2026-04-10

一、背景

你与 AI 的每一次对话——每个决策、每次调试、每场架构讨论——都会在会话结束后消失。六个月的日常使用积累了约 1950 万 token，这些内容都随着聊天窗口的关闭而烟消云散，下一次对话你又要从零开始。

MemPalace 提供了一种不同的解法：存储一切，让它变得可检索。它不依赖 LLM 对”值不值得记”做判断，而是将原始对话完整保存在本地 ChromaDB，再通过语义搜索找到你需要的内容。

二、核心思想：记忆宫殿

古希腊演说家用”记忆宫殿”技巧记忆长篇演讲——把每个论点放在想象建筑的房间里，游历建筑即可找到观点。MemPalace 将这一结构映射到 AI 记忆：

结构 含义
Wing（翼） 一个人或项目，例如 wing_kai、wing_myapp
Room（房间） 翼内的具体话题，例如 auth-migration、graphql-switch
Hall（走廊） 同一翼内连接相关房间的通道（记忆类型）
Tunnel（隧道） 跨翼连接同一话题的通道
Closet（壁橱） 指向原始内容的摘要索引
Drawer（抽屉） 原始逐字记录，永不丢失

每个翼都有固定的五类走廊（Hall）：

  • hall_facts — 已做的决定
  • hall_events — 会话、里程碑、调试记录
  • hall_discoveries — 新发现、突破
  • hall_preferences — 习惯、偏好
  • hall_advice — 建议与解决方案

结构带来的检索提升（实测 22,000+ 条记忆）：

全部壁橱搜索：        60.9%  R@10
按 Wing 过滤：        73.1%  (+12%)
按 Wing + Hall 过滤： 84.8%  (+24%)
按 Wing + Room 过滤： 94.8%  (+34%)

三、基准成绩

MemPalace 在 LongMemEval 上取得了迄今最高公开成绩：

模式 LongMemEval R@5 API 调用
原始模式（ChromaDB） 96.6% 零
混合 + Haiku 重排 100%（500/500） 约 500 次

对比付费系统：

系统 LongMemEval R@5 需要 API 费用
MemPalace（混合） 100% 可选 免费
Supermemory ASMR ~99% 是 —
MemPalace（原始） 96.6% 否 免费
Mem0 ~85% 是 $19–249/月
Zep ~85% 是 $25/月起

注意：96.6% 来自原始（raw）模式，而非 AAAK 压缩模式（AAAK 当前在 LongMemEval 上为 84.2%，仍在迭代中）。

四、快速上手

安装

pip install mempalace

初始化与数据导入

# 初始化（设置项目 / 人员信息）
mempalace init ~/projects/myapp

# 导入项目文件（代码、文档、笔记）
mempalace mine ~/projects/myapp

# 导入对话记录（Claude、ChatGPT、Slack 导出）
mempalace mine ~/chats/ --mode convos

# 导入并自动分类（决策、里程碑、问题、情绪等）
mempalace mine ~/chats/ --mode convos --extract general

搜索

mempalace search "为什么我们切换到 GraphQL"
mempalace search "auth 决策" --wing myapp
mempalace search "Clerk 决策" --wing driftwood

查看状态

mempalace status

五、接入 AI 工具（MCP）

Claude Code（推荐）

claude plugin marketplace add milla-jovovich/mempalace
claude plugin install --scope user mempalace

重启后输入 /skills 确认 mempalace 已出现。

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

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

连接后 AI 可使用 19 个 MCP 工具：

宫殿读取

工具 用途
mempalace_status 宫殿概览 + AAAK 规范 + 记忆协议
mempalace_list_wings 列出所有翼
mempalace_list_rooms 列出翼内房间
mempalace_get_taxonomy 完整 Wing→Room→Count 树
mempalace_search 带过滤器的语义搜索
mempalace_check_duplicate 存入前查重
mempalace_get_aaak_spec AAAK 方言参考

宫殿写入

工具 用途
mempalace_add_drawer 存入原始内容
mempalace_delete_drawer 按 ID 删除

知识图谱

工具 用途
mempalace_kg_query 实体关系（含时间过滤）
mempalace_kg_add 添加事实
mempalace_kg_invalidate 标记事实已失效
mempalace_kg_timeline 实体时间线
mempalace_kg_stats 图谱概览

导航

工具 用途
mempalace_traverse 从房间出发跨翼遍历
mempalace_find_tunnels 查找连接两翼的隧道
mempalace_graph_stats 图谱连通性概览

Agent 日记

工具 用途
mempalace_diary_write 写入 AAAK 日记条目
mempalace_diary_read 读取近期日记

本地模型（Llama / Mistral）

# 生成 ~170 token 的上下文摘要，粘贴进本地模型的 system prompt
mempalace wake-up > context.txt

六、记忆层级

层级 内容 大小 时机
L0 身份信息 ~50 token 始终加载
L1 关键事实（团队、项目、偏好） ~120 token（AAAK） 始终加载
L2 房间回溯（近期会话、当前项目） 按需 话题出现时
L3 深度搜索（全部壁橱语义查询） 按需 显式询问时

AI 唤醒时携带 L0 + L1（~170 token），即知晓你的完整世界。搜索仅在需要时触发。

七、自动保存钩子（Claude Code）

{
  "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"}]}]
  }
}
  • Save Hook：每 15 条消息触发一次结构化保存（话题、决策、引用、代码变更），同时刷新关键事实层。
  • PreCompact Hook：上下文压缩前触发，防止窗口缩小时丢失记忆。

八、成本对比

方式 年均 token 消耗 年均费用
粘贴全部历史 1950 万（超出任何上下文窗口） 不可行
LLM 摘要方案 ~65 万 ~$507
MemPalace 唤醒 ~170 token ~$0.70
MemPalace + 5 次搜索 ~13,500 token ~$10

九、总结

MemPalace 的核心价值：

  1. 96.6% 召回率，原始模式下零 API 调用，可复现
  2. 完全本地，数据不离机，无订阅费用
  3. 宫殿结构带来 34% 检索提升，而非单纯全文搜索
  4. 19 个 MCP 工具，AI 自动调用，无需手动操作
  5. 知识图谱支持时间维度查询，追溯历史决策

对于日常大量使用 AI 辅助开发的工程师来说，MemPalace 是目前免费方案中性价比最高的持久记忆选择。

项目地址：https://github.com/milla-jovovich/mempalace