Memory Palace：给 AI 装上「持久记忆」的外挂

想象一下这个场景：你和 AI 助手聊了三天的项目需求、设计决策、技术选型，下一次对话时它完全不记得了——就像一个每天醒来都会失忆的人。传统 AI 的每次会话都是从零开始，上下文窗口是有限的，而会话终了时，知识也随之消亡。Memory Palace 就是来解决这个问题的。

🌟 痛点切入：为什么 AI 需要「记忆」

当前主流 AI 厂商的「记忆」方案都是闭门锁客的：ChatGPT 的 Memory 只能在 OpenAI 体系内使用，Anthropic 的 Projects 也只能在 Claude 里访问。一旦你切换提供商，所有的积累——项目背景、个人偏好、关键决策——全部归零，重新开始。

行业里有一种趋势：把上下文窗口做得越来越大——128K、200K、100 万 token。但问题不在这里。给一个失忆症患者一块更大的白板，并不能治愈他的失忆症。记忆不应该存在于模型内部，它应该与模型共存。Memory Palace 的核心理念正是如此：上下文窗口是工作记忆，Memory Palace 是长期存储。这才是符合人类大脑运作逻辑的设计。

🔧 项目概述

Memory Palace 是一个基于 MCP（Model Context Protocol）协议的持久语义记忆层，兼容任何 MCP 客户端（Claude Desktop、Claude Code 等）。它的核心目标是：将记忆从模型中分离出来，让任何 AI 都能跨会话、跨实例地访问积累的知识。

项目技术亮点：

语义搜索：基于 Ollama 本地 Embedding 模型，通过语义相似度而非关键词匹配来检索记忆
知识图谱：记忆之间通过带类型、带权重的有向边连接，支持自动图谱上下文
中心性加权排序：检索结果综合语义相似度、访问频率和图谱中心性（score = 相似度×0.7 + log(访问次数)×0.15 + 入度中心性×0.15）
全本地运行：Embedding、LLM 合成、关系分类、记忆提取全部通过 Ollama 在本地运行，无需调用云端 API
多后端支持：SQLite（个人使用）→ PostgreSQL + pgvector（团队协作）
TOON 编码：结构化响应格式，降低上下文窗口占用

📁 架构与模块

仓库采用标准的 Python 项目结构：

memory-palace/
  ├── mcp_server/       # MCP 协议服务器 (13 个工具)
  ├── memory_palace/     # 核心逻辑层
  ├── openclaw_plugin/   # OpenClaw 原生插件（零 MCP 开销）
  ├── tools/             # 工具集
  ├── extensions/        # 扩展模块
  └── docs/              # 文档
  examples/              # 示例代码
  tests/                 # 测试套件
  install.sh             # Linux/macOS 安装脚本
  install.ps1             # Windows 安装脚本

📦 依赖与安装

核心依赖：

sqlalchemy>=2.0 — ORM，支持 SQLite/PostgreSQL
mcp>=1.0 — MCP 协议客户端
requests>=2.28 — HTTP 请求
toons>=0.1 — TOON 编码格式

可选依赖（PostgreSQL 模式）：psycopg2-binary、pgvector

安装方式支持 pip 本地安装和跨平台安装脚本（Linux/macOS/Windows），没有 Docker 支持，不支持一键容器化部署。

🚀 上手门槛评估

资源	Embedding 模型	LLM 模型	适用场景
任意（CPU 可用）	nomic-embed-text	qwen3:1.7b	通用可用
6-8GB VRAM	nomic-embed-text	qwen3:8b	推理更强
12GB+ VRAM	snowflake-arctic-embed	qwen3:14b	最佳质量

最低门槛：Python 3.10 + Ollama。无需 GPU，CPU 模式即可运行基础功能。不同硬件配置对应不同模型档位，安装向导会自动检测并推荐配置。

⚠️ 争议与局限

图谱查询性能：知识图谱 + 语义搜索的组合在大规模记忆量下（数千条记忆）查询延迟需要实测验证，图谱遍历的深度和广度参数会直接影响性能。
强依赖 Ollama：项目强烈依赖 Ollama 作为本地 LLM 运行时，Ollama 本身的模型管理和版本兼容性需要额外维护成本。
仅 46 Stars：作为对比，竞品 Mem0 有 8.9K stars，Zep 有 3.8K stars，社区活跃度和生态成熟度差距明显。
Alpha 阶段：项目标记为 Development Status 3 - Alpha，生产环境使用需评估风险。

