MemPalace：47.3k Stars史上最高分AI记忆系统，96.6% R@5零API调用

2026-04-13 约 15734 字预计阅读 40 分钟

MemPalace：47.3k Stars 的 AI 记忆系统，96.6% R@5 零 API 调用

项目概述

MemPalace是由 milla-jovovich 团队开发的开源 AI 记忆系统，核心特点是「基于记忆宫殿（Method of Loci）原理，让 AI 记住一切」。与传统的记忆系统不同，MemPalace 不依赖云 API、不需要订阅、完全本地运行，且在 LongMemEval（长程记忆评估基准）基准测试中取得了史上最高分 96.6%。

指标	数值
GitHub Stars	47.3k (47,262)
Forks	6,174
贡献者	3 (igorls, bensig, tmuskal)
最新提交	2026-04-07（16 小时前）
最新版本	v3.0.0
许可证	MIT
技术栈	Python 98.3%, Shell 1.7%

官方 Slogan： “The highest-scoring AI memory system ever benchmarked. And it’s free.”

核心特点：

96.6% LongMemEval R@5：零 API 调用，Raw 模式
完全免费：无需 API Key，无需订阅，本地运行
隐私优先：所有数据本地存储，无需云端
极速唤醒：~170 tokens wake-up 上下文

核心问题：AI 对话记忆的困境

传统方案的局限

当你与 AI 进行日常对话时——每一个决策、每一次调试、每一次架构讨论——对话都会在会话结束时消失。六个月的工作，白费了。

每年 19.5M tokens 的对话量：

相当于 19.5M tokens 无法放入任何上下文窗口
传统的 LLM 摘要方案需要约$507/年
摘要会丢失上下文和细节

现有记忆系统的痛点

方案	加载 Tokens	年成本	问题
粘贴全部	19.5M（塞不下）	-	无法工作
LLM 摘要	~650K	~$507/年	丢失上下文
MemPalace wake-up	~170	~$0.70/年	完整记忆

技术架构解析

整体架构：The Palace（记忆宫殿）

MemPalace 的核心创新是「记忆宫殿」结构——仿照古代希腊演说家西塞罗（Cicero）使用的方法：

┌─────────────────────────────────────────────────────────────┐
│                    WING: Person                             │
│                                                             │
│  ┌──────────┐ ──hall── ┌──────────┐                        │
│  │ Room A   │          │ Room B   │                        │
│  └────┬─────┘          └──────────┘                        │
│       │                                                         │
│       ▼                                                         │
│  ┌──────────┐ ───▶ ┌──────────┐                             │
│  │ Closet   │       │ Drawer   │                             │
│  └──────────┘       └──────────┘                             │
└─────────────────────────────────────────────────────────────┘
                           │
                        tunnel │
┌─────────────────────────────────────────────────────────────┐
│                    WING: Project                            │
│                                                             │
│  ┌────┬─────┐ ──hall── ┌──────────┐                        │
│  │ Room A│          │ Room C   │                        │
│  └────┬─────┘          └──────────┘                        │
│       │                                                         │
│       ▼                                                         │
│  ┌──────────┐ ───▶ ┌──────────┐                             │
│  │ Closet   │       │ Drawer   │                             │
│  └──────────┘       └──────────┘                             │
└─────────────────────────────────────────────────────────────┘

核心数据结构

结构	说明	示例
Wing	一个人或项目	`wing_kai`, `wing_driftwood`
Room	Wing 内的具体主题	`auth-migration`, `graphql-switch`
Hall	同一 Wing 内的房间连接	`hall_facts`, `hall_events`
Tunnel	不同 Wing 间的跨域连接	auth 相关房间跨项目连接
Closet	摘要，指向原始内容的指针	原始内容的压缩摘要
Drawer	原始文件	完整原文，永不丢失

Hall 类型（记忆类型）

hall_facts       # 已做出的决策
hall_events      # 会议、里程碑、调试
hall_discoveries  # 突破、新洞察
hall_preferences  # 习惯、喜好
hall_advice      # 建议和解决方案

