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 15921 字预计阅读 40 分钟

MemPalace：47.3k Stars史上最高分AI记忆系统

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.”

核心优势：

🏆 史上最高分：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

学习目标：

理解记忆宫殿（Method of Loci）原理如何应用于AI记忆系统
掌握Wings/Halls/Rooms三级结构的组织方式
学会使用MCP工具与AI进行有记忆的对话
能够在本地部署完整的MemPalace记忆系统

读者收益：

获得一个可完全私有部署的AI记忆解决方案
节约每年数百美元的API摘要费用
拥有一个跨会话持久化的AI协作者

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%史上最高分

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代表了AI记忆系统的范式转变：

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
史上最高分：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 2026-05-23

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史上最高分AI记忆系统

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%史上最高分

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

Kimi Code：月暗AI开源的终端AI编程智能体

Chrome DevTools MCP：让 AI 编程代理操控 Chrome 的官方方案

Multica：把 AI 代码代理变成真正的队友

Babel：开源EDA工具链驱动的AI原生Chiplet设计流程