以記憶與研究流程組成的自我改進代理框架
記憶體優先、自我改進的代理工具基於 EverOS 構建，具有 MiroThinker 支援的深度研究和推理。
秒懂
- 它是什麼？
- Raven 被描述為建立在 EverOS 上、以記憶優先的自我改進代理 harness，並結合 MiroThinker 進行深度研究與推理。評估時應把代理迴圈、記憶資料與研究輸出分開觀察。
- 適合誰用？
- 適合需要以記憶與研究流程組成的自我改進代理框架的開發者或團隊；不適合只想要已由文件保證完整商用流程、且無法投入環境驗證的人。採用前請依 EverMind-AI/Raven 的 README 入口與 v0.1.13 建立最小案例，具體檢查專案所列功能、失敗行為與資料保存方式。
- 可以商用嗎？
- 可以。Apache-2.0 是寬鬆授權：你可以使用、修改並販售以它為基礎的軟體，只需保留著作權與授權聲明。
- 還在維護嗎？
- 有在維護。儲存庫最近一次提交在 1 天前。
- 用什麼語言寫的？
- 主要是 Python（依據 GitHub 的語言統計）。
以上回答依據專案的 GitHub 資料（最近同步於 2026年9月14日）與我們的分析，不構成法律意見。
開源專案深度解析
Raven 的問題定位
Raven 被描述為建立在 EverOS 上、以記憶優先的自我改進代理 harness，並結合 MiroThinker 進行深度研究與推理。評估時應把代理迴圈、記憶資料與研究輸出分開觀察。 Raven 的 README 將其描述為基於 EverOS 構建的自我改進智能體框架。它透過持續改進智能體周圍的系統來工作：工具、技能、記憶、程式碼執行、策略和工作環境。EverOS 提供跨會話持久的使用者記憶、智能體記憶和世界知識，因此成功的工作流可以轉變為可複用的 Agent 模板和數位工作者。倉庫聲明 Raven 幫助智能體跨運行改進，而不僅僅在單個會話內。 先看它解決的痛點是否真實存在。對 Raven 而言，這不是抽象的產品口號，而是 README 已經指向的工作場景。團隊應先列出目前流程中的等待、手動步驟與失敗點，再對照專案實際提供的入口。 這些資訊支持的判斷是：Raven 的價值取決於它是否直接對應團隊目前的工作流，以及文件列出的入口能否在目標環境穩定重現。實際評估時，應把已列出的功能與尚未說明的部分分開記錄，尤其留意依賴版本、資料持久化、權限、錯誤處理與升級成本。本文不把專案自述的定位擴寫成未經 README 支持的承諾。
Raven 的 README 能力邊界
Raven 被描述為建立在 EverOS 上、以記憶優先的自我改進代理 harness，並結合 MiroThinker 進行深度研究與推理。評估時應把代理迴圈、記憶資料與研究輸出分開觀察。 README 為 Linux、macOS 和 WSL2 提供了使用 curl 的一行安裝器，為原生 Windows 提供了 PowerShell 安裝器。在 Windows PowerShell 5.1 上，短 URL 會因永久重新導向而失敗，因此 README 指向原始 GitHub URL。安裝後，打開新終端，執行 `raven onboard` 設定提供者、沙箱、頻道和記憶，然後執行 `raven` 啟動 TUI。安裝器處理 uv、Python 3.12、Node.js 22 和 Raven 本身。如果設定失敗，`raven doctor` 會診斷問題。README 還列出了支援的提供者：OpenRouter、OpenAI、Anthropic、Gemini、DeepSeek、GitHub Copilot、OpenAI Codex OAuth、MiniMax 全球/中國 OAuth 以及自訂 OpenAI 相容端點。 功能清單需要放回使用條件中理解。Raven 所列出的能力有其邊界，文件沒有說明的整合、效能與安全保證不能自行補上。這種讀法能避免把展示性功能誤當成完整替代方案，也能讓後續測試更容易收斂。 這些資訊支持的判斷是：Raven 的價值取決於它是否直接對應團隊目前的工作流，以及文件列出的入口能否在目標環境穩定重現。實際評估時，應把已列出的功能與尚未說明的部分分開記錄，尤其留意依賴版本、資料持久化、權限、錯誤處理與升級成本。本文不把專案自述的定位擴寫成未經 README 支持的承諾。針對此專案，還要把團隊熟悉的工具鏈與現有部署限制一併列入比較，因為同一功能在不同環境的成本可能完全不同。
Raven 的資料與流程
Raven 被描述為建立在 EverOS 上、以記憶優先的自我改進代理 harness，並結合 MiroThinker 進行深度研究與推理。評估時應把代理迴圈、記憶資料與研究輸出分開觀察。 Raven 的產品賭注包括一個以記憶為先的框架，使用者記憶、智能體記憶和世界知識保持分離且持久。上下文棧有傳統路徑和 Curator 路徑；在壓力下，框架可以封存、檢索和組裝具有顯式 token 預算的上下文，而不是盲目裁剪最舊的訊息。這被描述為在壓力下不會崩潰的上下文。README 將 Raven 與典型的基於工具的智能體進行對比，後者通常依賴瞬時上下文或提供者端的聊天歷史。 資料流是判斷 Raven 是否適用的關鍵。從輸入開始，逐步記錄中間狀態、輸出格式、錯誤回應與重試行為；若 README 沒有描述某一段，就把它標成待確認，而不是用熟悉的框架慣例填空。 這些資訊支持的判斷是：Raven 的價值取決於它是否直接對應團隊目前的工作流，以及文件列出的入口能否在目標環境穩定重現。實際評估時，應把已列出的功能與尚未說明的部分分開記錄，尤其留意依賴版本、資料持久化、權限、錯誤處理與升級成本。本文不把專案自述的定位擴寫成未經 README 支持的承諾。
