Öffentliches Register
Software-GesundheitsberichtSchema 0.34.0 · Metriken 2.10.0 · 2026-10-14 13:46 UTC

EverMind-AI / EverOS

One portable memory layer for every AI agent: local-first, Markdown-native, user-owned, and self-evolving across apps, tools, and workflows.

PythonApache-2.0★ 13.418 Sterne⑂ 932 Forksseit Okt. 2025Auf GitHub ansehen ↗
ArtKommandozeilenwerkzeugNetzwerkdienstBibliothekTerminal-Oberflächewie das ermittelt wird
#agentic-ai#ai#chats#llm#long-term-memory#memory#memory-management#python3#rag#agent-memory#clawdbot#clawdbot-skill#mcp#skills#deepseek-harness#dsh#dsh-plugin

EverMind-AI/EverOS erreicht einen Gesundheitsindex von 94 von 100 und liegt damit im Bereich Außergewöhnlich. Am stärksten schneidet es bei Engineering Quality (92/100) ab, am schwächsten bei Sustainability & Governance (69/100). Zuletzt heute aktualisiert. 2 Mitwirkende tragen den Großteil der jüngsten Arbeit.

94
gesamt / 100
Außergewöhnlich

Software-Gesundheitsindex

Metriken werden auf einer standardisierten Skala von 1–100 in gewichtete Kategorien gruppiert. Der Gesamtwert beginnt als ihr gewichtetes Mittel, kalibriert auf die Verteilung des öffentlichen Registers, sodass die Stufen Perzentilbedeutung tragen; sobald öffentliche Evidenz die Richtlinie für Hochrisikojurisdiktionen auslöst, wird die Bewertung angepasst und erhält die Obergrenze Gefährdet von 34.

94
Außergewöhnlich93-100Die Spitzengruppe des Registers (≈ obere 5 %); erfüllt im Wesentlichen alle geprüften Kriterien
Exzellent80-92Durchgehend stark; geringfügige Lücken
Gut65-79Gesund; Lücken sind begrenzt und beherrschbar
Mittel50-64Akzeptabel mit deutlichen Lücken; Überprüfung empfohlen
Schwach35-49Wesentliche Schwächen in mehreren Bereichen
Gefährdet20-34Erhebliche Schwächen; eine Übernahme erfordert Vorsicht
Kritisch1-19Schwerwiegende Probleme (aufgegeben, nur ein Maintainer, keine Hygiene)
VitalitätCommunity &VerbreitungNachhaltigkeit &GovernanceEngineering-QualitätSicherheitAI Readiness

Bewertungsprofil

Jede Achse ist eine Kategorie. Die Form zählt mehr als der Durchschnitt — ein gesundes Projekt füllt die gesamte Fläche, während ein Profil aus Spitzen und Kratern bedeutet, dass Stärke in einer Dimension Risiken in einer anderen verdeckt.

Der gewichtete Gesamtwert 81 wird auf der veröffentlichten Indexskala auf 94 kalibriert (Register-Kalibrierung 2026-08-02).

Eigentümerschaft

EverMindOrganisation
649 Follower18 öffentliche Reposseit Aug. 2025

Dieses Repository wird von einer Organisation getragen — geteilte, rechenschaftspflichtige Trägerschaft, die jeden einzelnen Maintainer überdauern kann.

Paket-Ökosysteme

RegistryPaketVersionDownloads / MonatVersionenZuletzt veröffentlichtTags
PyPIeveros1.4.220.40830vor 0 Tagenai-agenteveroslancedbmarkdownmemoryrag

Metriken nach Kategorie

Vitalität

Lebt das Projekt — wird Code geschrieben und werden Releases ausgeliefert?

