新闻详情

新闻详情

首页 / 资讯中心 / 详情

golutra × EverOS 记忆层详解:如何为长期运行的 AI Agent 构建跨会话记忆

发布时间:2026/11/17 7:32:38来源:尧图网络
golutra × EverOS 记忆层详解:如何为长期运行的 AI Agent 构建跨会话记忆
golutra × EverOS 记忆层详解如何为长期运行的 AI Agent 构建跨会话记忆【免费下载链接】golutraMulti-agent AI orchestration platform for automation, workflows, and developer tools. Golutra transforms Codex, Claude Code, and OpenClaw into a unified agent system with parallel execution, task orchestration, long-running workflows, and AI productivity workspace.项目地址: https://gitcode.com/gh_mirrors/go/golutragolutra是一个多智能体 AI 编排平台能把 Claude Code、Codex、OpenClaw 等 CLI 工具升级为统一的 Agent 军团。而EverOS 记忆层则解决了其中最关键的问题让长期运行的 AI Agent 具备跨会话、跨任务的记忆能力——上下文、项目知识与执行连续性不再随着终端关闭而消失。为什么长期运行的 Agent 需要记忆层普通对话式 AI 有个致命弱点会话一结束记忆清零。想象你让 AI 团队帮你维护一个自动化写小说的工作流周一让它梳理了人物设定周二的会话里它完全不记得任务跑到第 3 天前两天的构建结论只能重新解释一遍多个 Agent 并行工作时彼此不知道对方已经做过什么对于短时对话这无所谓但 golutra 定位的是长期运行long-running的 AI 协作系统甚至规划了运行一个月无人监管的 CEO Agent 目标。没有分层记忆这样的系统根本立不住。先看懂 golutra 内置的短期记忆在引入外部记忆层之前golutra 自身已经内置了一套会话级记忆机制分为三层1️⃣ 终端语义层滚动历史缓冲每个终端 Agent 都有一个语义状态机会把终端输出整理为聊天侧可读的快照消息并保留最多 5000 行滚动历史保证一次会话内的输出链路完整可回溯。核心实现terminal_engine/semantic.rs2️⃣ 会话映射Agent 与 Session 的绑定系统维护了member_id与远端session_id的一一映射Agent 重启后仍能找回自己原来的会话而不是失忆重开会话映射存储chat_db/terminal_session_map.rs3️⃣ 本地聊天数据库持久化的对话记忆所有会话、消息、未读状态都落在本地嵌入式数据库中按工作区隔离存储。重开应用后对话历史与任务上下文依然完整聊天数据库模块message_service/chat_db/语义子线程异步快照与聊天写回session/semantic_worker.rs 这套内置机制解决的是单次运行周期内的记忆问题。但 Agent 要跑几天、几周还差一层更持久的存储。EverOS 记忆层跨会话的记忆中枢这正是EverOS登场的地方。golutra 可以将 EverOS 作为长期运行 Agent 的外部记忆层实现三类记忆的持久化记忆类型说明典型场景上下文记忆跨会话保留对话与任务上下文第二天继续昨天的工作流无需重复解释需求项目知识沉淀代码结构、构建结论、踩坑记录多个 Agent 共享同一份项目认知执行连续性跨任务保留工作流进度与决策长流程任务中断后自动接续它的定位可以理解为 Agent 的外挂硬盘 长期记忆内置数据库管今天EverOS 管过去所有天。分层记忆架构短期 → 会话 → 长期golutra EverOS 实际上构成了一个教科书式的三层记忆架构这也是所有长期运行 Agent 系统的通用范式┌─────────────────────────────────────────────┐ │ 长期记忆 · EverOS 记忆层 │ 跨会话 / 跨任务 / 跨天 ├─────────────────────────────────────────────┤ │ 会话记忆 · 本地聊天数据库 会话映射 │ 跨重启 / 应用关闭 ├─────────────────────────────────────────────┤ │ 短期记忆 · 终端语义滚动历史5000 行 │ 单次运行 / 实时输出 └─────────────────────────────────────────────┘这种设计的好处是各司其职短期层追求快纯内存缓冲低延迟会话层追求稳落盘存储重启不丢长期层追求深跨任务沉淀支撑一个月无人托管的终极目标未来路线CEO Agent 与记忆分层管理在 README.md 的路线图中golutra 的下一阶段是实现真正的CEO Agent——顶层调度者将负责在不同角色与任务之间管理分层记忆CEO Agent 持续运行并精确构建子 Agent无限扩展的智能体网络随目标演化不断生长跨设备 / 跨环境迁移让系统存活于单一运行时之外也就是说EverOS 记忆层不是一个孤立功能而是整个数字生命系统的地基之一。快速上手建议先用内置记忆日常多 Agent 协作本地会话数据库已足够无需额外配置接入 EverOS当工作流开始跨天运行、多个 Agent 需要共享项目知识时接入 EverOS 记忆层模板化长流程用 golutra 的工作流模板导入/导出把带记忆的自动化流程沉淀为可复用的模板一个人一个 AI 军团——而记忆层就是这个军团不会忘记你为什么而战的基石。【免费下载链接】golutraMulti-agent AI orchestration platform for automation, workflows, and developer tools. Golutra transforms Codex, Claude Code, and OpenClaw into a unified agent system with parallel execution, task orchestration, long-running workflows, and AI productivity workspace.项目地址: https://gitcode.com/gh_mirrors/go/golutra创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/17 7:04:08

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/17 5:42:44

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/16 19:23:38

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/17 6:55:04

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/17 5:57:47

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/16 17:28:18

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