开源项目设计创作类新手

Raven：EverMind 开源的自我进化多智能体编排生态（Harness of Harnesses）

Raven 是 EverMind AI 开源的多智能体编排生态，定位为“Harness of Harnesses”。它以 Host Agent 的身份把内置的 Raven-Research、Raven-Code、Raven-Design、Raven-Oncall 以及 13 个第三方 Agent 预设汇聚到统一界面，自动生成 DAG 并协调任务依赖、并行执行与结果整合；背后由 EverOS 长期记忆、Evolver 自我进化、SkillForge 技能检索与 Proactivity 主动执行等核心系统支撑。项目基于 Apache License 2.0 发布，目前处于 pre-alpha 阶段。

0 次阅读2026/09/24 发布

#多智能体编排 #Agent Harness #DAG 任务编排 #自我进化 #长期记忆 EverOS #技能检索 SkillForge #第三方 Agent 接入 #WebUI #Apache 2.0 #命令行工具 #设计创作类 #设计工具

Raven：EverMind 开源的自我进化多智能体编排生态（Harness of Harnesses）来源图片

社区作者 · zZz

它解决什么问题

项目定位

Raven 是 EverMind 推出的“The Harness of Harnesses”——一个可信、持久、自我进化的多智能体协作生态，目标覆盖全领域协作。它作为 Host Agent，通过同一个统一界面把各类专用 Agent 组织起来，负责任务分派、执行协调与结果整合；长期愿景是把这种编排能力扩展到不同设备、环境和领域。

Raven 构建在 EverMind 的自我进化 harness 引擎之上，由 EverOS 提供动力，可跨会话保留上下文，并持续改进 Agent harness 与协作工作流。官方说明 Raven 目前处于 pre-alpha 阶段，接口与配置可能快速变化。

配图 1 为 Raven banner；配图 2 展示“One Surface, All Agents”的工作流：一个统一界面承接全部 Agent。

内置 Agent

Raven 的模块化架构面向 harness 自我进化与子 Agent 创建，四个内置 Agent 在各自领域提供 SOTA 表现，组合了可复用的 harness 组件与领域专用工具、技能和 Agent 循环。Raven 既可以把聚焦任务委派给单个 Agent，也可以在共享工作流中编排多个 Agent。它们共享的 harness 由 Raven Evolver 精炼：这是一个独立工具，把 Raven 作为库使用，并针对基准评估候选 harness 变更；它开发 Agent，而不是运行在 Agent 内部。四个 Agent 全部内置，开箱即可编排。

**Raven-Research**：面向复杂问题、文献综述与技术分析的自主深度研究，输出结构清晰、来源可追溯的报告，帮助用户理解陌生领域、比较备选方案并做出决策。配图 4 展示其在 DeepResearch Mixed 上的表现（准确率、输入 Token、输出 Token 与成本）。
**Raven-Code**：面向 agentic 软件开发，把需求转化为可运行、经过测试的代码，支持功能实现、调试、重构、数据处理与数据分析，并遵循项目既有约定。配图 5 展示其在 SWE-bench Pro、SWE-bench Verified、WorkBuddy-Code Reward、SWE-Refactor 等编码基准上的表现；配图 6 说明其在 DataAgentBench 数据分析上登顶（2026-08-24 Live，Raven-Code 搭配 Opus-5 达到 0.8762 Pass@1）。
**Raven-Design**：面向视觉设计，把想法和内容转化为成稿级视觉交付物，可制作 PowerPoint 幻灯片、品牌资产、图表、图示和 Web 界面，并打磨版式、字体与视觉一致性。配图 7 展示其在 PresentBench 幻灯片生成上的成绩；配图 8 展示其在视觉设计基准（ArtifactsBench Dashboard、ArtifactsBench SVG、GDPVal）上的表现。
**Raven-Oncall**：面向无人值守的工作流自动化，服务于实验、优化与持续监控；可自主把工作流从开始推进到完成，在数小时甚至整夜保持进展并交付结果，只在需要人类判断时介入。配图 9 显示其在 AI4AI（Nanochat 50M 预训练）任务上于质量与成本两方面显著优于 Claude Code；配图 10 显示其在 AI4S 内部基准上于成功率与成本两方面同样显著优于 Claude Code。

配图 3 展示 Raven 在多智能体编排基准上的表现（Node F1、Edge F1、Partial Order Accuracy、Exact Match Rate）。

核心系统

**Agent Orchestration**：协调 Agent、管理任务依赖与并行执行，把多步协作转化为可复用工作流。
**Evolver**：通过诊断失败、测试候选改进，并在可重复评估中保留优于基线的改动，驱动 harness 自我进化。
**EverOS Memory**：跨会话保留用户上下文、Agent 经验与世界知识，为后续任务召回相关记忆与可复用技能。
**SkillForge**：从本地技能库、EverOS 记忆以及 SkillHub 的 114,190 个技能目录中检索相关技能，按需赋予 Agent 专业能力。
**Proactivity**：结合事件监控与定时执行，预判用户需求、给出及时提醒并发起后续工作。

任务图与展示案例

Raven 会为任务生成编排用的任务图（DAG），并展示该次运行的实际产出。配图 11 为任务图示例：三个 Raven-Code 节点跨 42 个游戏回合顺序运行；配图 12 为另一示例：三个 Raven-Research 节点并行运行汇入一个综合节点，随后接一个 Raven-Design 节点。页面还列出多个真实运行案例，例如在 Godot 4 中构建的 FPS Boss 竞技场游戏（约 4 天自主运行，附 FPS_game_30s.mp4 视频）、多份成本约 0.