Tunnel 的威力

# 同一Room在多个Wing中出现，自动创建Tunnel
wing_kai / hall_events / auth-migration
  → "Kai debugged the OAuth token refresh"

wing_driftwood / hall_facts / auth-migration
  → "team decided to migrate auth to Clerk"

wing_priya / hall_advice / auth-migration
  → "Priya approved Clerk over Auth0"

Raw 模式：96.6%的真正来源

MemPalace 的 96.6%成绩来自Raw 模式（ChromaDB 直存），而非压缩或摘要：

核心设计原则：

存储一切：原始对话 verbatim 存入 ChromaDB，不做摘要、不做提取
语义检索：让语义搜索找到内容，而非依赖 AI 判断"什么值得记住"
零 LLM 干预：存储阶段不调用任何 LLM API

与 AAAK 的关系：

AAAK 是独立的压缩层，用于 wake-up 时的上下文加载
AAAK不是存储格式，存储默认使用 Raw verbatim 模式
Raw 模式 96.6% > AAAK 模式 84.2%，差距 12.4 个百分点

AAAK 方言（实验性）

AAAK 是什么？

AAAK（Ant Asset Keyword）是一种有损的简化语言，专为 AI 上下文的唤醒加载设计：

设计目标：

在多次会话重复提及同一实体时，通过实体代码减少 token 消耗
任何能读文本的 LLM 都能解析，无需解码器

重要澄清（官方 2026 年 4 月 7 日说明）：

声明	实际情况
“30x 无损压缩”	AAAK 是有损的（entity codes、sentence truncation），且在小规模场景下 token 数反而增加
" token 节省示例"	官方用 OpenAI tokenizer 实测：英文原文 66 tokens，AAAK 压缩后 73 tokens
“存储层默认 AAAK”	存储默认是Raw verbatim，AAAK 是可选的压缩层

适用场景：

大规模重复实体：同一团队成员、同一项目在数千次会话中被提及
实体代码的边际成本随提及次数降低

AAAK 的设计原则

原则	说明
有损	使用正则缩写、实体代码、句子截断
通用	任何 LLM 都能读取，无需解码器
规模效应	重复实体越多，压缩效果越明显
上下文加载	用于 wake-up 时的上下文压缩，不影响存储

四层记忆栈（L0-L3）

┌─────────────────────────────────────────────────────────────────┐
│ L0 Identity       │ 身份：这是哪个AI？         │ ~50 tokens  │ 常驻加载  │
│ L1 Critical Facts│ 关键事实：团队/项目/偏好   │ ~120 tokens │ 常驻加载  │
│ L2 Room Recall   │ 房间回忆：近期会话         │ 按需        │ 话题触发  │
│ L3 Deep Search   │ 深度搜索：全量语义检索     │ 按需        │ 显式询问  │
└─────────────────────────────────────────────────────────────────┘

wake-up 后 AI 拥有~170 tokens 的关键上下文，知道你的世界。

Benchmarks：96.6% R@5

标准基准测试

Benchmark	模式	分数	API 调用
LongMemEval R@5	Raw (ChromaDB)	96.6%	零
LongMemEval R@5	+ Haiku 重排	100%	~500（pipeline 未公开）
LoCoMo R@10	Raw, session level	60.3%	零
Personal palace R@10	Heuristic	85%	零
Palace structure	Wing+Room 过滤	+34%	零

vs 已发布系统

系统	LongMemEval R@5	需要 API	成本
MemPalace (hybrid)	100%	可选	免费
Supermemory ASMR	~99%	是	-
MemPalace (raw)	96.6%	否	免费
Mastra	94.87%	是 (GPT)	API 费用
Mem0	~85%	是	$19-249/月
Zep	~85%	是	$25/月+

关于+34%的说明

官方明确指出：+34%是 ChromaDB 标准 metadata filtering 功能，不是 MemPalace 独有的检索机制。这是 ChromaDB 的内置特性，用于缩小搜索范围。

MCP Server：19 个工具

连接 MemPalace

方式一：插件市场安装（推荐）

claude plugin marketplace add milla-jovovich/mempalace
claude plugin install --scope user mempalace
# 重启Claude Code，输入 /skills 验证 mempalace 出现