85Exzellent · 21 % des Gesamtindex

Entwicklungsaktivität

75Gut
Wie die Bewertung erfolgt
36/36Push-Aktualität — letzter Push vor 0 Tagen
11.1/36Commit-Rhythmus — 16/52 Wochen mit Commits
18/18Commit-Volumen — 125 Commits im letzten Jahr
10/10OpenSSF Scorecard: Maintained — 30 commit(s) and 30 issue activity found in the last 90 days -- score normalized to 10
Verwendete Eingangsdaten
commits_last_year125
human_commit_share1
days_since_last_push0
active_weeks_last_year16

Release-Disziplin

100Außergewöhnlich
Wie die Bewertung erfolgt
27/27Liefert Releases aus — 18 Releases veröffentlicht
36/36Release-Aktualität — letztes Release vor 0 Tagen
27/27Release-Rhythmus — ein Release etwa alle 8,5 Tage
0/10OpenSSF Scorecard: Signed-Releases — keine Daten
Verwendete Eingangsdaten
releases_count18
latest_release_tagv1.4.2rc1
releases_from_tagsnein
days_since_latest_release0
mean_days_between_releases8,5
Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): OpenSSF Scorecard: Signed-Releases. Die verbleibenden Gewichte wurden renormalisiert.

Community & Verbreitung

Hat das Projekt Nutzer, Downloads, Aufmerksamkeit und ein einladendes Umfeld für Beitragende?

89Exzellent · 17 % des Gesamtindex

Popularität & Verbreitung

96Außergewöhnlich
Wie die Bewertung erfolgt
60/60Stars — 13.418 Stars
24.7/25Forks — 932 Forks
11.3/15Watcher — 108 Watcher
Verwendete Eingangsdaten
forks932
stars13.418
watchers108
growth_stateunverified
growth_factor_pct100
growth_unverified_reasonno_history

Community-Gesundheit

92Exzellent
Wie die Bewertung erfolgt
22.5/22.5README
22.5/22.5Lizenz — anerkannte Lizenz (Apache-2.0)
18/18CONTRIBUTING-Leitfaden
13.5/13.5Verhaltenskodex
0/7.2Issue-Vorlage
6.3/6.3PR-Vorlage
Verwendete Eingangsdaten
has_readmeja
has_licenseja
readme_badges5
has_contributingja
has_issue_templatenein
has_code_of_conductja
readme_badge_servicesshields.io
has_pull_request_templateja

Ökosystem-Verbreitung (Downloads)

72Gut
Wie die Bewertung erfolgt
57.5/80Downloads pro Monat — 20.408 Downloads/Monat über pypi
0/20Abhängige in der Registry — von diesem Ökosystem nicht ausgewiesen
Verwendete Eingangsdaten
packageseveros
dependents—
ecosystemspypi
total_downloads—
monthly_downloads20.408
unverified_packages_excluded—
Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): Abhängige in der Registry. Die verbleibenden Gewichte wurden renormalisiert.

Nachhaltigkeit & Governance

Überdauert das Projekt die Menschen, die es tragen — Bus-Faktor, Reaktionsfähigkeit, Trägerschaft und Paketpflege?

69Gut · 23 % des Gesamtindex

Maintainer-Resilienz (Bus-Faktor)

60Mittel
Wie die Bewertung erfolgt
25.2/54Bus-Faktor — 2 Beitragende decken die Hälfte aller Commits ab
13.7/22.5Commit-Verteilung — wichtigste beitragende Person verfasste 39 % der Commits
10.8/13.5Breite der Beitragenden — 8 Beitragende
10/10OpenSSF Scorecard: Contributors — project has 3 contributing companies or organizations -- score normalized to 10
Verwendete Eingangsdaten
bus_factor2
contributors_sampled8
top_contributor_share0,393

Reaktionsfähigkeit bei Issues & PRs

63Mittel
Wie die Bewertung erfolgt
33.7/42Issue-Lösungsquote — 80 % der Issues geschlossen
19.2/30PR-Annahme — 202/316 entschiedene PRs gemergt
0/13Newcomer PR acceptance — 0/5 PRs von Erstbeitragenden in 30 Tagen gemergt
10.5/15OpenSSF Scorecard: Code-Review — Found 21/30 approved changesets -- score normalized to 7
Verwendete Eingangsdaten
merged_prs202
open_issues29
closed_issues118
prs_merged_7d10
prs_decided_7d16
prs_merged_30d27
prs_decided_30d34
issue_closed_ratio0,803
closed_unmerged_prs114
first_time_authors_30d5
first_time_prs_merged_30d0
first_time_prs_decided_30d5

