MemPalace：免费本地AI记忆系统，GitHub爆火

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。

它解决什么问题

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。

记忆宫殿的结构

MemPalace 的记忆组织方式像一座建筑：

• Palace（宫殿）：包含所有知识的大房间
• Wing（翅膀）：代表一个人或一个项目，每个翅膀是独立空间
• Room（房间）：每间房代表一个具体主题（如认证、计费、部署）
• Hall（走廊）：定义"这段记忆属于哪一类"（如建议、个人偏好、决策）
• Drawer（抽屉）：放原始记录，一字不动完整封存
• Closet（衣柜）：放压缩摘要，为 AI 快速读取准备
• Tunnel（隧道）：不同翅膀出现相同房间时自动打通，连接跨项目同主题信息

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%。

记忆堆栈：按需加载

MemPalace 设计了一套记忆堆栈，按重要程度分级加载：

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。

基准测试成绩

安装与使用

开始前的准备

• Python 3.8+
• 本地存储空间（取决于你的数据量）

第一步：安装 MemPalace

pip install mempalace

第二步：初始化记忆宫殿

mempalace init ~/projects/myapp

这会创建一个存放所有记忆数据的主目录。

第三步：导入数据

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

第四步：连接 AI

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")

注意事项

• 所有数据存储在本地，不上传云端，从源头降低隐私泄露风险
• RAW 模式准确率（96.6%）高于 AAAK 模式（84.2%），想保精度用 RAW，想省 token 用 AAAK
• 未来会上线 fact_checker.py 工具，自动做记忆一致性校验
• 目前实时纠错功能还在集成中

项目链接

• GitHub: https://github.com/milla-jovovich/mempalace