方式二：MCP 手动连接

claude mcp add mempalace -- python -m mempalace.mcp_server

Gemini CLI 集成

MemPalace 与 Gemini CLI 原生集成，自动处理服务器启动和保存 Hook。详见 Gemini CLI Integration Guide。

19 个工具总览

Palace 读取工具：

工具	功能
`mempalace_status`	Palace 概览+AAAK 规范
`mempalace_list_wings`	列出所有 Wings
`mempalace_list_rooms`	列出 Wing 内 Rooms
`mempalace_get_taxonomy`	完整分类树
`mempalace_search`	语义搜索（支持 Wing/Room 过滤）
`mempalace_check_duplicate`	存入前检查重复
`mempalace_get_aaak_spec`	AAAK 方言参考

Palace 写入工具：

工具	功能
`mempalace_add_drawer`	存入原文
`mempalace_delete_drawer`	删除（按 ID）

知识图谱工具：

工具	功能
`mempalace_kg_query`	实体关系查询（支持时间过滤）
`mempalace_kg_add`	添加事实
`mempalace_kg_invalidate`	标记事实过期
`mempalace_kg_timeline`	实体编年史
`mempalace_kg_stats`	图谱概览

导航工具：

工具	功能
`mempalace_traverse`	从 Room 穿越 Wings
`mempalace_find_tunnels`	找到连接两个 Wings 的 Rooms
`mempalace_graph_stats`	图连通性概览

Agent Diary 工具：

工具	功能
`mempalace_diary_write`	写 AAAK 日记
`mempalace_diary_read`	读最近日记

矛盾检测（实验性，未集成）

MemPalace 提供了独立的矛盾检测工具 fact_checker.py，但尚未接入知识图谱操作。这是官方正在修复的问题（跟踪 Issue #27）。

工具能力演示：

Input: "Soren finished the auth migration"
Output: 🔴 AUTH-MIGRATION: attribution conflict
        — Maya was assigned, not Soren

Input: "Kai has been here 2 years"
Output: 🟡 KAI: wrong_tenure
        — records show 3 years (started 2023-04)

Input: "The sprint ends Friday"
Output: 🟡 SPRINT: stale_date
        — current sprint ends Thursday (updated 2 days ago)

快速开始

安装

pip install mempalace

初始化

# 设置你的世界
mempalace init ~/projects/myapp

# 挖掘数据
mempalace mine ~/projects/myapp          # 项目代码和文档
mempalace mine ~/chats/ --mode convos     # 对话导出
mempalace mine ~/chats/ --mode convos --extract general  # 自动分类

# 搜索
mempalace search "why did we switch to GraphQL"

三种挖掘模式

模式	说明
`projects`	代码和文档
`convos`	对话导出
`general`	自动分类（决策/偏好/里程碑/问题）

分割串联记录

有些对话导出工具会把多个会话合并成一个大文件：

mempalace split ~/chats/                      # 分割为会话文件
mempalace split ~/chats/ --dry-run            # 预览
mempalace split ~/chats/ --min-sessions 3    # 只分割包含3+会话的文件

实战练习

练习一：构建你的第一个 Palace

目标：使用 MemPalace 管理一个个人项目的记忆

步骤：

# 创建练习目录
mkdir -p ~/mempalace-practice
cd ~/mempalace-practice

# 初始化MemPalace
mempalace init ~/mempalace-practice

创建示例对话文件

# 创建模拟对话导出
mkdir -p ~/mempalace-practice/chats
cat > ~/mempalace-practice/chats/session1.txt << 'EOF'
User: 我们决定用PostgreSQL替代MySQL
Assistant: 好的，PostgreSQL对复杂查询支持更好。

User: 什么时候做的这个决定？
Assistant: 2025-11-03。

User: 原因是数据量会超过10GB吗？
Assistant: 是的，而且需要并发写入支持。
EOF

挖掘对话

mempalace mine ~/mempalace-practice/chats --mode convos --wing practice-project

验证存储

mempalace status
# 预期：看到practice-project wing和对应room

搜索验证

mempalace search "database decision"
# 预期：返回PostgreSQL相关的记忆

验收标准：

mempalace status 显示新创建的 wing
mempalace list_wings 能看到 practice-project
mempalace search 能找到存入的记忆

