explorar hallazgo 02 · boletín 2026-09-29

EverMind-AI/Raven

Meta-harness (Python, Apache-2.0, 4.436★) que orquesta 13 coding agents como specialists dentro de una sola DAG con memoria persistente (EverOS), auto-evolución del propio harness (Evolver) y catálogo de 114k skills (SkillForge). Los built-in son Raven-Research, Raven-Code, Raven-Design y Raven-Oncall; los third-party incluyen Claude Code, Codex, OpenCode, Hermes Agent, OpenClaw, MiroThinker, GitHub Copilot, Qwen Code, CodeBuddy, Qoder, Grok Build, Kimi Code y Pi.

Estrellas

4.436

Forks

113

Lenguaje

Python

Licencia

Apache-2.0

Issues

—

Estado

alpha

Cómo funciona

Implementa recursive-self-improvementharness-of-harnesses

Núcleo

EverMind-AI/Raven Python · Apache-2.0 · alpha ai-agentsanthropicchatgptclaudecodexevermindhermeshermes-agent +6

Se cruza con compite con Human-Agent-Society/reef

Diagrama derivado de madurez_senales (lenguaje, licencia, estado y topics) y de las relaciones que este repo tiene en el grafo de conocimiento. No es una arquitectura del proyecto: es su posición funcional tal como la registran los boletines.

Posición en el ecosistema

EverMind-AI/Raven

implementa

recursive-self-improvement Concepto

EverMind-AI/Raven

implementa

harness-of-harnesses Concepto

EverMind-AI/Raven

compite con

Human-Agent-Society/reef Repositorio · y Q00/ouroboros

Expandir en el grafo 3D →

Relaciones que aportó este boletín

competes_withHuman-Agent-Society/reef· 2026-09-18implementsrecursive-self-improvementnuevoimplementsharness-of-harnessesnuevosupportshermes-agent· 2026-07-03

Por qué importa

Es el competidor más serio a Human-Agent-Society/reef y mvschwarz/openrig desde el ángulo “yo orquesto a tus coding agents, no los reemplazo” — y, sobre todo, lista a Hermes explícitamente entre los harnesses soportados (visible en los topics del repo: hermes-agent, y en el bloque de third-party del README). Para CSS esto confirma que Raven trata a Hermes como target de primera clase, lo que ya notamos el 2026-07-03 cuando cubrimos Hermes Agent por primera vez. La pista de recursive self-improvement (RSI) está demostrada con cifras: en nanochat pre-training, 172 runs en 7 rondas bajaron val_bpb un 5.8% con una sola GPU en 20 min por run — un resultado pequeño pero suficiente para dejar de hablar de RSI como promesa y empezar a hablar como evidencia. La apuesta “harness-of-harnesses” implica que Raven se sitúa por encima de herramientas como Hermes: tú no reemplazas tu agente, lo enchufas a un DAG con memoria persistente (EverOS) y un catálogo de 114k skills (SkillForge).

Alerta

clonar y leer docker/docker-compose.yml para entender la separación Raven ↔ EverOS ↔ SkillForge; el informe técnico en PDF bajo releases es la mejor lectura del modelo RSI

Raven lista métricas de RSI en un solo benchmark pequeño (nanochat, 7 rondas) que difícilmente generaliza; tratar el5.8% como evidencia sólida y no como señal.

Acción concreta

Raven adopta a Hermes Agent como target explícito; relevante para la audiencia CSS que ya usa Hermes y necesita saber qué meta-harness lo soporta.

Apariciones · 1

2026-09-29 hallazgo principal
primera vez en el boletín

Mencionado en

2026-09-30

Señales de madurez (texto original)

4.436★ · 113 forks · Python ≥3.12 (probable) · Apache-2.0 · creado 2026-05-21 · último push 2026-09-29 (¡hoy!) · topics: ai-agents, anthropic, chatgpt, claude, codex, evermind, hermes, hermes-agent, llm, openai, openclaw, recursive-self-improvement, rsi-ai, self-evolving, self-improving · sitio raven.evermind.ai · repos showcase THRESHOLD (FPS en Godot 4) y angy-raven (mini-game física). Pre-alpha: interfaces pueden cambiar rápido.