🌍 行业意义与趋势

Memory Palace 代表了 AI Agent 记忆层的一个重要方向：记忆外部化、语义化、图谱化。随着 AI Agent 逐步从「单次问答」走向「持续任务执行」，记忆将成为刚需。

相比闭门锁客的厂商方案，Memory Palace 的开放性（完全本地运行、MIT 许可、MCP 兼容）使其具备长期价值。随着 MCP 协议生态的扩大，支持 MCP 的客户端会越来越多，Memory Palace 的适用范围也会随之扩展。

从技术趋势看，语义搜索 + 知识图谱 + 中心性排序的组合，正在成为 Agent 记忆系统的标准范式。Memory Palace 是这一方向的早期探索者之一。

Memory Palace：给 AI 装上「持久记忆」的外挂

🌟 痛点切入：为什么 AI 需要「记忆」

🔧 项目概述

项目技术亮点：

语义搜索：基于 Ollama 本地 Embedding 模型，通过语义相似度而非关键词匹配来检索记忆
知识图谱：记忆之间通过带类型、带权重的有向边连接，支持自动图谱上下文
中心性加权排序：检索结果综合语义相似度、访问频率和图谱中心性（score = 相似度×0.7 + log(访问次数)×0.15 + 入度中心性×0.15）
全本地运行：Embedding、LLM 合成、关系分类、记忆提取全部通过 Ollama 在本地运行，无需调用云端 API
多后端支持：SQLite（个人使用）→ PostgreSQL + pgvector（团队协作）
TOON 编码：结构化响应格式，降低上下文窗口占用

📁 架构与模块

仓库采用标准的 Python 项目结构：

memory-palace/
  ├── mcp_server/       # MCP 协议服务器 (13 个工具)
  ├── memory_palace/     # 核心逻辑层
  ├── openclaw_plugin/   # OpenClaw 原生插件（零 MCP 开销）
  ├── tools/             # 工具集
  ├── extensions/        # 扩展模块
  └── docs/              # 文档
  examples/              # 示例代码
  tests/                 # 测试套件
  install.sh             # Linux/macOS 安装脚本
  install.ps1             # Windows 安装脚本

📦 依赖与安装

核心依赖：

sqlalchemy>=2.0 — ORM，支持 SQLite/PostgreSQL
mcp>=1.0 — MCP 协议客户端
requests>=2.28 — HTTP 请求
toons>=0.1 — TOON 编码格式

可选依赖（PostgreSQL 模式）：psycopg2-binary、pgvector

安装方式支持 pip 本地安装和跨平台安装脚本（Linux/macOS/Windows），没有 Docker 支持，不支持一键容器化部署。

🚀 上手门槛评估

资源	Embedding 模型	LLM 模型	适用场景
任意（CPU 可用）	nomic-embed-text	qwen3:1.7b	通用可用
6-8GB VRAM	nomic-embed-text	qwen3:8b	推理更强
12GB+ VRAM	snowflake-arctic-embed	qwen3:14b	最佳质量

最低门槛：Python 3.10 + Ollama。无需 GPU，CPU 模式即可运行基础功能。不同硬件配置对应不同模型档位，安装向导会自动检测并推荐配置。

⚠️ 争议与局限

图谱查询性能：知识图谱 + 语义搜索的组合在大规模记忆量下（数千条记忆）查询延迟需要实测验证，图谱遍历的深度和广度参数会直接影响性能。
强依赖 Ollama：项目强烈依赖 Ollama 作为本地 LLM 运行时，Ollama 本身的模型管理和版本兼容性需要额外维护成本。
仅 46 Stars：作为对比，竞品 Mem0 有 8.9K stars，Zep 有 3.8K stars，社区活跃度和生态成熟度差距明显。
Alpha 阶段：项目标记为 Development Status 3 - Alpha，生产环境使用需评估风险。

🌍 行业意义与趋势

从技术趋势看，语义搜索 + 知识图谱 + 中心性排序的组合，正在成为 Agent 记忆系统的标准范式。Memory Palace 是这一方向的早期探索者之一。