练习二：知识图谱时间旅行

目标：体验时间敏感的知识图谱查询

步骤：

Python 交互式验证

from mempalace.knowledge_graph import KnowledgeGraph

kg = KnowledgeGraph()

# 添加历史事实
kg.add_triple("Dev", "joined", "Team", valid_from="2025-01-01")
kg.add_triple("Dev", "promoted", "Senior", valid_from="2025-06-01")
kg.add_triple("Dev", "left", "Team", valid_from="2026-01-01")

# 查询当前状态
print("当前状态：", kg.query_entity("Dev"))

# 查询历史状态
print("2025年3月状态：", kg.query_entity("Dev", as_of="2025-03-01"))
print("2025年7月状态：", kg.query_entity("Dev", as_of="2025-07-01"))

验收标准：

当前状态只显示 Dev 已离开 Team
2025 年 3 月状态显示 Dev 是 Team 成员
2025 年 7 月状态显示 Dev 已被提升为 Senior

练习三：MCP 工具集成

目标：将 MemPalace 连接到 Claude Desktop

前置条件：已安装 Claude Desktop 或 Claude Code

步骤：

检查 MCP 配置位置

# macOS
ls ~/Library/Application\ Support/Claude/claude_desktop_config.json
# 或
ls ~/.config/claude/claude_desktop_config.json

添加 MemPalace MCP 服务器

{
  "mcpServers": {
    "mempalace": {
      "command": "python",
      "args": ["-m", "mempalace.mcp_server"]
    }
  }
}

验证连接

# 重启Claude Desktop后，输入
/claude mcp list
# 预期：看到mempalace server

测试工具调用

Ask: "用mempalace_status查看我的记忆状态"

验收标准：

MCP 配置正确添加
Claude 能识别 mempalace 工具
能够调用 mempalace_status 等工具

练习四：Wing 与 Room 结构化检索

目标：体验 Palace 结构带来的精确检索

步骤：

创建多 Wing 数据

# 项目A的决策
mempalace mine ~/project-a-chats/ --mode convos --wing project-a
# 项目B的决策
mempalace mine ~/project-b-chats/ --mode convos --wing project-b

测试范围搜索

# 搜索全部（跨Wing）
mempalace search "API设计"

# 限制在project-a
mempalace search "API设计" --wing project-a

# 限制在auth room
mempalace search "API设计" --room auth

观察结果差异

全局搜索：返回所有 wing 的相关结果
Wing 过滤：只返回 project-a 的结果
Room 过滤：只返回 auth room 的结果

验收标准：

Wing 过滤显著减少结果数量
同一查询不同过滤器返回不同子集
理解 metadata filtering 的作用

练习五：Auto-Save Hook 配置

目标：配置 Claude Code 自动保存记忆

步骤：

定位 Claude Code 配置

ls ~/.claude/projects/
# 或项目级
cat ~/.claude/projects/default/.claude.json

添加 Hook 配置

{
  "hooks": {
    "Stop": [{
      "matcher": "",
      "hooks": [{
        "type": "command",
        "command": "/absolute/path/to/mempalace/hooks/mempal_save_hook.sh"
      }]
    }]
  }
}

export MEMPAL_DIR=~/my-chats
# 这样Hook会自动挖掘指定目录

验证 Hook 触发

# 在Claude Code中进行多次对话
# 观察Hook是否被触发
tail -f /tmp/mempalace_hook.log

验收标准：

Hook 配置成功加载
对话结束后记忆被保存
自动摄入目录中的新文件被挖掘

常见问题排查

问题	可能原因	解决方案
`mempace: command not found`	安装失败	重新 `pip install mempalace`
`mempalace status` 显示空	尚未挖掘数据	运行 `mempalace mine`
MCP 工具不可见	Claude 未重启	完全退出重启 Claude
Hook 不触发	路径不正确	使用绝对路径检查文件存在
ChromaDB 错误	版本不兼容	检查 Issue #100，固定版本

Agent 集成

Claude Code（推荐）

通过插件市场一键安装，AI 会自动发现和加载 MemPalace 工具集。

MCP 兼容工具（Claude/ChatGPT/Cursor/Gemini）

# 连接（只需一次）
claude mcp add mempalace -- python -m mempalace.mcp_server

现在问 AI：

“What did we decide about auth last month?”

