Raven Agent（渡鸦）深度解读

项目全称：Raven Agent（渡鸦）Self‑Improving Agent Harness 发布：2026‑07‑10｜盛大孵化 EverMind｜底层基座：自研智能体操作系统 EverOS环球网 定位：L3 自我进化体智能体框架，主打双向记忆内化、技能自迭代、代码级自我重写；开源框架，面向开发者构建长期持续进化 Agent。

一、背景与行业痛点

当前绝大多数 Agent 停留在 L1/L2：

1. L1 角色化指令体：普通对话 Agent，无持久记忆，会话结束全部遗忘；靠 prompt 完成任务。
2. L2 记忆增强体：RAG、长上下文窗口；本质是档案检索，只是读取存档，不会内化经验，Token 开销巨大，不会自我改进。

EverMind 提出数字生命 4 级演进框架

• L1：角色化指令体（市面上绝大多数 AI）
• L2：记忆增强体（RAG、外挂向量库）
• L3：自我进化体（Raven 渡鸦目标）：记忆双向内化、可改写技能 / 逻辑 / 代码，从交互反馈持续进化
• L4：全自主数字生命（远期目标）

核心观点：真正记忆不是检索，而是内化。不是把历史塞进 Prompt，而是把交互经验沉淀进 Agent 自身认知与执行逻辑中。

二、核心架构：EverOS 四层仿生架构

整套框架建立在 EverOS 之上，四层分层协同，完成交互处理‑记忆存储‑索引检索‑外部对接全链路环球网。

1. 代理层 Agent Layer（认知与执行） 负责规划、反思、任务调度、技能调用、自我评估。任务执行结束执行 Reflection 反思：识别成功点、失败根因、改进方向；触发后续技能优化、代码改写逻辑。

这一层实现 Agent “自我审视” 能力，是 L3 进化的中枢。

1. 记忆层 Memory Layer（双向记忆核心） 分为三类记忆：用户记忆 User Memory、智能体自身记忆 Agent Memory、通用知识库 Wiki。 实现双向记忆内化 Bidirectional Memory Internalization：

• 方向① 用户侧记忆：记录用户偏好、目标、历史交互，内化为用户画像，不是原始聊天日志；通过聚类生成记忆场景，不需要每次把全部历史塞进 Prompt。
• 方向② Agent 自身记忆：记录自身执行经验、失败教训、技能效果；把任务成败经验沉淀给 Agent 自己，驱动自我迭代。

性能指标：仅传统 RAG / 长上下文约 1/10 Token 开销，长周期任务准确率优于全量上下文方案。

1. 索引层 Index Layer（超图记忆索引 HyperMem） 不是简单向量库；采用超图结构组织记忆单元，做场景聚类、关联推理、记忆衰减、重要度排序。

• 区分重要记忆、次要记忆；模拟人脑遗忘机制，弱化冗余信息；
• 实现跨会话、跨任务的关联召回，支撑长期个性化。

1. 接口层 Interface Layer 对接基座大模型、工具调用、文件、API、终端 CLI、前端交互；同时对接个性化小模型 EverBrain；提供 SDK、命令行，供开发者二次开发集成。

三、三大标志性核心能力

1）双向记忆机制（区别普通 RAG 最大差异）

普通 RAG：原始对话存档，需要就检索拼接进 Prompt，模型本身不发生任何改变。 Raven 双向记忆：

1. 将原始交互拆解为结构化记忆单元，聚类为记忆场景，构建用户深度画像；
2. 同时沉淀 Agent 自己的执行经验：哪类任务容易出错，哪个技能效果好；
3. 每次交互同时更新「对用户认知」+「对自身能力认知」，实现内化，而非简单读取档案。