Raven 的工程取捨
Raven 被描述為建立在 EverOS 上、以記憶優先的自我改進代理 harness，並結合 MiroThinker 進行深度研究與推理。評估時應把代理迴圈、記憶資料與研究輸出分開觀察。 Sentinel 監視事件、排程檢查、評估提示是否有用，並透過護欄路由主動操作。深度研究是一個由 MiroThinker 支援的選用工具；使用 `raven deep-research enable` 啟用後，智能體可以在任務需要深入調查時執行多源研究遍歷。README 還列出了 `raven tracing`，用於本機儀表板捕獲 LLM、工具和記憶跨度。 工程取捨往往比功能數量更早決定採用成本。請留意 Python 生態、依賴版本、建置方式、執行時資源與授權條件。對 Raven 的評估應以實際倉庫內容為準，不能只依賴星數或專案宣傳語句。 這些資訊支持的判斷是：Raven 的價值取決於它是否直接對應團隊目前的工作流，以及文件列出的入口能否在目標環境穩定重現。實際評估時，應把已列出的功能與尚未說明的部分分開記錄，尤其留意依賴版本、資料持久化、權限、錯誤處理與升級成本。本文不把專案自述的定位擴寫成未經 README 支持的承諾。
Raven 的維護情境
Raven 被描述為建立在 EverOS 上、以記憶優先的自我改進代理 harness，並結合 MiroThinker 進行深度研究與推理。評估時應把代理迴圈、記憶資料與研究輸出分開觀察。 SkillForge 將技能視為程序性記憶，偵測可複用的工作流、編寫技能檔案、追蹤執行回饋，並在技能失效時演化指令。Agent 模板讓建置者從 Raven 開始，為場景定義智能體，並在不重建框架層的情況下共用。README 表示，使用 Raven 建立的智能體、模板、技能、工作流和模組屬於其建立者，並可在 Apache-2.0 下使用、修改、商業化並共用。 維護工作也屬於產品的一部分。要觀察提交與 Release 的節奏、文件是否能帶你走完最小流程，以及問題發生時是否有可追蹤的診斷資訊。若團隊需要長期升級，還要把設定檔、資料格式與回復方式列入交接文件。 這些資訊支持的判斷是：Raven 的價值取決於它是否直接對應團隊目前的工作流，以及文件列出的入口能否在目標環境穩定重現。實際評估時，應把已列出的功能與尚未說明的部分分開記錄，尤其留意依賴版本、資料持久化、權限、錯誤處理與升級成本。本文不把專案自述的定位擴寫成未經 README 支持的承諾。
Raven 的專案入口驗證
Raven 被描述為建立在 EverOS 上、以記憶優先的自我改進代理 harness，並結合 MiroThinker 進行深度研究與推理。評估時應把代理迴圈、記憶資料與研究輸出分開觀察。 每一輪都流經 Spine，它有一個入口（`submit`）、一個出口（`emit`）和用於排序和取消的每會話通道。功能引擎透過顯式交接插入智能體迴圈。倉庫佈局包括 `spine/`、`agent/`、`channels/`、`tui_rpc/`、`providers/`、`context_engine/`、`proactive_engine/`、`memory_engine/`、`token_wise/`、`tracing/`、`evolver/`、`sandbox/`、`security/`、`cli/` 和 `config/`。TUI 是一個 React/Ink 應用，透過型別化 RPC 協定與 Python 執行階段通訊。README 列出了 12 個訊息閘道介面卡，包括 Telegram、Slack、Discord、WhatsApp、Matrix、飛書、企業微信、Mochat、QQ、釘釘、Email 和微信。 最小驗證應該貼近 Raven 自己的入口：使用 EverMind-AI/Raven 的 README、官方網站或文件連結，採用其中記載的命令與範例，固定同一個輸入，保存輸出與錯誤訊息。再用 v0.1.13 重跑一次，才能知道差異來自環境還是版本。 可先從 EverMind-AI/Raven 的 README 與 Getting started 或文件入口開始，依專案實際命令建立最小案例，觀察輸入、輸出、錯誤訊息與版本 v0.1.13 的差異。若該入口未記載安裝命令，應以 README 的可用連結為準，不把未說明的部署方式當成既定能力。 這些資訊支持的判斷是：Raven 的價值取決於它是否直接對應團隊目前的工作流，以及文件列出的入口能否在目標環境穩定重現。實際評估時，應把已列出的功能與尚未說明的部分分開記錄，尤其留意依賴版本、資料持久化、權限、錯誤處理與升級成本。本文不把專案自述的定位擴寫成未經 README 支持的承諾。
編輯結論
適合需要以記憶與研究流程組成的自我改進代理框架的開發者或團隊；不適合只想要已由文件保證完整商用流程、且無法投入環境驗證的人。採用前請依 EverMind-AI/Raven 的 README 入口與 v0.1.13 建立最小案例，具體檢查專案所列功能、失敗行為與資料保存方式。
社群筆記