Raven 评测：一个把记忆和自改进放在首位的 Agent 框架，但离成熟还远
内存优先、自我改进的代理工具基于 EverOS 构建，具有 MiroThinker 支持的深度研究和推理。
秒懂
- 它是什么？
- Raven 是 EverMind 推出的开源 Agent 框架，主打终端优先执行、本地追踪、长期记忆和技能系统。它当前版本是 pre-alpha，README 中宣传的“Harness of Harnesses”尚未实现，评估需区分原型与现状。
- 适合谁用？
- Raven 适合愿意接受频繁接口变动、需要把记忆和追踪放在本地的个人开发者或小团队，尤其是那些已经在用 EverOS 或想尝试终端优先 Agent 工作流的人。不适合需要稳定 API、生产级保障或完整 Harness of Harnesses 能力的用户，因为当前版本明确不支持后者。
- 能商用吗？
- 可以。Apache-2.0 是宽松许可证：你可以使用、修改并销售基于它的软件，只需保留版权和许可证声明。
- 还在维护吗？
- 在维护。仓库最近一次提交在 1 天前。
- 用什么语言写的？
- 主要是 Python（依据 GitHub 的语言统计）。
以上回答依据项目的 GitHub 数据（最近同步于 2026年9月14日）和我们的分析，不构成法律意见。
开源项目深度解析
Raven 解决什么问题，目标用户是谁
Raven 解决的问题很具体：长时间运行的 AI 任务需要把执行、记忆、技能和评估放在一个系统里，而不是拼凑多个工具。它面向的是在终端里工作、愿意用命令行驱动 Agent 的开发者，以及需要追踪 Agent 推理过程而不是黑盒输出的研究型用户。README 明确说当前版本是 pre-alpha，接口和配置可能快速变化，所以这不是给非技术用户或生产环境准备的。它更像一个实验平台，适合那些能接受频繁升级和配置调整的人。
核心机制：终端优先与本地追踪的数据流
Raven 的架构围绕 session.turn 展开，每次对话回合都会生成一个 trace tree，里面记录 LLM 调用、token 使用、成本、延迟、工具输入输出、子 Agent 运行、技能读取和记忆操作。这些 span 默认存储在 ~/.raven/traces/logs/audit-spans.log，用 RAVEN_TRACING_DIR 可以改变目录，RAVEN_TRACING=0 则完全关闭记录。关键设计是追踪不中断控制流，也就是说记录过程不会阻塞 Agent 的主逻辑。README 提到 schema 遵循版本化语义契约，具体细节在 docs/TRACING_STANDARD_API.md 里，但该文件内容未提供，所以扩展规则需要自行查阅。数据流是：执行产生 trace，trace 写入本地文件，记忆操作（recall、storage、extraction、consolidation）也作为 span 被记录，这构成了一个可审计的闭环。
安装与首次运行：一条命令，但配置项不少
安装很简单，Linux、macOS 或 WSL2 下运行 curl -fsSL https://raven.evermind.ai/install.sh | bash，Windows PowerShell 原生支持 irm https://raven.evermind.ai/install.ps1 | iex，但如果 PowerShell 5.1 拒绝重定向，需要用直接 URL https://raw.githubusercontent.com/EverMind-AI/Raven/refs/heads/main/install.ps1。首次运行直接输入 raven，向导会引导配置六个方面：LLM provider 和模型、沙箱或执行位置、聊天渠道、EverOS 长期记忆、Deep Research、从其他 AI 工具冷启动导入。每个 provider 设置都带连通性检查，可选步骤可以跳过。如果配置不完整，运行 raven doctor 诊断。升级用 raven upgrade --check 和 raven upgrade，升级保留配置、会话和记忆，但不会自动更新。
Deep Research：何时该用，何时不该用
Deep Research 是 Raven 处理开放式问题的专用路径，基于 MiroThinker，返回带内联引用和参考文献的自包含答案。启用命令是 raven deep-research enable，查看配置用 raven deep-research get。关键机制是，在付费的分钟级运行之前，交互界面会询问用户是否使用 Deep Research 还是普通搜索，这避免了盲目消耗。交付方式分三种：CLI 和 TUI 下进度内联流式显示，报告直接展示且不被主模型重写；Gateway 渠道中后台运行，完成后送回原对话；本地存档保存到 <workspace>/deep_research/。文档明确说，单事实或 URL 用普通搜索，比较、综述、技术调查和需要来源一致性的问题才用 Deep Research。这个区分是务实的，但用户需要自己判断查询类型，框架不会自动决定。
一个真实的限制：预发布状态与未实现的承诺
Raven 当前版本最大的限制是它没有实现 README 开篇宣传的“Harness of Harnesses”。那段描述的是下一代方向，不是现有能力。README 用引用块明确声明当前版本不支持该网络，所有 benchmark 结果（如 EvoAgentBench 排名第一、ProAgentBench 0.60 F1）都来自内部研究原型，不代表当前发布版。这意味着如果你读到宣传材料后期待一个多 Agent 协作网络，你会失望。另一个限制是配置复杂度，六个配置区域虽然向导化，但涉及沙箱、记忆和渠道，对新手不友好。文档没有提供任何故障排除案例，所以遇到问题只能靠 raven doctor 和日志。
替代方案：与普通单 Agent 框架的差异
一个现实的替代方案是直接使用你选择的 LLM provider 的官方 SDK，配合外部向量数据库做记忆。Raven 的差异在于它把追踪、记忆、技能和评估集成在一个 harness 里，而不是让开发者自己拼装。另一个替代是使用类似 LangChain 这样的通用框架，但 LangChain 更强调链式编排，而 Raven 强调记忆优先和自改进循环（evaluation -> execution -> verification -> memory -> feedback）。Raven 的本地追踪是独特卖点，LangChain 的追踪通常需要配置外部服务，而 Raven 默认本地存储。但通用框架通常更成熟，社区更大，而 Raven 的 pre-alpha 状态意味着你可能是早期测试者。
维护与升级成本：许可证和升级路径
Raven 使用 Apache-2.0 许可证，这意味着商用和修改相对自由，但你需要自行承担维护责任。升级命令 raven upgrade 保留配置、会话和记忆，但 README 没有说明升级是否可能破坏自定义配置或技能。考虑到 pre-alpha 状态，接口变化是常态，所以升级前建议备份 ~/.raven/config.json 和 ~/.raven/traces/ 目录。追踪默认开启，会持续写入日志文件，长期运行可能积累大量数据，你需要定期清理或设置 RAVEN_TRACING_DIR 指向有足够空间的位置。文档没有提供数据保留策略，所以这是用户需要自行管理的部分。
编辑结论
Raven 适合愿意接受频繁接口变动、需要把记忆和追踪放在本地的个人开发者或小团队，尤其是那些已经在用 EverOS 或想尝试终端优先 Agent 工作流的人。不适合需要稳定 API、生产级保障或完整 Harness of Harnesses 能力的用户，因为当前版本明确不支持后者。采用前先验证三件事：运行 raven doctor 确认配置完整性，检查 RAVEN_TRACING_DIR 和 RAVEN_TRACING=0 的环境变量是否满足你的数据留存要求，以及阅读 docs/TRACING_STANDARD_API.md 了解追踪 schema 的版本化契约，因为接口可能随 pre-alpha 快速变化。
社区笔记