2）10 万评测技能库 + 技能生态自进化

内置约 10 万项经过评测的技能，覆盖办公、数据分析、运维、垂直业务多步工作流，不是简单 prompt 模板，是可执行的函数 / 脚本片段。 自进化闭环：

任务执行 → 收集用户反馈、任务成败信号 → 评估技能效果 → 淘汰低效果技能、强化高频有效技能、组合生成全新复合技能。 技能库动态演化，不是静态出厂集合。

3）可重写自身代码进化能力（最受关注 L3 能力）

注意：不是 “让大模型写一段外部代码”，而是改写 Agent 自身运行逻辑、技能源码、执行策略，结合 EverBrain 实现模型层面动态优化。

完整闭环：

1. 代理层 Reflection 反思，定位失败根因：是 prompt 问题？工具逻辑缺陷？还是策略错误；
2. Agent 直接修改自身技能源码、执行流程、判断策略；
3. 可选联动EverBrain（用户侧 / 端侧个性化小模型）：基于交互反馈做轻量化动态适配、权重微调；
4. 新的代码 / 技能投入后续任务运行，再收集反馈，持续迭代。

边界澄清：Raven 不会无限制自主修改底层 EverOS 内核；改写范围限定在技能库、任务策略、工作流模板，有安全沙箱隔离。

四、EverBrain 个性化小模型

EverBrain 是配套用户侧轻量化小模型，和 Raven 协同：

1. 接收双向记忆输出的用户特征、任务反馈；
2. 做个性化偏好蒸馏、轻量化动态适配；
3. 辅助 Agent 做自我改写、反思评估；降低对超大基座大模型的依赖，提升个性化响应。

五、技术对比：Raven Agent vs 主流 Agent 范式

表格

对比维度	Raven（渡鸦 L3）	普通 ReAct / AutoGPT (L1‑L2)	RAG 记忆增强 Agent (L2)
记忆范式	双向内化记忆（用户 + Agent 自身经验）	无持久记忆，依赖 prompt 外挂	检索式存档记忆，只记录用户信息
记忆存储	超图记忆层，带衰减、场景聚类	向量库 / 上下文窗口	向量数据库
自我改进	✅重写自身技能 / 代码，反馈闭环	❌不能自我改进，靠人工改 prompt	❌不改变 Agent 本身
技能体系	10 万动态自迭代技能库	少量静态工具 / 技能	静态工具集
Token 开销	约传统方案 1/10	高，全量上下文	很高，检索片段塞入 prompt
进化等级	L3 自我进化体	L1 角色指令体	L2 记忆增强体

六、优势、工程价值、局限

✅优势

1. 跳出 RAG “检索即记忆” 固有范式，记忆内化，大幅降低长会话 Token 消耗；
2. 完整自进化闭环：反思‑评估‑改写技能‑上线‑收集反馈，Agent 会越用越适配使用者；
3. 开源 Harness 框架，提供 CLI、SDK，企业可以基于它搭建长期运行的数字员工、长期个性化助手；
4. 双向记忆同时处理用户画像 + Agent 自身经验，这是绝大多数 Agent 缺失的一环。

⚠️局限与现实边界

1. “改写自身代码” 是改写技能、策略、工作流模板，不是无约束修改底层操作系统内核，存在沙箱安全边界；不是完全不受控的自主 AI。
2. L3 自我进化不等于通用 AGI；自我改进的质量高度依赖基座大模型推理质量，反思错误会导致越进化越差。
3. 10 万技能库体量巨大，企业落地需要做技能筛选、权限管控、安全审计。
4. 超图记忆、Reflection 反思会带来额外计算开销；对部署算力有一定要求。
5. 目前主要面向开发者框架，不是开箱即用 C 端产品。

七、和你前面研究方向关联视角

1. 前面 ELLA / TailLoR / SLoRA 属于PEFT 持续学习：模型权重层面防止遗忘，学习新知识；
2. Raven Agent 属于Agent 系统层面持续进化：记忆、技能、执行逻辑层面持续迭代。

二者可以结合：Raven 做 Agent 系统层记忆与技能迭代，底层基座模型使用 ELLA/TailLoR 做持续微调，形成完整 “系统 + 模型” 双层持续学习。

八、开源资源

GitHub：EverMind‑AI/raven，支持 macOS/Linux/WSL2，命令行一键安装，支持开启 DeepResearch 深度调研模式GitHub。

如果你需要，我可以整理一份 PPT 汇报要点，或者整理 Raven 的关键伪流程，或者对比其他知名 Agent（OpenAI Agent、AutoGPT、Multi‑Agent）。