Eigentümerschaft & Trägerschaft

62Mittel
Wie die Bewertung erfolgt
30/30Organisatorische Trägerschaft — im Besitz einer Organisation
0/20Verifizierte Domain
20.2/25Reichweite des Inhabers — 649 Follower von EverMind-AI
11.6/25Kontohistorie — 18 öffentliche Repos, Kontoalter ca. 1 Jahre
Verwendete Eingangsdaten
followers649
owner_typeOrganization
is_verifiednein
owner_loginEverMind-AI
public_repos18
account_age_days411

Paketpflege

100Außergewöhnlich
Wie die Bewertung erfolgt
25/25Veröffentlicht & auflösbar — 1 Paket(e) auf pypi
35/35Veröffentlichungsaktualität — letzte Veröffentlichung vor 0 Tagen
20/20Versionshistorie — 30 veröffentlichte Versionen
20/20Nicht veraltet — aktiv, nicht veraltet oder zurückgezogen
Verwendete Eingangsdaten
packageseveros
ecosystemspypi
any_deprecatednein
min_days_since_publish0

Engineering-Qualität

Sind grundlegende Engineering- und Dokumentationspraktiken vorhanden?

92Exzellent · 19 % des Gesamtindex

Engineering-Praktiken

94Außergewöhnlich
Wie die Bewertung erfolgt
24/24CI-Workflows — 4 Workflow(s)
24/24Tests vorhanden
16/16Linter-Konfiguration — .eslintrc.cjs, pyproject.toml ([tool.ruff])
9.6/9.6Pre-Commit-Hooks
0/6.4.editorconfig
20/20OpenSSF Scorecard: CI-Tests — 30 out of 30 merged PRs checked by a CI test -- score normalized to 10
Verwendete Eingangsdaten
has_cija
has_testsja
has_editorconfignein
has_linter_configja
has_precommit_configja

Dokumentation

90Exzellent
Wie die Bewertung erfolgt
30/30README
25/25Dokumentationsverzeichnis
15/15Dokumentations-/Homepage-Site — https://evermind.ai/everos
10/10Repository-Beschreibung
10/10Topics — 17 Topics
0/10Wiki
Verwendete Eingangsdaten
topicsagentic-ai, ai, chats, llm, long-term-memory, memory, memory-management, python3, rag, agent-memory, clawdbot, clawdbot-skill, mcp, skills, deepseek-harness, dsh, dsh-plugin
has_wikinein
homepagehttps://evermind.ai/everos
docs_sitehttps://evermind.ai/everos
has_readmeja
has_docs_dirja
has_descriptionja

Sicherheit

Sind die sichtbaren Sicherheits- und Lieferkettenpraktiken belastbar, ohne ungeklärte Exposition gegenüber Hochrisikojurisdiktionen?

70Gut · 16 % des Gesamtindex

Sicherheitslage

70Gut
Wie die Bewertung erfolgt
7.5/7.5Binary-Artifacts — no binaries found in the repo
0/7.5Branch-Protection — keine Daten
2.5/2.5CI-Tests — 30 out of 30 merged PRs checked by a CI test -- score normalized to 10
0/2.5CII-Best-Practices — no effort to earn an OpenSSF best practices badge detected
5.2/7.5Code-Review — Found 21/30 approved changesets -- score normalized to 7
2.5/2.5Contributors — project has 3 contributing companies or organizations -- score normalized to 10
10/10Dangerous-Workflow — no dangerous workflow patterns detected
7.5/7.5Dependency-Update-Tool — update tool detected
0/5Fuzzing — project is not fuzzed
2.5/2.5Lizenz — license file detected
7.5/7.5Maintained — 30 commit(s) and 30 issue activity found in the last 90 days -- score normalized to 10
5/5Packaging — packaging workflow detected
0/5Pinned-Dependencies — dependency not pinned by hash detected -- score normalized to 0
0/5SAST — SAST tool is not run on all commits -- score normalized to 0
5/5Security-Policy — security policy file detected
0/7.5Signed-Releases — keine Daten
7.5/7.5Token-Permissions — GitHub workflow tokens follow principle of least privilege
0/7.5Vulnerabilities — 27 existing vulnerabilities detected
Verwendete Eingangsdaten
sourceopenssf_scorecard
checks_evaluated16
scorecard_versionv5.5.0
checks_inconclusive2
scorecard_aggregate7
Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): Branch-Protection, Signed-Releases. Die verbleibenden Gewichte wurden renormalisiert.

