开源AI记忆系统MemPalace采用记忆宫殿法，LongMemEval得分96.6%，支持本地运行、MCP接入，年成本仅10美元
开源AI记忆系统MemPalace采用记忆宫殿法，LongMemEval得分96.6%，支持本地运行、MCP接入，年成本仅10美元
豆包 Seed 2.0 Lite 升级为全模态理解模型，同时支持图片、视频、音频、文本四种输入，实测前端动效复刻、视频内容理解、对话情绪识别等场景。
MemPalace 是一个开源的 AI 记忆系统，灵感来自古希腊的"记忆宫殿法"。它能让 AI 像"在房间里行走，推开一扇扇门"一样组织和检索记忆，而不是传统的向量数据库方案。
这个项目发布即开源，所有数据本地存储，在 LongMemEval 基准测试（RAW 模式）中拿到 96.6% 的史上最高分，GitHub star 已经突破 17k。
当前 AI 记忆方案的核心矛盾是：记忆越多，成本越高，检索越不准。
传统方案要么把所有对话切片做 Embedding 召回（检索不准），要么做总结压缩（丢失信息）。而 MemPalace 把记忆变成了一个可导航的空间结构，用"空间位置"来组织记忆。
MemPalace 的记忆组织方式像一座建筑：
每多一层结构，就缩小一次搜索空间并增强一次语义约束。实测中，这种分层结构相比全局乱搜，检索效率提高了约 34%。
MemPalace 设计了一套记忆堆栈，按重要程度分级加载：
| 层级 | 内容 | Token 消耗 | 加载时机 |
|---|---|---|---|
| L0+L1 | 核心上下文 | 约 170 tokens | 每次对话始终加载 |
| L2 | 房间级召回 | 按需 | 局部补充 |
| L3 | 全局深度搜索 | 按需 | 深度检索 |
逻辑很简单：先用最小成本理解你，不够再局部补充，还不够才全局搜索。
实际效果：对 6 个月、约 1950 万 tokens 的对话数据，MemPalace 平时仅需加载约 170 个 tokens，按需加载也才 13,500 个 tokens。相比传统总结压缩方案（年成本约 507 美元），MemPalace 的年成本仅约 10 美元。
| 测试 | 得分 | 说明 |
|---|---|---|
| LongMemEval (RAW) | 96.6% | 公开可查史上最高分 |
| ConvoMem | 92.9% | 侧重短期记忆 |
| LoCoMo | 100% | 侧重几个月超长记忆 |
pip install mempalacemempalace init ~/projects/myapp这会创建一个存放所有记忆数据的主目录。
根据数据类型，有三种模式：
挖掘项目文件（适用于代码、文档和笔记）：
mempalace mine ~/projects/myapp挖掘对话记录（适用于 Claude、ChatGPT、Slack 导出的聊天记录）：
mempalace mine ~/chats/ --mode convos通用挖掘（自动将内容分类为决策、里程碑、问题等）：
mempalace mine ~/chats/ --mode convos --extract general自动模式（适用于支持 MCP 工具调用的 AI，如 Claude）：
claude mcp add mempalace -- python -m mempalace.mcp_server连接完成后，AI 会自动调用 MemPalace 的检索工具。
手动模式（适用于本地模型）：
加载基础记忆（170 tokens）：
mempalace wake-up > context.txt按需检索：
mempalace search "auth decisions" > results.txt也可以通过 Python API 直接调用：
from mempalace.searcher import search_memories
results = search_memories("auth decisions", palace_path="~/.mempalace/palace")
fact_checker.py 工具，自动做记忆一致性校验