Raven: Eine terminalnative Harness fuer langlebige Agentenlaeufe
Das auf EverOS basierende, sich selbst verbessernde Agentensystem, bei dem der Speicher an erster Stelle steht, mit MiroThinker-gestützter tiefgreifender Recherche und Argumentation.
Auf einen Blick
- Was ist das?
- Raven ist eine terminalnative Agenten-Harness, die ihre eigenen Werkzeuge, Fähigkeiten und ihr Gedächtnis über Läufe hinweg verbessert, mit optionaler MiroThinker-gestützter Deep Research.
- Für wen ist es gedacht?
- Raven ist pre-alpha und seine APIs können sich ohne Vorankündigung ändern. Die hier beschriebenen Kernoberflächen sind bereits im Repository vorhanden, und das Projekt ist unter Apache-2.0 für Beiträge offen.
- Darf ich es kommerziell nutzen?
- Ja. Apache-2.0 ist eine freizügige Lizenz: Sie dürfen darauf aufbauende Software nutzen, verändern und verkaufen, solange Sie die Urheberrechts- und Lizenzhinweise beibehalten.
- Wird es noch gepflegt?
- Ja. Die letzten Commits kamen vor 1 Tag.
- In welcher Sprache ist es geschrieben?
- Hauptsächlich Python, laut der Sprachstatistik von GitHub.
Die Antworten beruhen auf den GitHub-Daten des Projekts (zuletzt abgeglichen am 14. September 2026) und auf unserer Analyse. Sie sind keine Rechtsberatung.
TIEFGEHENDE OPEN-SOURCE-ANALYSE
Raven: Selbstverbessernde Agenten-Harness
Raven wird in seiner README als die selbstverbessernde Agenten-Harness beschrieben, die auf EverOS aufbaut. Sie arbeitet, indem sie kontinuierlich die Systeme um einen Agenten herum verbessert: Werkzeuge, Fähigkeiten, Gedächtnis, Codeausführung, Richtlinien und Arbeitsumgebung. EverOS liefert dauerhaftes Benutzergedächtnis, Agentengedächtnis und Weltwissen über Sitzungen hinweg, sodass erfolgreiche Arbeitsabläufe in wiederverwendbare Agentenvorlagen und digitale Arbeiter umgewandelt werden können. Das Repository gibt an, dass Raven Agenten hilft, sich über Läufe hinweg zu verbessern, nicht nur innerhalb einer einzelnen Sitzung.
Im Abschnitt Raven: Selbstverbessernde Agenten-Harness ist konkret zu pruefen: Die README und das Material nennen diesen Zusammenhang, ersetzen aber keine Aussage ueber nicht dokumentierte Plattformen, Lasten oder Betriebsbedingungen. Fuer einen ersten Durchlauf sollten die im Projekt genannten Dateien, Befehle und Konfigurationsnamen unveraendert verwendet werden. Erst das beobachtete Ergebnis zeigt, ob die beschriebene Funktion zum eigenen Szenario passt.
Raven: Schnellinstallation und erster Start
Die README bietet Einzeiler-Installationsprogramme für Linux, macOS und WSL2 mit curl sowie für natives Windows mit PowerShell. Unter Windows PowerShell 5.1 schlägt die kurze URL mit einer permanenten Weiterleitung fehl, daher verweist die README stattdessen auf die rohe GitHub-URL. Nach der Installation öffnen Sie ein neues Terminal, führen `raven onboard` aus, um Anbieter, Sandboxing, Kanäle und Gedächtnis zu konfigurieren, und dann `raven`, um die TUI zu starten. Das Installationsprogramm kümmert sich um uv, Python 3.12, Node.js 22 und Raven selbst. Wenn die Einrichtung fehlschlägt, diagnostiziert `raven doctor` das Problem. Die README listet auch unterstützte Anbieter auf: OpenRouter, OpenAI, Anthropic, Gemini, DeepSeek, GitHub Copilot, OpenAI Codex OAuth, MiniMax Global/CN OAuth und benutzerdefinierte OpenAI-kompatible Endpunkte.