AI Readiness

Wie gut ist das Repository dafür ausgestattet, mit KI-Coding-Agenten entwickelt und gepflegt zu werden? Trägt ein bewusst kleines Gewicht (4 %): Agenten-Tooling ist ein echtes Pflegesignal, doch ein Repository ohne jedes Signal kann weiterhin 100/100 erreichen.

89Exzellent · 4 % des Gesamtindex

AI-Agentenkontext & Leitlinien

100Außergewöhnlich
Wie die Bewertung erfolgt
45/45Agentenanweisungen — CLAUDE.md
15/15Maschinenlesbare Doku (llms.txt) — llms.txt wird von der Projektwebsite ausgeliefert (https://evermind.ai/llms.txt)
40/40Lesbare Commit-Historie — 97 von 100 menschlichen Commits benennen ihre Absicht (strukturierter Betreff oder erläuternder Text)
Verwendete Eingangsdaten
has_llms_txtja
llms_txt_urlhttps://evermind.ai/llms.txt
legible_history_share0,97
agent_instruction_filesCLAUDE.md
agent_instruction_max_bytes4.297

AI-Verify-Loop (Build / Test / Typprüfung)

87Exzellent
Wie die Bewertung erfolgt
18/18Bootstrap mit einem Befehl — Makefile
22/22Automatisierte Tests
11/11Lint-/Format-Konfiguration — .eslintrc.cjs, pyproject.toml ([tool.ruff])
11/11Statische Typprüfung — src/everos/py.typed, use-cases/game-of-throne-demo/backend/tsconfig.json, use-cases/game-of-throne-demo/frontend/tsconfig.json
10/10Reproduzierbare Umgebung — Dockerfile, lockfile
10/10Belegte Agentenpraxis — 55 der letzten 100 Commits von Agenten verfasst oder ihnen zugeschrieben
5/8Automatisierte Wartung — Abhängigkeits-Automatisierung konfiguriert, in den erfassten Commits nicht beobachtet
0/10OpenSSF Scorecard: Pinned-Dependencies — dependency not pinned by hash detected -- score normalized to 0
Verwendete Eingangsdaten
has_nixnein
has_testsja
lockfilespackage-lock.json, uv.lock
has_dockerfileja
typed_languagenein
bootstrap_filesMakefile
has_devcontainernein
has_linter_configja
typecheck_configssrc/everos/py.typed, use-cases/game-of-throne-demo/backend/tsconfig.json, use-cases/game-of-throne-demo/frontend/tsconfig.json
agent_commit_share0,55
toolchain_manifests—
dependency_bot_commit_share0

AI-Code-Lesbarkeit für Modelle

82Exzellent
Wie die Bewertung erfolgt
27/45Typprüfbarer Code — Python mit Typprüfungs-Konfiguration (src/everos/py.typed, use-cases/game-of-throne-demo/backend/tsconfig.json, use-cases/game-of-throne-demo/frontend/tsconfig.json)
54.6/55Handhabbare Dateigrößen — 5/779 Quelldateien über 60 KB
Verwendete Eingangsdaten
primary_languagePython
largest_source_bytes192.640
source_files_sampled779
oversized_source_files5

