EverOS接入Milvus 实测：这个1.2 万 Star 的Memory 项目，有哪些值得学…

EverOS 是 EverMind-AI 开源的 Agent 长期记忆系统。

它今年 6 月 3 日才发布 1.0.0，到 9 月已经拿到约 12.8K GitHub Stars、900 多个 Fork；并且与 DeepSeek Harness、Hermes、OpenClaw、Dify 等 Agent 或 workflow 做了集成。

在本篇文章中，我们会拆解这个公开发布只有三个多月的 Agent Memory 明星项目究竟是如何设计的，并给出如何将 Milvus 与 EverOS 做深度结合的手把手教程。

EverOS是什么？它如何定义记忆

作为一个典型的 Agent Memory 项目，EverOS 可以接收 Agent 的 conversation、文件和执行轨迹，把这些原始信息加工成可以长期保存和复用的记忆。

在用户记忆这一侧，它会把信息拆成不同粒度：Episode 保留一次完整经历和上下文，Atomic Fact 从这些经历里抽出更稳定、可复用的事实，Profile 再根据持续积累的事实更新用户的长期状态。比如一次对话里提到“工作日告警 15 分钟内确认”，这件事既可以留在当天的 Episode 里，也可以被抽成一条独立事实；如果类似信息持续出现，还可以进一步进入 Profile。

Agent 自己的经验方面。一次完成任务的执行轨迹可以被整理成 Case，记录任务、做法和结果；多个相似 Case 积累以后，还可以继续归纳成 Skill，让 Agent 后面碰到类似任务时复用已经验证过的方法。

也就是说，用户记忆在从Episode → Fact → Profile演化，把具体经历逐渐沉淀成长期状态；Agent 经验则从Trajectory → Case → Skill演化，把一次执行逐渐沉淀成可复用的方法。

在数据的存储上。EverOS中本地默认有三个存储层：Markdown 保存 memory content，是 source of truth；SQLite 保存系统状态和队列；检索数据库保存 vector、BM25 和标量索引。后两层都可以从 Markdown 重建。其中只有 Markdown 是 source of truth。SQLite 和 LanceDB 都被官方定义成 derived、rebuildable state。把整个 .index/ 目录删掉，Markdown 还在，系统可以根据这些文件重新建立状态和检索索引。

搜索时，EverOS 则会再根据当前问题，从这些不同类型的记忆里做 keyword、vector 或 hybrid retrieval。

借助这样一套链路，即使 Agent 记错用户偏好，或者某些信息后续失效，我们也可以直接在原始 Markdown 文档中修改，然后在 entry 粒度做 diff。不用研究数据库中的内部数据结构，再对其做解码。

即使后续需要切换后端的向量数据库。比如从 LanceDB 换到 Milvus，EverOS 也不需要重新生成记忆本身。Episode、Atomic Fact、User Profile 这些已经经过 LLM 抽取和整理的记忆结果都保存在 Markdown 里；EverOS 只需要重新读取这些 Markdown、计算 embedding，再在新的向量库里重建索引。

怎么在EverOS 中接入 Milvus

本章节，我们将测试如何在 EverOS 中接入 Milvus。

我们选择的测试环境是 Python 3.12+、EverOS 1.3.1、远程 Milvus 2.6.23(EverOS已经支持接入远程 Milvus Server 或 Zilliz Cloud；本地 Lite 会直接被拒绝)，本地使用一个 1024 维 embedding model，再配一个负责 memory extraction 的 LLM。

安装与配置：

python在 EverOS 仓库、Python≥3.12 环境下 pip install ”.[milvus]”          # 确认 pymilvus 一并装上

pythonconfig.toml[index]backend = “milvus” [milvus]uri = “http://:19530" 或 Zilliz Cloud endpointtoken = ”***”      # Zilliz Cloud 填 API keyconsistency_level = “Session”collection_prefix = “everos_exp”[embedding]model = ""base_url = “http://127.0.0.1:11434/v1 “[llm]model = ""base_url = “/v1”

python起服务后：写入 -> flush -> 检索curl -X POST /api/v1/memory/add     -d @messages.json   # 10 条可核对消息curl -X POST /api/v1/memory/flushcurl -X POST /api/v2/memory/search  -d ’{“query”:”…”,“method”:“hybrid”,“top_k”:3}’

服务启动后，EverOS 会连接远程 Milvus，并按照不同的 memory kind 初始化对应的 Collection。本次一共创建了 7 张 _ Collection，对应 Episode、Atomic Fact、User Profile、Foresight、Agent Case、Agent Skill 和 Knowledge Topic。

接下来，我们准备了 10 条人工构造、可以直接核对结果的测试消息，其中包括前面提到的值班规则：“工作日告警 15 分钟内确认，周末响应时限是 30 分钟。”

把这批消息写进 EverOS，再执行 flush：

然后执行完整链路：

pythoncurl -X POST /api/v1/memory/add \   -d @messages.json curl -X POST /api/v1/memory/flush curl -X POST /api/v2/memory/search \   -d ’{“query”:”…”,“method”:“hybrid”,“top_k”:3}’

EverOS 会先对 conversation 做 memory extraction。这批 10 条测试消息在本次运行中最终生成了 4 条 Episode、19 条 Atomic Fact 和 1 份 User Profile，并保存成 Markdown。随后 cascade 再读取这些 memory，为它们生成 embedding 和检索字段，写入对应的 Milvus Collection。

写入完成后，我们再用一个原始消息中有明确答案的问题测试 hybrid search：

工作日和周末的响应时限是什么？

返回结果命中了包含这条规则的 Episode，给出的内容是工作日 15 分钟、周末 30 分钟，同时结果中的 md_path 可以继续定位回对应的 episode-2026-09-09.md。

测试数据虽然不多，但说明从写入到检索的完整链路已经跑通。后续我们另外用 5 个能够从测试消息中直接核对答案的问题做了同样的搜索，都可以命中对应 memory 并回指 Markdown。

但是在检索过程中，我们也遇到了一个问题。

基于当前的EverOS 1.3.1 的日志命名规则。即使 backend 已经切到 Milvus，启动过程中仍可能看到 lifespan_provider_startup name=lancedb、cascade_lancedb_rebuilt 之类的历史名称。

因此确认实际 backend 时，不能只看这些日志字符串。我们最终通过 milvus_connection_opened、derived_index_ready backend=milvus，以及直接查询远程 Milvus 中的数据，确认索引确实已经写入 Milvus。

最后，虽然基于 EverOS 的这一套设计，我们并不需要对原始数据和记忆做完整迁移。但在实际迁移过程中需要注意：即使只做embedding数据重建，如果整体数据量较大，也需要预留一个重建窗口。

编者提示一：这篇内容对读者的直接价值是可上手的做法。建议先用 ChatGPT、Claude 或文中提到的 AI 工具跑通作者演示的核心工作流，再对照自己的写作、编程或办公场景做一次小规模测试，把生成结果与手动操作的产出对比，评估 AI 带来的效率提升。动手时逐步复现文中的配置和运行步骤，遇到卡点直接把报错信息或生成内容贴给 AI 让它诊断调整，这样能最快验证这套任务是否适合你的日常工作。

编者提示二：如果你正打算用 AI 提升效率、探索变现路径，或需要判断某类工具是否值得投入学习，这篇文章提供了一线实践的参考。阅读时重点抓三个要素：作者输入了什么、做了哪些设置与调用、最终生成或输出了什么结果，然后挑一个环节照着做一遍，比看十篇综述更有用。

原文信息

作者：尹珉（@yinmin1987）

原文地址：