Im Abschnitt Raven: Schnellinstallation und erster Start ist konkret zu pruefen: Die README und das Material nennen diesen Zusammenhang, ersetzen aber keine Aussage ueber nicht dokumentierte Plattformen, Lasten oder Betriebsbedingungen. Fuer einen ersten Durchlauf sollten die im Projekt genannten Dateien, Befehle und Konfigurationsnamen unveraendert verwendet werden. Erst das beobachtete Ergebnis zeigt, ob die beschriebene Funktion zum eigenen Szenario passt.
Raven: Gedächtnis und Kontextsteuerung
Zu Ravens Produktwetten gehört eine gedächtnisorientierte Harness, bei der Benutzergedächtnis, Agentengedächtnis und Weltwissen getrennt und dauerhaft bleiben. Der Kontextstapel hat einen Legacy-Pfad und einen Curator-Pfad; unter Druck kann die Harness Kontext mit expliziten Token-Budgets archivieren, abrufen und zusammenstellen, anstatt die ältesten Nachrichten blind zu beschneiden. Dies wird als Kontext beschrieben, der unter Druck nicht zusammenbricht. Die README vergleicht Raven mit typischen toolbasierten Agenten, die normalerweise auf transienten Kontext oder anbieterseitigen Chatverlauf angewiesen sind.
Im Abschnitt Raven: Gedächtnis und Kontextsteuerung ist konkret zu pruefen: Die README und das Material nennen diesen Zusammenhang, ersetzen aber keine Aussage ueber nicht dokumentierte Plattformen, Lasten oder Betriebsbedingungen. Fuer einen ersten Durchlauf sollten die im Projekt genannten Dateien, Befehle und Konfigurationsnamen unveraendert verwendet werden. Erst das beobachtete Ergebnis zeigt, ob die beschriebene Funktion zum eigenen Szenario passt.
Raven: Proaktivität, Deep Research und Tracing
Sentinel überwacht Ereignisse, plant Überprüfungen, bewertet, ob ein Nudge nützlich ist, und leitet proaktive Aktionen durch Schutzmechanismen. Deep Research ist ein optionales Tool, das von MiroThinker unterstützt wird; Sie aktivieren es mit `raven deep-research enable`, und der Agent kann dann mehrquellenbasierte Rechercheläufe ausführen, wenn eine Aufgabe eine tiefere Untersuchung erfordert. Die README listet auch `raven tracing` für ein lokales Dashboard auf, das LLM-, Tool- und Gedächtnisspannen erfasst.
Im Abschnitt Raven: Proaktivität, Deep Research und Tracing ist konkret zu pruefen: Die README und das Material nennen diesen Zusammenhang, ersetzen aber keine Aussage ueber nicht dokumentierte Plattformen, Lasten oder Betriebsbedingungen. Fuer einen ersten Durchlauf sollten die im Projekt genannten Dateien, Befehle und Konfigurationsnamen unveraendert verwendet werden. Erst das beobachtete Ergebnis zeigt, ob die beschriebene Funktion zum eigenen Szenario passt.
Raven: Skill-Evolution und Agentenvorlagen
SkillForge behandelt Fähigkeiten als prozedurales Gedächtnis, erkennt wiederverwendbare Arbeitsabläufe, schreibt Fähigkeitsdateien, verfolgt Ausführungsfeedback und entwickelt Anweisungen weiter, wenn sie nicht mehr funktionieren. Agentenvorlagen ermöglichen es Buildern, von Raven aus zu starten, einen Agenten für ein Szenario zu definieren und ihn zu teilen, ohne die Harness-Ebene neu aufzubauen. Die README besagt, dass mit Raven erstellte Agenten, Vorlagen, Fähigkeiten, Arbeitsabläufe und Module ihren Erstellern gehören und unter Apache-2.0 verwendet, modifiziert, kommerzialisiert und geteilt werden dürfen.