Maschinenlesbare AI-Schnittstellen

80Exzellent
Wie die Bewertung erfolgt
40/40API-Schema (OpenAPI/GraphQL/proto) — docs/openapi.json
0/20MCP-Server
40/40Lauffähige Beispiele — examples, sample
Verwendete Eingangsdaten
example_dirsexamples, sample
has_mcp_signalnein
api_schema_filesdocs/openapi.json
interfaces_expected_ofnetwork-service

Eckdaten

13.418GitHub-Sterne
8Mitwirkende
125Commits, letzte 12 Monate
0Tage seit letztem Push
18Releases
2Bus-Faktor
29offene Issues
PyPIPaket-Ökosysteme

Warnungen zur Datenerhebung

  • Star history unavailable: GitHub GraphQL error: Resource not accessible by personal access token
  • GitHub dependency-graph SBOM unavailable (404); the dependency graph may be disabled for this repository
  • deps.dev does not index pypi:everos@1.4.2; advisories assessed against the repository dependency graph instead

Weitere Details

Stern- und Fork-Verlauf 0 ★ / 932 ⇿
0Sterne
932Forks
17Releases

Wann jeder Stern und Fork hinzugefügt wurde, von GitHub erfasst und nach Tagen gruppiert. Das kumulierte Wachstum steht direkt über den täglichen Zugängen, aus denen es besteht, sodass beide gegeneinander lesbar sind: stetiger organischer Zuwachs sieht ganz anders aus als ein abrupter, kurzlebiger Ausschlag. Wo dieser Unterschied messbar ist, wird er als Wachstumsauthentizität ausgewiesen.

02004006008001.000929282025-112026-042026-10
Major 1Minor 4Patch 10
OpenSSF Scorecard 7.0 / 10
7.0Gesamtwert

Unabhängige, werkzeugneutrale Sicherheitsbewertung durch das quelloffene OpenSSF Scorecard. Jede Prüfung honoriert eine Sicherheits-Praxis, nicht das Werkzeug eines bestimmten Anbieters. Prüfungen, die Scorecard nicht ermitteln konnte, sind mit k. A. markiert und vom Sicherheitswert ausgeschlossen (nie als null gezählt).Scorecard v5.5.0 · 2026-10-14 13:46 UTC

10Binary-Artifactsno binaries found in the repo
k. A.Branch-Protectioninternal error: error during branchesHandler.setup: internal error: some github tokens can't read classic branch protection rules: https://github.com/ossf/scorecard-action/blob/main/docs/authentication/fine-grained-auth-token.md
10CI-Tests30 out of 30 merged PRs checked by a CI test -- score normalized to 10
0CII-Best-Practicesno effort to earn an OpenSSF best practices badge detected
7Code-ReviewFound 21/30 approved changesets -- score normalized to 7
10Contributorsproject has 3 contributing companies or organizations -- score normalized to 10
10Dangerous-Workflowno dangerous workflow patterns detected
10Dependency-Update-Toolupdate tool detected
0Fuzzingproject is not fuzzed
10Licenselicense file detected
10Maintained30 commit(s) and 30 issue activity found in the last 90 days -- score normalized to 10
10Packagingpackaging workflow detected
0Pinned-Dependenciesdependency not pinned by hash detected -- score normalized to 0
0SASTSAST tool is not run on all commits -- score normalized to 0
10Security-Policysecurity policy file detected
k. A.Signed-Releasesno releases found
10Token-PermissionsGitHub workflow tokens follow principle of least privilege
0Vulnerabilities27 existing vulnerabilities detected
Direkte Abhängigkeiten 32
RegistryPaketVersionsvorgabeManifest
PyPIpydantic>=2.7.1pyproject.toml
PyPIpydantic-settings>=2.0.0pyproject.toml
PyPIlancedb>=0.34.0,<0.35.0pyproject.toml
PyPIpyarrow>=25.0.1pyproject.toml
PyPIaiosqlite>=0.20.0pyproject.toml
PyPIsqlmodel>=0.0.22pyproject.toml
PyPIalembic>=1.13.0pyproject.toml
PyPIgreenlet>=3.0pyproject.toml
PyPIopenai>=1.0.0,<3pyproject.toml
PyPIPyYAML>=6.0pyproject.toml
PyPIwatchdog>=4.0.0pyproject.toml
PyPIfastapi>=0.104.0pyproject.toml
PyPIpython-multipart>=0.0.7pyproject.toml
PyPIuvicorn>=0.24.0pyproject.toml
PyPIstructlog>=24.0.0pyproject.toml
PyPIprometheus-client>=0.20.0pyproject.toml
PyPItyper>=0.12.0pyproject.toml
PyPIclick>=8.1pyproject.toml
PyPItextual>=8.2.7pyproject.toml
PyPIjieba>=0.42.1,<1.0pyproject.toml
PyPIapscheduler>=3.10.4,<4.0pyproject.toml
PyPIportalocker>=2.8.2pyproject.toml
PyPImsvc-runtime>=14.44pyproject.toml
PyPIwatchfiles>=0.21.0pyproject.toml
PyPIanyio>=4.0pyproject.toml
PyPIeveralgo-user-memory==0.4.0pyproject.toml
PyPIeveralgo-agent-memory==0.4.0pyproject.toml
PyPIeveralgo-rank==0.4.1pyproject.toml
PyPIeveralgo-knowledge==0.1.1pyproject.toml
PyPIeveralgo-boundary==0.2.1pyproject.toml
PyPIeveralgo-core==0.3.0pyproject.toml
PyPIeveralgo-clustering==0.2.1pyproject.toml
Alle Abhängigkeiten nicht erhoben

