EverMind 正试图把“自进化 Agent”从研究概念推向真实产品。

近日，EverMind 披露了其围绕 HarnessBank、Raven 和 EverMe 构建的自进化技术与产品体系。其中，HarnessBank 负责解决 Agent 如何安全、可验证地持续改进，Raven 将自进化机制带入 Agent 运行时，而面向 C 端的 EverMe 已上线内测，试图通过长期个人记忆和多 Agent 数据连接，为自进化提供持续的数据基础。

(资料图片仅供参考)

图注：EverMe

EverMind 在 HarnessBank 研究中发现，即使底层模型权重完全冻结，仅改变模型外围的 Harness，即包括提示词、知识注入、工具调用、运行时逻辑和配置等，模型表现也可能出现明显变化。

以 Qwen3.6-27B 为例，EverMind 称，在 AppWorld 测试集上，通过 Harness 进化，其 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、网页研究等七类基准中，测试集 Pass@1均取得提升，增幅在5.1至15.4个百分点之间。

与传统依靠人工反复调整 Prompt 不同，HarnessBank 采用“双 Agent”架构：任务 Agent 负责执行任务，底层模型保持冻结；能力更强的 Evolver Agent 则读取任务执行轨迹，诊断失败模式，并自动生成新的 Harness。

图注：传统人工调优（上），HarnessBank 自进化（下）

为了避免自进化过程中出现任务过拟合、搜索塌缩以及“假提升”，HarnessBank 还引入基因库和多重门控机制，对候选 Harness 进行筛选和统计验证。EverMind 表示，其研究发现并不存在一套能够跨模型通用的最优 Harness，不同模型往往存在不同的主导失败模式。因此，真正能够迁移的并非某条具体 Prompt 或配置，而是一套“诊断失败—生成改进—验证收益”的进化流程。

在此基础上，EverMind 又推出了运行于 EverOS 之上的自进化 Agent Harness Raven，将长期记忆、技能体系、运行策略以及工具调用连接起来，使 Agent 可以根据历史任务轨迹总结经验，并持续调整外围工作流，而无需频繁修改底层模型参数。

目前，EverMind 首款 C 端产品 EverMe 也已上线内测。产品围绕 Memory Hub、Knowledge Base、数字分身和 Agent Hub 等模块展开，并已接入 Claude Code、Codex、Kimi Code、Raven 等多个 Agent，支持将用户散落在不同 Agent、知识工具和文件中的历史数据汇集为长期记忆。

EverMind 希望借此建立一个面向个人用户的数据飞轮：用户持续产生任务和交互数据，系统沉淀为长期记忆，不同 Agent 在用户授权下调用这些记忆，并根据任务结果形成新的反馈和经验。

图注：数据飞轮

从 HarnessBank 的可验证进化机制，到 Raven 的运行时自进化，再到 EverMe 提供真实用户数据入口，EverMind 正试图形成一条从研究、基础设施到消费级产品的完整路径。其目标也不只是打造一个参数更大的模型，而是让 AI 能够基于用户长期记忆，在跨应用使用过程中持续学习，并实现“越用越懂用户”。（袁宁）