AI 会自动调用mempalace_search，获取结果后回答你。你无需输入任何命令。

本地模型（Llama/Mistral）

方法 1：Wake-up 命令

mempalace wake-up > context.txt
# 把context.txt粘贴到本地模型的系统提示

方法 2：CLI 搜索

mempalace search "auth decisions" > results.txt
# 将results.txt包含到提示中

Python API：

from mempalace.searcher import search_memories
results = search_memories("auth decisions", palace_path="~/.mempalace/palace")

知识图谱：时间敏感的实体关系

from mempalace.knowledge_graph import KnowledgeGraph

kg = KnowledgeGraph()

# 添加三元组（带时间窗口）
kg.add_triple("Kai", "works_on", "Orion", valid_from="2025-06-01")
kg.add_triple("Maya", "assigned_to", "auth-migration", valid_from="2026-01-15")
kg.add_triple("Maya", "completed", "auth-migration", valid_from="2026-02-01")

# 查询Kai现在做什么？
kg.query_entity("Kai")
# → [Kai → works_on → Orion (current), Kai → recommended → Clerk (2026-01)]

# 2026年1月20日Maya在做什么？
kg.query_entity("Maya", as_of="2026-01-20")
# → [Maya → assigned_to → auth-migration (active)]

# 时间线
kg.timeline("Orion")
# → 项目的编年史

# 事实过期时，标记结束时间
kg.invalidate("Kai", "works_on", "Orion", ended="2026-03-01")
# 后续查询Kai当前工作时，不会返回Orion

vs Zep (Graphiti)

特性	MemPalace	Zep (Graphiti)
存储	SQLite（本地）	Neo4j（云）
成本	免费	$25/月+
时间有效性	是	是
自托管	始终	仅企业版
隐私	全部本地	SOC 2, HIPAA

专业 Agent：每个 Agent 有自己的记忆

~/.mempalace/agents/
├── reviewer.json   # 代码质量、模式、bug
├── architect.json  # 设计决策、权衡
└── ops.json        # 部署、故障、基础设施

你的 CLAUDE.md 只需一行：

You have MemPalace agents. Run mempalace_list_agents to see them.

每个 Agent：

有自己的专注领域
用 AAAK 写日记，跨会话持久化
通过读自己的历史建立专业能力

自动保存 Hook

两个 Claude Code 的自动保存 Hook：

保存 Hook - 每 15 条消息触发一次结构化保存 PreCompact Hook - 在上下文压缩前紧急保存

{
  "hooks": {
    "Stop": [{
      "matcher": "",
      "hooks": [{"type": "command", "command": "/path/to/mempalace/hooks/mempal_save_hook.sh"}]
    }],
    "PreCompact": [{
      "matcher": "",
      "hooks": [{"type": "command", "command": "/path/to/mempalace/hooks/mempal_precompact_hook.sh"}]
    }]
  }
}

可选自动摄入：设置环境变量 MEMPAL_DIR 指向某个目录路径，Hook 会在每次触发时自动对该目录运行 mempalace mine（Stop 时后台运行，PreCompact 时同步运行）。

项目结构

mempalace/
├── mempalace/              # 核心包
│   ├── cli.py              # CLI入口
│   ├── mcp_server.py       # MCP服务器（19工具）
│   ├── knowledge_graph.py # 时间敏感实体图
│   ├── palace_graph.py     # Room导航图
│   ├── dialect.py          # AAAK压缩（实验性）
│   ├── miner.py            # 项目文件摄入
│   ├── convo_miner.py     # 对话摄入
│   ├── searcher.py        # ChromaDB语义搜索
│   └── onboarding.py      # 引导设置
├── benchmarks/             # 可复现基准测试
│   ├── longmemeval_bench.py
│   ├── locomo_bench.py
│   └── membench_bench.py
├── hooks/                 # Claude Code自动保存
│   ├── mempal_save_hook.sh
│   └── mempal_precompact_hook.sh
├── examples/              # 使用示例
└── tests/                # 测试套件

