mempalace

想象一下：你让 AI 帮你写代码，写了三天后问它「之前的方案为什么否决了」，它一脸茫然。这不是 AI 的错——它根本没有长期记忆。MemPalace 正是为解决这一问题而生的开源项目。

项目起源与背景

MemPalace（记忆宫殿）由独立开发者 milla-jovovich 于 2024 年创建，是一个专注于本地优先的 AI 长期记忆系统。项目名称取自古罗马记忆术「记忆宫殿法」——一种通过在想象中构建空间来记住大量信息的方法。开发者的核心动机很明确：市面上的 AI 记忆方案要么依赖云服务（数据隐私问题），要么依赖 API 调用（成本问题），要么需要复杂的配置（门槛问题）。MemPalace 的目标是让任何人都能在本地机器上为零 API 成本的 AI 工具装上「记忆」。

截至 2026 年初，该项目在 GitHub 上已获得超过 5.2 万星，跻身 AI 工具类热门仓库前列。项目采用 MIT 许可证，完全开源，由 MemPalace 组织维护，吸引了大量开发者参与贡献。官方文档站点 mempalaceofficial.com 提供了完整的概念解释和上手指南。

核心技术原理：原样存储，而非摘要

MemPalace 与大多数 RAG（检索增强生成）方案的关键区别在于它的存储哲学。它不做摘要、不做提取、不做改写——对话历史和项目文件都以逐字原文存入向量数据库。

这样做的好处是：当你问「为什么当时选了 PostgreSQL」时，系统能精准调取当时的讨论原文，而不是一个模糊的摘要。当上下文足够长、细节足够多时，原样存储的信息密度远高于压缩过的摘要。

检索层采用语义搜索，默认后端为 ChromaDB（轻量级向量数据库），用户也可以接入其他兼容后端。项目提供了清晰的后端接口定义（mempalace/backends/base.py），理论上支持任意实现了相似度搜索的向量库。

记忆宫殿架构：Wings、Rooms、Drawers

MemPalace 引入了一套空间化的记忆组织结构，类比为宫殿的不同组成部分：**Wings（侧翼）**对应不同的人或项目，**Rooms（房间）**对应话题领域，**Drawers（抽屉）**存放原始内容。这种分层结构让检索可以限定范围，而不是对整个语料库做一次大海捞针式的搜索。

这个设计借鉴了「记忆宫殿」的古老智慧：人类对空间位置的记忆力远强于对抽象列表的记忆力。将 AI 的记忆也空间化，有助于提升检索的准确性和可解释性。

性能表现：96.6% R@5，零 API 调用

在 LongMemEval 基准测试（500 道检索问题）中，MemPalace 的纯语义搜索基线达到了 96.6% 的 R@5 召回率，全程无需调用任何 LLM API。经过混合策略优化（关键词增强 + 时间接近度 + 偏好模式提取）后，在 50 题开发集上调参、450 题隔离测试集上验证的分数为 98.4%。加入 LLM 重排后可达 99%+。

关键在于：这整个检索过程不需要消耗任何 API 配额。对于日均调用量大的开发者来说，这意味着零边际成本的记忆增强。

CLI 工具与集成方式

MemPalace 提供了一套完整的命令行工具，安装方式极为简洁：uv tool install mempalace 或 pip install mempalace。核心命令包括：mempalace mine 用于挖掘项目文件或对话记录，mempalace search 执行语义搜索，mempalace wake-up 为新会话加载相关上下文。

对于 Claude Code 用户，项目提供了自动保存钩子（hooks/mempal_save_hook.sh），可以在每次命令执行后自动将对话摘要写入记忆宫殿——这解决了 Claude Code 30 天会话过期后上下文丢失的痛点。此外还支持 Gemini CLI 和 MCP 协议兼容工具。

项目提供了 .devcontainer 配置，开发者可以在容器中快速搭建开发环境。.agents、.claude-plugin、.codex-plugin 目录表明项目正在向多 Agent 平台扩展。

局限性与挑战

首先，纯 CLI 操作意味着非技术用户上手门槛较高——需要熟悉终端、了解向量数据库的基本概念。其次，语义搜索的局限性在上下文窗口极长时可能显现：随着记忆量增长，检索的噪声可能增加，混合策略虽然有所改善，但在大规模语料下的表现仍需进一步验证。

第三，项目目前依赖 ChromaDB 作为默认后端，虽然接口开放，但切换后端需要一定开发工作。第四，数据隐私虽然本地化，但如果用户将向量数据库文件同步到云端（如备份服务），隐私优势将大打折扣。

行业意义

MemPalace 的出现折射出一个趋势：随着 AI 助手的使用深度和广度不断拓展，AI 记忆系统正在从「nice to have」变为「must have」。它代表了开源社区对商业闭源记忆方案的一次有力回应。

同时，项目对零 API 成本、高性能检索的追求，也推动了端侧 AI 记忆技术的实用化进程。对于希望在本地构建私密 AI 工作流的开发者来说，MemPalace 提供了一个值得关注的技术参考。