 " 的推理上下文，在优化算力成本的同时保证高准确率。

这也是 EverMemOS 能在大幅降低 token 消耗的同时，维持甚至提升准确率的关键。

基准成绩，是硬指标

在 AI 基础设施领域，架构是否成立，最终要看基准测试。

EverMind 在四个主流记忆评测基准上，给出了极具说服力的数据。

LoCoMo（93.05% 准确率）：超越全部现有记忆系统与全上下文模型；在多跳推理（+19.7%）与时序任务（+16.1%）上优势显著，同时大幅降低 token 使用与计算成本。

LongMemEval（83.00% 准确率）：在知识更新与时序推理方面位居第一；其中知识更新任务提升 20.6%，体现出系统可通过持续语义巩固不断 " 进化 " 的能力。

HaluMem（90.04% 召回）：在记忆完整性方面建立新的行业标准，显著减少长时程任务中的幻觉。

PersonaMem v2：在 9 个复杂场景中，在深度个性化与行为一致性维度取得最佳综合表现。

这说明 EverMind 不需要牺牲效率，去换取长期记忆。结构本身，就是效率。

从论文到云服务：记忆能力的产品化

如果 EverMemOS 只停留在论文阶段，它的意义仍然是学术层面的。

但是，EverMind 显然希望更快地进入真实应用场景。

此次同步推出的 EverMemOS Cloud Service，正是为开发者和企业提供 " 即插即用 " 的记忆增强能力。通过简单 API 调用，原本无状态的聊天机器人，可以在数分钟内升级为具备长期上下文感知的智能体。

在设计上，该云服务强调三点：

一是企业级数据安全与隐私隔离； 

二是对底层记忆架构的自动迭代； 

三是尽可能降低开发者的使用门槛。

目前，该服务已对候补名单（waitlist）用户开放内测，也可以通过官网申请加入内测：console.evermind.ai。

Memory Genesis：把基础设施交到生态手里

与产品发布同样重要的，是 EverMind 对生态的态度。

Memory Genesis Competition 2026，并不想做成一次常规的应用开发大赛，而是围绕 " 记忆原生应用 " 展开的系统性共创。

图片来源：EverMind

赛事设置了 Memory+Agent、Plugin 和 Infra 三大赛道，覆盖从应用到基础设施的不同层级。初始奖金池为 8 万美元，并提供后续收入分成与职业机会。

优秀开发者不仅能获得奖金，还可能直接进入 EverMind 工程团队，或获得长期技术支持。

开发者可在 2 月线上参赛并提交作品，3 月份将在社区逐步公布优秀项目，并将邀请优秀团队参加 4 月初在硅谷举办的线下活动。

开发者可在 evermind.ai/activities 注册。

Memory Genesis Competition 的举办，延续了陈天桥一贯的逻辑：真正的基础设施，必须交由生态来验证和放大。

从更大的时间尺度看，EverMemOS 的出现并不偶然。

当模型能力趋同、算力成本成为瓶颈，长期记忆正在成为 Agent 竞争的分水岭。谁能让 AI " 记得住、记得准、记得久 "，谁就更接近真正的智能体。

EverMind 选择在这个节点押注记忆基础设施，既是技术判断，也是战略选择。

对陈天桥和邓亚峰而言，这是一次对 " 长期价值 " 的再次下注，为 Agentic AI 补上一块关键拼图的尝试。

多数 AI 应用的失败，也许并不是因为模型不够聪明，而是因为系统不够完整。

EverMemOS 至少回答了一个长期被忽视的问题：如果 AI 没有记忆，它到底是谁？

而这，或许正是下一阶段智能竞争真正开始的地方。（作者｜李程程，编辑｜李玉鹏）