所有命令参考

# 设置
mempalace init <dir>              # 引导设置+AAAK引导

# 挖掘
mempalace mine <dir>              # 挖掘项目文件
mempalace mine <dir> --mode convos  # 挖掘对话
mempalace mine <dir> --wing myapp  # 指定Wing

# 分割
mempalace split <dir>              # 分割串联的记录
mempalace split <dir> --dry-run    # 预览

# 搜索
mempalace search "query"          # 搜索全部
mempalace search "query" --wing myapp  # Wing内搜索
mempalace search "query" --room auth-migration  # Room内搜索

# 记忆栈
mempalace wake-up                 # 加载L0+L1上下文
mempalace wake-up --wing driftwood  # 项目特定上下文

# 压缩
mempalace compress --wing myapp    # AAAK压缩

# 状态
mempalace status                  # Palace概览

团队使用场景

独立开发者管理多个项目

# 挖掘每个项目的对话
mempalace mine ~/chats/orion/ --mode convos --wing orion
mempalace mine ~/chats/nova/ --mode convos --wing nova
mempalace mine ~/chats/helios/ --mode convos --wing helios

# 6个月后：
mempalace search "database decision" --wing orion
# → "Chose Postgres over SQLite because Orion needs concurrent writes
#    and the dataset will exceed 10GB. Decided 2025-11-03."

团队负责人管理产品

# 挖掘Slack和AI对话
mempalace mine ~/exports/slack/ --mode convos --wing driftwood
mempalace mine ~/.claude/projects/ --mode convos

# 问：
mempalace search "Soren sprint" --wing driftwood
# → 14条相关记录：OAuth重构、暗色模式、组件库迁移

mempalace search "Clerk decision" --wing driftwood
# → "Kai recommended Clerk over Auth0 — pricing + developer experience.
#    Team agreed 2026-01-15. Maya handling the migration."

MemPalace vs 其他系统

系统	LongMemEval	需要 API	成本	自托管
MemPalace (hybrid)	100%	可选	免费	✓
Supermemory ASMR	~99%	是	-	-
MemPalace (raw)	96.6%	否	免费	✓
Mastra	94.87%	是	API 费用	-
Mem0	~85%	是	$19-249/月	-
Zep	~85%	是	$25/月+	企业版

官方诚实说明（2026 年 4 月 7 日）

社区在项目发布后数小时内发现了多个问题，官方团队直接回应：

已被修正的错误

原声明	实际情况
AAAK 示例"30x 无损压缩"	AAAK 是有损的，token 计数有误
LongMemEval 96.6%来自 AAAK 模式	96.6%来自Raw 模式，AAAK 模式仅 84.2%
“+34% palace boost"是独特机制	这是 ChromaDB 标准metadata filtering
矛盾检测已集成到 KG 操作	是独立工具 `fact_checker.py`，尚未集成
“100% with Haiku rerank"已有 pipeline	结果真实，但pipeline 未公开

仍然成立的结论

96.6% R@5（Raw 模式，零 API 调用）已由社区独立复现（M2 Ultra，~5 分钟）
完全本地、免费、无订阅、无云端
Wings/Rooms/Closets/Drawers 架构真实有效

官方正在修复

重写 AAAK 示例，使用真实 tokenizer 计数
添加模式区分文档（raw / aaak / rooms）
将 fact_checker.py 接入 KG 操作
修复 Issue #100（ChromaDB 版本固定）、#110（Shell 注入）、#74（macOS ARM64）

安装与配置

前置条件

依赖	版本
Python	3.9+
ChromaDB	>= 0.4.0
PyYAML	>= 6.0

安装

pip install mempalace

配置

全局配置（~/.mempalace/config.json）：

{
  "palace_path": "/custom/path/to/palace",
  "collection_name": "mempalace_drawers",
  "people_map": {"Kai": "KAI", "Priya": "PRI"}
}

