盛大再探AI进化，EverMind布局智能体新路径

如果说盛大曾经让人看到互联网内容与数字娱乐的想象力，那么多年之后，曾经参与中国互联网发展进程的陈天桥及其团队，又把目光投向了人工智能的下一阶段。今天，AI的竞争已经不只是模型参数和性能的竞争，如何让智能体记住经验、持续调整，并在真实使用中不断变好，正在成为新的技术命题。EverMind围绕长期记忆、自进化和个人数据展开的一系列探索，也正是在回答这个问题。

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。

模型没有变，为什么换个 Harness 就「变笨」？

在 AI Agent 的实际应用中，模型只是能力的一部分。包裹在模型外围的提示词、知识注入、工具调用、运行时逻辑与配置，共同构成了 Harness，也就是 Agent 的「运行外壳」。同一颗模型放进不同 Harness，可能像同一个人进入不同组织：知识与智力没有改变，决策流程、工具条件和反馈机制一变，最终表现便会截然不同。

EverMind 在 HarnessBank 研究中给出了一个直观结果：在 AppWorld 测试集上，同一颗冻结权重的 Qwen3.6-27B 模型，仅通过 Harness 进化，测试集 Pass@1 从 41.3% 提升至 56.7%。在覆盖终端操作、代码生成、数学推理、网页研究、知识工作、应用控制与代码修复的七个基准中，测试集 Pass@1 均取得正向提升，幅度为 5.1 至 15.4 个百分点。

但真正困难的并不是让某一次分数上涨，而是证明上涨来自可复用的机制改进，而不是随机波动、任务过拟合，甚至沙箱崩溃与验证器超时造成的「假成功」。如果连提升是否真实都无法判断，所谓自进化就可能变成自动制造回归。

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 上线内测：C 端直接数据飞轮开始成形

目前，EverMind 的首个 C 端产品 EverMe 已上线内测。它并不是把 EverOS 的开发者接口简单搬到消费端，而是在 EverOS 记忆架构基础上，提供更轻便、直观的个人记忆管理与调用能力，让普通用户能够汇集、查看、追溯和使用自己的记忆，并将这些记忆数据交给不同 Agent 服务。

从现阶段产品结构看，EverMe 正围绕 Memory Hub、Knowledge Base、数字分身、 与 Agent Hub 四个模块展开：

Memory Hub：目前已打通 11 个 Agent，包括 Claude Code、Codex、OpenClaw、Hermes、Kimi Code、Raven 等，支持历史数据冷启动导入与后续记忆实时写入，并通过 Timeline 管理跨 Agent 的个人轨迹。

Knowledge Base：支持连接多种常见应用数据，也支持 Notion、Obsidian 与本地文件等内容导入，形成个人知识库；用户还可以基于自己的数据进行 Deep Research，让研究结果不只依赖公开互联网，也能结合个人材料、既有项目与长期上下文。

数字分身：提供主分身、Onboarding、对话流与记忆溯源 Reference，让用户能够看到回答依据了哪些个人记忆，并逐步形成持续更新的数字身份。

Agent Hub：支持 Agent 分享，并为后续的发现、评价与协作机制奠定基础，使个人记忆和专业 Agent 不再被锁在单一产品中。

此外，EverMind 已成为 MiniMax Code 首批支持的 7 个生态伙伴之一。这意味着 EverMe／EverOS 的个人记忆能力正在与主流编码 Agent 生态发生更直接的连接：用户在不同工具中的任务上下文、偏好和经验，有机会被统一沉淀，并在下一次任务中继续发挥作用。

为什么 C 端数据飞轮，是自进化产品化的基础

对自进化而言，数据量并不是唯一关键。更重要的是数据是否属于同一个主体、是否跨越足够长的时间、是否包含完整的任务过程与结果反馈，以及用户是否拥有管理和授权这些数据的能力。EverMe 的价值，正是在 EverOS 的记忆架构上建立一个面向个人的直接入口，把原本散落在文件、知识工具和不同 Agent 中的数据组织为连续的个人记忆资产。

当这套入口被持续使用，一个 C 端直接数据飞轮便开始形成：

这个飞轮与传统互联网的数据飞轮有本质区别。它不是单纯用更多用户行为训练一个统一模型，而是围绕每个用户建立可管理的长期记忆，再让多个 Agent 在授权范围内消费这些记忆。由此产生的，不只是更大的数据池，而是更高质量的个体化经验：哪些信息值得记住、哪个 Agent 在什么场景下更有效、哪种工作流经常失败、什么结果符合用户偏好。

这也解释了为什么 EverMe 对 EverMind 的战略意义远大于一个 C 端记忆工具。它把 EverOS 的底层架构、Raven 的运行时进化和 HarnessBank 的验证机制，接入真实用户的长期使用场景。学术研究提供「如何进化」的方法，C 端产品提供「用什么进化」的数据，而连接多个 Agent 的生态则提供「在哪里验证进化」的任务环境。三者结合，自进化才有机会形成可持续的产品闭环。

从「更聪明的模型」走向「越用越懂你的系统」

今天，大模型行业仍习惯用参数规模、基准成绩和上下文长度衡量智能。但对用户而言，真正可感知的进步往往更朴素：它是否记得我做过什么，是否理解我为什么这样做，是否能从上一次的失误中改进，是否能把一个工具里的经验带到另一个工具里。

HarnessBank 证明，冻结权重的模型也能通过外围机制获得显著且可验证的提升；Raven 让这种提升进入 Agent 的持续运行过程；EverMe 则开始把个人数据、记忆管理和多 Agent 生态连接起来。

由此，EverMind 正在形成一条从学术研究、开源基础设施到 C 端产品的完整路径。

这条路径的终点并不是让所有人拥有同一个更强的 AI，而是让每个人拥有一个基于自身记忆、能够跨应用协作、并在真实使用中持续进化的智能系统。随着 EverMe 内测推进和更多 Agent 接入，EverMind 所探索的自进化，也正在从论文中的统计显著性，走向用户每天都能感知的能力复利。

更多信息请访问：

EverMe：https://everme.evermind.ai/

Raven：https://raven.evermind.ai/

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

免责声明：该文章系本站转载，旨在为读者提供更多信息资讯。所涉内容不构成投资、消费建议，仅供读者参考。