Im Abschnitt Raven: Skill-Evolution und Agentenvorlagen ist konkret zu pruefen: Die README und das Material nennen diesen Zusammenhang, ersetzen aber keine Aussage ueber nicht dokumentierte Plattformen, Lasten oder Betriebsbedingungen. Fuer einen ersten Durchlauf sollten die im Projekt genannten Dateien, Befehle und Konfigurationsnamen unveraendert verwendet werden. Erst das beobachtete Ergebnis zeigt, ob die beschriebene Funktion zum eigenen Szenario passt.
Raven: Architektur und Repository-Layout
Jede Runde fließt durch die Spine, die einen Einstieg (`submit`), einen Ausgang (`emit`) und pro Konversation Spuren für Sortierung und Abbruch hat. Feature-Engines werden über explizite Übergaben in die Agentenschleife eingebunden. Das Repository-Layout umfasst `spine/`, `agent/`, `channels/`, `tui_rpc/`, `providers/`, `context_engine/`, `proactive_engine/`, `memory_engine/`, `token_wise/`, `tracing/`, `evolver/`, `sandbox/`, `security/`, `cli/` und `config/`. Die TUI ist eine React/Ink-Anwendung, die über ein typisiertes RPC-Protokoll mit der Python-Laufzeit kommuniziert. Die README listet 12 Messaging-Gateway-Adapter auf, darunter Telegram, Slack, Discord, WhatsApp, Matrix, Feishu, WeCom, Mochat, QQ, DingTalk, Email und WeChat.
Im Abschnitt Raven: Architektur und Repository-Layout ist konkret zu pruefen: Die README und das Material nennen diesen Zusammenhang, ersetzen aber keine Aussage ueber nicht dokumentierte Plattformen, Lasten oder Betriebsbedingungen. Fuer einen ersten Durchlauf sollten die im Projekt genannten Dateien, Befehle und Konfigurationsnamen unveraendert verwendet werden. Erst das beobachtete Ergebnis zeigt, ob die beschriebene Funktion zum eigenen Szenario passt.
Raven: Selbstevolution und Status
Der Evolver führt gemessene Selbstevolution gegen einen Benchmark durch, diagnostiziert fehlgeschlagene Trajektorien, entwirft Kandidaten-Harness-Patches als echte Git-Commits und befördert nur solche, die statistische Gates passieren, mit einem versiegelten Testsatz für eine ehrliche Generalisierungszahl. Er wird mit `python -m raven.evolver run --config <yaml>` ausgeführt und ist vollständig fortsetzbar. Die README markiert Raven als pre-alpha und sich schnell bewegend; APIs können sich ohne Vorankündigung ändern, aber die Kernproduktoberflächen sind bereits im Repository vorhanden, einschließlich TUI, CLI, Spine, Basisschleife, Anbieter, Kontext-Engine, Sentinel, TokenWise, SkillForge, Deep-Research-Tool, Tracing-Dashboard und Evolver-Pipeline. Die Bewertungs-Engine ist teilweise.
Im Abschnitt Raven: Selbstevolution und Status ist konkret zu pruefen: Die README und das Material nennen diesen Zusammenhang, ersetzen aber keine Aussage ueber nicht dokumentierte Plattformen, Lasten oder Betriebsbedingungen. Fuer einen ersten Durchlauf sollten die im Projekt genannten Dateien, Befehle und Konfigurationsnamen unveraendert verwendet werden. Erst das beobachtete Ergebnis zeigt, ob die beschriebene Funktion zum eigenen Szenario passt.
Redaktionelles Fazit
Raven ist pre-alpha und seine APIs können sich ohne Vorankündigung ändern. Die hier beschriebenen Kernoberflächen sind bereits im Repository vorhanden, und das Projekt ist unter Apache-2.0 für Beiträge offen. Die README verweist auf CONTRIBUTING.md, docs/dev.md und AGENTS.md für den Entwickler-Workflow und PR-Regeln. Fuer Raven ist vor einer Nutzung ein isolierter Lauf mit den dokumentierten Eingaben und dem genannten Einstiegspunkt sinnvoll; dabei sollten Ausgabe, Fehlermeldungen und benoetigte Berechtigungen konkret verglichen werden.
Community-Notizen