Der aufgelöste Abhängigkeitssatz konnte für diesen Bericht nicht erhoben werden: GitHub dependency-graph SBOM unavailable (404); the dependency graph may be disabled for this repository

JSON-Rohbericht maschinenlesbar

Feedback

Stimmt etwas in diesem Bericht nicht, oder gibt es Gedanken dazu? Falsche Messungen, übersehene Tools, Ideen, Fragen — alles ist willkommen. Jede Nachricht wird gelesen und beantwortet.

Die Nachricht bleibt bei der Anmeldung erhalten.

Verwandte Einträge

Geprüfte Repositories, die Katalog-Tags oder Ökosysteme mit EverMind-AI/EverOS teilen. Nebeneinander lesen →

98mem0ai/mem0The Memory Layer for AI Agents - Drop-in memory infrastructure for AI agents and apps. Context that persists. Built for production.Außergewöhnlich96agentscope-ai/ReMeReMe: Memory Management Kit for Agents - Remember Me, Refine Me.Außergewöhnlich100deepset-ai/haystackOpen-source AI orchestration framework for building context-engineered, production-ready LLM applications. Design modular pipelines and agent workflows with explicit control over retrieval, routing, memory, and generation. Built for scalable agents, RAG, multimodal applications, semantic search, and conversational systems.Außergewöhnlich98ModelEngine-Group/nexentNexent is a zero-code platform for auto-generating production-grade AI agents using Harness Engineering principles — unified tools, skills, memory, and orchestration with built-in constraints, feedback loops, and control planes.Außergewöhnlich97langgenius/difyBuild Agentic workflows, RAG pipelines, with rich AI model and tool support on one collaborative workspace. Deploy on cloud, VPC, or self-hosted, so teams move from prototype to production without rebuilding the stack.Außergewöhnlich99ag2ai/ag2AG2 (formerly AutoGen): The Open-Source AgentOS.Join us at: https://discord.gg/sNGSwQME3xAußergewöhnlich

Bewertungen sind Signale, keine Garantien. Sie spiegeln öffentlich sichtbare Praxis auf GitHub wider — kein Code-Audit und keine Sicherheitsgarantie.

Fehlende Daten werden ausgeschlossen und die Gewichte neu normiert, nie als null bewertet. Die Methodik ist versioniert und offen: Metriken v2.10.0, Schema v0.34.0 — vollständige Methodik · Metriken-Wiki.

Wie ein einzelnes Ergebnis im Gesamtregister steht: aggregierte Statistiken — PyPI.