Wing 配置（~/.mempalace/wing_config.json）：

{
  "default_wing": "wing_general",
  "wings": {
    "wing_kai": {"type": "person", "keywords": ["kai", "kai's"]},
    "wing_driftwood": {"type": "project", "keywords": ["driftwood", "analytics", "saas"]}
  }
}

项目地址

项目	地址
GitHub	https://github.com/MemPalace/mempalace
Discord	https://discord.com/invite/ycTQQCu6kn

进阶路径

学习路径图

┌─────────────────────────────────────────────────────────────────┐
│                      MemPalace 学习路径                          │
└─────────────────────────────────────────────────────────────────┘

  初学者 ─────────────────────────────────────────────────────────▶ 进阶
    │                                                           │
    ▼                                                           ▼
┌─────────┐    ┌─────────┐    ┌─────────┐    ┌─────────┐    ┌─────────┐
│ 基础使用 │ → │ 结构设计 │ → │ MCP集成 │ → │ 自动化工 │ → │ 深度定制 │
│         │    │         │    │         │    │         │    │         │
│• 安装    │    │• Wing命名│    │• 19工具 │    │• Hook   │    │• 源码   │
│• init   │    │• Room划分│    │• AI对话 │    │• 自动挖掘│    │• Benchmark│
│• mine   │    │• Hall类型│    │• Agent  │    │• 定时任务│    │• AAAK改进 │
│• search │    │• Tunnel  │    │         │    │         │    │         │
└─────────┘    └─────────┘    └─────────┘    └─────────┘    └─────────┘
    │              │              │              │              │
    ▼              ▼              ▼              ▼              ▼
 练习一        练习四         练习三         练习五         官方Issue
 入门           进阶检索       MCP集成        Hook配置        参与贡献

阶段一：基础使用（1-2 天）

目标：能够使用 MemPalace 管理个人项目记忆

学习内容：

安装与初始化
基本挖掘与搜索命令
Palace 状态查看

推荐资源：

官方 Quick Start 文档
练习一：构建你的第一个 Palace

验收标准：

能够独立初始化一个新项目
能够挖掘对话并成功搜索
理解 Wing/Room 的基本概念

阶段二：结构设计（3-5 天）

目标：设计适合个人/团队的记忆结构

学习内容：

Wing 命名规范与划分策略
Room 主题划分与 Hall 类型选择
Tunnel 跨域连接的价值

推荐资源：

练习四：Wing 与 Room 结构化检索
官方 The Palace 文档

验收标准：

能够设计多 Wing 记忆结构
理解不同 Hall 类型的适用场景
能够利用 Tunnel 进行跨域检索

阶段三：MCP 集成（1-3 天）

目标：将 MemPalace 深度集成到 AI 工作流

学习内容：

MCP 协议与工具注册
19 个工具的组合使用
Agent 专业化的实现

推荐资源：

练习三：MCP 工具集成
官方 MCP Tools 文档

验收标准：

能够配置 MCP 服务器
能够在 AI 对话中调用 MemPalace 工具
理解 Agent 专业化的价值

阶段四：自动化（3-7 天）

目标：实现完全的自动化记忆管理

学习内容：

Claude Code Hook 配置
自动挖掘与定时任务
MEMPAL_DIR 环境变量使用

推荐资源：

练习五：Auto-Save Hook 配置
官方 Auto-Save Hooks 文档

验收标准：

能够配置完整的 Hook 流程
理解自动挖掘的边界
能够设置定时摄入任务

阶段五：深度定制（持续）

目标：根据需求定制 MemPalace

学习内容：

阅读源码，理解核心模块
自定义挖掘器与处理器
AAAK 方言的改进方向
参与开源贡献

推荐资源：

官方 Benchmarks 文档
GitHub Issue #27（AAAK 迭代）
GitHub Issue #100/110/74（已知问题）

验收标准：

能够阅读并理解核心源码
能够自定义挖掘逻辑
能够为社区做贡献

项目	说明	适用场景
Zep	云端记忆服务	需要托管服务的团队
Mem0	多层记忆 API	需要云端 API 的开发者
Mastra	AI 开发框架	构建完整 AI 应用的团队
Graphiti	时序知识图谱	需要复杂时间查询的场景