80 美元的演示文稿（宋代家居美学、古希腊被“漂白”、流行音乐如何被制造、百年抽象艺术）、六种 Agent 编排框架对比海报、参数扫描数据分析、光污染影响野生动物睡眠的海报、GPS 为何需要第四颗卫星的网站、二分法求解梁极限载荷的仿真，以及调参至水体保持有界的水坝溃决仿真。来源未提供这些案例对应的生成提示词，故本条目不填写 prompt。

第三方 Agent 接入

Raven 可通过 ACP、CLI 或 OpenAI 兼容 API 连接并编排第三方 Agent，内置 13 个第三方 Agent 预设以简化配置、任务委派与共享工作流中的协同。

EverMind 生态

产品：EverOS（本地优先、Markdown 原生的长期记忆运行时）、Raven（记忆优先、可自我改进的 Agent harness，具备主动性、上下文控制与技能进化）、EverMe CLI（跨设备、跨 Agent 的个人记忆 CLI 与插件套件）。
研究与评估：SkillCorpus、EverAlgo、HyperMem、MSA、EverMemBench、EvoAgentBench。
集成：OpenClaw、Hermes Agent、DeepSeek Harness、Dify。

许可证与贡献

Raven 采用 Apache License 2.0。欢迎提交 Issue 与 Pull Request：先阅读 developer workflow，遵循 AGENTS.md 中的仓库规则，设计讨论使用 GitHub Discussions。

适用对象

需要把研究、编码、设计、运维自动化串成可复用工作流的团队与个人；希望用一个统一界面同时驱动内置 Agent 与第三方 Agent 的用户；关注 Agent harness 自我进化、长期记忆与技能检索的开发者与研究者。

— 本文由 AI 根据公开来源辅助整理，命令、版本与许可证请在使用前到原始页面复核。

安装 / 开始使用

方式一：让已有 Agent 代装（官方推荐）

把下面这段提示词复制到任意能读取网页并执行 shell 命令的 Agent 中，例如 Claude Code 或 Codex：

Read https://evermind-ai.github.io/Raven/quick-start/ and follow it to install Raven, or to update it if it is already installed.

该提示词的作用是让 Agent 阅读官方 quick-start 页面并据此安装 Raven，若已经安装则执行更新。

方式二：一键安装脚本

准备环境：Linux、macOS 或 WSL2。

执行：

curl -fsSL https://raven.evermind.ai/install.sh | bash

原生 Windows PowerShell

irm https://raven.evermind.ai/install.ps1 | iex

注意：Windows PowerShell 5.1 可能拒绝该重定向，此时改用直连安装脚本地址：

irm https://raw.githubusercontent.com/EverMind-AI/Raven/refs/heads/main/install.ps1 | iex

方式三：从源码检出安装（开发或使用未发布内容）

git clone https://github.com/EverMind-AI/Raven.git
cd Raven
./install.sh

安装行为说明（官方明确给出，务必区分）：

以文件方式运行 ./install.sh 时，会把该检出以 editable 模式安装：raven 及其随附插件链接回你的工作树，TUI bundle 与所服务的页面也由该工作树构建。
以管道方式运行（piped run）时，即使身处克隆目录内，也会安装已发布的 wheel，以保证一行式安装不会引入工作树中的任意内容。
如需在管道安装下强制走 editable 安装，设置环境变量 RAVEN_LOCAL_SRC=<dir>。

首次运行与 Agent 产品注册

Agent 产品随 raven 本体一同分发：wheel 中带有 agents/ 产品树，并在首次使用时复制到你的 raven home；源码检出则直接就地读取该产品树。安装/首次设置会逐个询问每个产品，并把你选择启用的产品注册到其调优所用的模型，或注册到当前 raven 的 LLM 上。更多说明见仓库中的 agents/README.md。

启动 WebUI

raven web

该命令会在浏览器中打开 WebUI，并让 Raven 在后台继续运行；WebUI 中可进行对话、多 Agent 协作与工作区管理，查看任务进度、文件与产出，并浏览记忆与技能。

停止后台服务：

raven web --stop

常见问题

**Windows 安装失败**：

PowerShell 5.1 可能拒绝重定向

，请改用上述 raw.githubusercontent.com 直连脚本地址。

**克隆后安装为何不是 editable？** 因为管道运行会强制安装已发布 wheel；需要 editable 安装请以文件方式执行 ./install.sh，或设置 RAVEN_LOCAL_SRC=<dir>。
**版本稳定性**：Raven 处于 pre-alpha，接口与配置可能快速变化，升级前请先查阅官方文档站与 quick-start 页面。
更完整的说明见官方文档站：https://evermind-ai.github.io/Raven/quick-start/