7 月 8 日至 10 日，盛大集团孵化的 AI 科技团队 EverMind 陆续发布基于 EverOS 的深度自进化智能体 Raven Agent（渡鸦）。它的卖点不是"更会聊天"，而是两件听起来更接近科幻的事：用双向记忆机制把每一次互动内化为对用户的认知模型，以及具备重写自身技能、运行时逻辑乃至模型权重的能力。在 EverMind 的定义里，Raven 试图把 Agent 从 L2 记忆增强体，推向 L3 自我进化体——也就是 Agent 长出"数字生命"雏形的那一步。
一、"失忆症"：Agent 进化的隐形天花板
生成式 AI 爆发三年，一个基础性痛点始终如影随形：AI 的"失忆症"。当你关闭对话窗口，无论刚才的交流多么深入，AI 都会瞬间清空一切、回到初始状态。这种被称为"无状态（Stateless）"的技术局限，正成为 Agent 向真正智能体演进的最大瓶颈之一。
过去两年，行业普遍用两条路应对：一是不断扩大上下文窗口，二是引入检索增强（RAG）。但在 EverMind 团队看来，这些方案本质上仍是"高级书签系统"——它们能"查得到"，却未必"悟得到"。真正的记忆不是把旧对话翻出来，而是把经验内化为理解。Raven 要解决的，正是这道从"检索"到"内化"的鸿沟。
二、双向记忆：从"查得到"到"悟得到"
Raven 依托 EverOS 底层的"四层仿生架构"——代理层、记忆层、索引层、接口层——协同工作。它把原始对话流切分为独立的记忆单元，再通过聚类算法形成"记忆场景"，最终构建出包含用户身份、偏好、技能与工作目标的深度画像。
关键在"双向"二字。传统记忆是单向的：系统存下信息，下次遇到相关提问再捞出来。Raven 的记忆是双向且动态的：它既记住你（你的习惯、偏好、目标），也从与你的互动中吸取教训。如果你纠正了它一次错误，它不仅会记住正确答案，还会反思自己为什么出错，并在下一次改进。这种"被纠错后自我更新"的闭环，是它区别于普通 RAG 方案的核心。
据 EverMind 披露，这种机制在更低 Token 消耗下，提升了长期任务中理解和响应的准确率——这对动辄跨数天、跨多个会话的 Agent 任务尤为关键。
三、重写自身代码：L3 自进化的工程实现
Raven 最具冲击力的特性，是"改写自身代码"的能力。它内置约 10 万项经过评测的技能，覆盖从日常办公到专业领域的方方面面，但这些技能并非一成不变：在实际使用中，Raven 会评估哪些技能好用、哪些失效，然后主动淘汰、强化或组合出新的技能。
更进一步，它能重写自己的运行时逻辑和策略，甚至通过用户侧个性化小模型 EverBrain 动态微调模型权重。换句话说，它不只在使用工具，还在修改自己使用工具的方式，并从任务成败中总结经验、反思并更新能力——这正是一个"自我进化闭环"的雏形。
EverMind 把这场演进拆成四个阶梯：L1 角色化指令体（当前多数套壳 AI）、L2 记忆增强体（具备长期记忆与基础规划）、L3 自我进化体、L4 全自主数字生命。当前全球绝大多数 AI 应用仍停留在 L1 和 L2，而 Raven 的发布，被团队视为向 L3 阶段发起冲击的核心引擎。
四、四阶梯与生态野心
除了产品本身，EverMind 的底层布局更值得关注。其学术团队此前连发数篇论文，包括将上下文扩展至 1 亿 Token 的 MSA 机制，以及在 LoCoMo 长期记忆基准上达到 SOTA 的 HyperMem 超图架构——这些工作在为"记忆"这一能力建立技术标尺。
在商业侧，EverMind 的野心是借 EverOS 构建开发者生态。据其表述，当数以万计的开发者习惯基于 EverOS 的 API 和 MCP 接口构建智能体时，EverMind 有望建立起类似 Android 或 Windows 的底层生态护城河。CEO 邓亚峰将 Raven 称为"完成 EverOS 发展 Agent 生态关键拼图"的一环，目标是"赋予智能体一套鲜活的、可管理的、持续演化的历史"。
五、客观看：自进化光环下的待解命题
Raven 的方向无疑击中了 Agent 发展的真问题：长期记忆与自我改进。但它也带来几个必须正视的命题。其一是安全边界——一个能重写自身代码、动态调整权重的系统，其行为的可预测性与可控性如何保障？当 Agent 具备"修改自己"的能力，传统的静态审计与权限模型恐怕需要重写。其二是验证门槛——"L3 自进化""数字生命"这类表述需要更多可复现、可量化的结果支撑，目前公开信息以能力演示与架构说明为主，大规模跨场景泛化能力仍待检验。
更现实的参照是，整个行业都在被"记忆"这道题卡住。仅在过去一周，腾讯云发布 Agent Bucket 补上存储层、多家团队探索记忆内化路径，说明"让 Agent 记得住、跑得稳"已成为 2026 年下半年的共同主线。Raven 的差异化在于把"自进化"推到了台前——它未必是唯一的答案，但确实把 Agent 竞争的叙事，从"谁的模型更聪明"又往前推了一步：下一个分水岭，或许是"谁能让 Agent 真正长大"。