延伸阅读

资源	说明
ChromaDB文档	向量检索的底层原理
西塞罗记忆宫殿	Palace 架构的思想起源
GitHub: MemPalace	项目源码与最新动态

总结

MemPalace 的核心特征：

Raw verbatim 存储：96.6%成绩来自 ChromaDB 直存，不做摘要
Palace 结构：Wings/Halls/Rooms 的组织方式，配合 ChromaDB metadata filtering 实现+34%检索提升
AAAK 压缩层：有损压缩，用于上下文加载，不是存储格式
完全本地：SQLite/ChromaDB 存储，无需云端，隐私优先
96.6% LongMemEval R@5：零 API 调用
MCP 原生：19 个工具，与 Claude/Cursor/Gemini 无缝集成
免费开源：MIT 许可证，无隐藏成本

适用场景：

独立开发者管理多个项目记忆
团队负责人管理产品和人员上下文
AI Agent 的长期记忆
本地优先的隐私敏感场景

MemPalace 让你记住一切，但只加载 AI 需要的。

本文基于 MemPalace 项目编写，最后更新：2026-04-13

更新于 2026-07-21

AI记忆, 记忆宫殿, 知识图谱, MCP, 本地向量数据库

返回 | 主页

下一步

如果这篇内容对你有帮助，继续往更完整的路径里走。

你可以从专题页继续系统阅读，也可以通过联系页反馈想跟进的主题、工具和合作方向。

AI Agent 专题 Coding Agent 专题开源 AI 工具联系

目录

MemPalace：47.3k Stars史上最高分AI记忆系统，96.6% R@5零API调用

MemPalace：47.3k Stars 的 AI 记忆系统，96.6% R@5 零 API 调用

项目概述

核心问题：AI 对话记忆的困境

传统方案的局限

现有记忆系统的痛点

技术架构解析

整体架构：The Palace（记忆宫殿）

核心数据结构

Hall 类型（记忆类型）

Tunnel 的威力

Raw 模式：96.6%的真正来源

AAAK 方言（实验性）

AAAK 是什么？

AAAK 的设计原则

四层记忆栈（L0-L3）

Benchmarks：96.6% R@5

标准基准测试

vs 已发布系统

关于+34%的说明

MCP Server：19 个工具

连接 MemPalace

Gemini CLI 集成

19 个工具总览

矛盾检测（实验性，未集成）

快速开始

安装

初始化

三种挖掘模式

分割串联记录

实战练习

练习一：构建你的第一个 Palace

练习二：知识图谱时间旅行

练习三：MCP 工具集成

练习四：Wing 与 Room 结构化检索

练习五：Auto-Save Hook 配置

常见问题排查

Agent 集成

Claude Code（推荐）

MCP 兼容工具（Claude/ChatGPT/Cursor/Gemini）

本地模型（Llama/Mistral）

知识图谱：时间敏感的实体关系

vs Zep (Graphiti)

专业 Agent：每个 Agent 有自己的记忆

自动保存 Hook

项目结构

所有命令参考

团队使用场景

独立开发者管理多个项目

团队负责人管理产品

MemPalace vs 其他系统

官方诚实说明（2026 年 4 月 7 日）

已被修正的错误

仍然成立的结论

官方正在修复

安装与配置

前置条件

安装

配置

项目地址

进阶路径

学习路径图

阶段一：基础使用（1-2 天）

阶段二：结构设计（3-5 天）

阶段三：MCP 集成（1-3 天）

阶段四：自动化（3-7 天）

阶段五：深度定制（持续）

相关项目推荐

延伸阅读

总结

如果这篇内容对你有帮助，继续往更完整的路径里走。

与这篇内容相关的文章

davila7/claude-code-templates 项目导读：一个 29k stars 的 Claude Code "组件仓库 + 仪表盘 + CLI" 三件套是怎么搭起来的

caveman：让 Claude Code 用 1/4 的 token 把话说完

chrome-devtools-mcp：把 Chrome DevTools 装进 AI 编码代理

HenryNdubuaku/maths-cs-ai-compendium 拆解：一份把 AI/ML 研究工程师之路切成 18 个可执行阶段的 textbook 仓库