一天一个开源项目（第79篇）：生化危机女主角亲自开源的 AI 记忆系统 MemPalace

引言

"她在银幕上打败了病毒变异的僵尸，现在她要解决 AI 的记忆问题。"

这是"一天一个开源项目"系列的第 79 篇。今天的项目是 MemPalace （GitHub）。

先说一个让人意外的背景：这个项目的联合创始人是米拉·乔沃维奇 （Milla Jovovich）------对，就是《生化危机》里的 Alice，《第五元素》里的 Leeloo，那位打遍全系列丧尸的好莱坞动作女星。她没有技术背景，但长期重度使用 AI 工具，对现有记忆解决方案深感沮丧，于是和加密行业 CEO Ben Sigman 一起，主要借助 Claude Code 花了数月时间把这个项目做了出来。

这本身就是一件值得关注的事：一个非工程师，借助 AI 编程工具，做出了一个 AI 基础设施项目。

然后是产品本身。LLM 本质上是无状态的------每次开启新会话，你的 AI 助手就像第一次见面，不记得上周商量好的技术方案，不知道你偏好 TypeScript，不了解项目背景。对独立开发者来说，每次重建上下文相当于每月白白损失 200-600 欧元的时间成本。

MemPalace 用一个 2000 年前的认知技术来解决这个问题：记忆宫殿（Method of Loci）。古希腊演说家通过将要记的内容"放置"在想象的建筑空间里来增强记忆。MemPalace 将这套空间隐喻转译为 AI 记忆架构：人和项目是"翼廊"（Wings），具体话题是"房间"（Rooms），原始内容住在"抽屉"（Drawers）里。

48k+ Stars，6.3k+ Forks------发布 48 小时内涨到 22k Stars，是近期最受关注的 AI 工具之一。

你将学到什么

• 记忆宫殿隐喻如何映射到 AI 记忆架构
• 4 层渐进式加载：如何用 170 Token 启动完整记忆系统
• 零 LLM 写路径：彻底消除记忆存储的 API 成本
• 时序知识图谱：防止过期信息污染记忆
• MCP 集成：29 个工具如何与 Claude Code 无缝协作
• 独立评测揭示的争议：哪些宣传存在夸大成分

前置知识

• 了解 LLM 上下文窗口的基本限制
• Python 基础（可选）
• 用过 Claude Code、Cursor 或类似 AI 编程助手（有助于理解应用场景）

---

项目背景

它是什么？

MemPalace 是一个本地优先的开源 AI 记忆系统，通过 MCP（Model Context Protocol）协议为 AI 助手提供跨会话持久化记忆能力。

核心设计哲学：

问题：LLM 无状态，每次对话从零开始
          ↓
传统解法：云端记忆服务（Mem0、Zep）
  问题：需要 API Key、数据上云、月费高昂

MemPalace 解法：本地优先
  ✅ 完全离线运行（核心功能无需任何 API Key）
  ✅ 数据留在本地（隐私不上云）
  ✅ 零 LLM 写路径（存储时不调用 AI，零 API 成本）
  ✅ MCP 协议对接主流 AI 助手

关于作者

这个项目有一段颇为有趣的背景：

• Milla Jovovich：好莱坞女演员，以《第五元素》中的 Leeloo 和《生化危机》系列闻名。非技术背景，但长期重度使用 AI 工具，对现有记忆解决方案感到沮丧，于是发起了这个项目
• Ben Sigman：加密货币 / 区块链行业 CEO，技术背景开发者

两人花费数月，主要借助 Claude Code 协作开发，大量代码由 AI 辅助生成------这本身就是对"AI 工具能力上限"的一次公开测试。

项目于 2026 年 4 月 5 日首发，最初放在 Milla 的个人账号，随后迁移至 MemPalace 组织账号。

项目数据

• ⭐ GitHub Stars: 48,500+（发布 48 小时内涨 22k）
• 🍴 Forks: 6,300+
• 📝 Commits: 503+（develop 分支）
• 📄 协议: MIT
• 🌐 语言构成: Python 88.9%、HTML 4.6%、CSS 3.1%、Vue 1.4%
• 📦 PyPI : pip install mempalace

---

主要功能

核心隐喻：记忆宫殿空间结构

MemPalace 最独特的设计是用空间隐喻来组织 AI 记忆：

记忆宫殿（Palace）
└── 翼廊（Wing）     ← 顶层：一个人 / 一个项目 / 一个主题
    └── 房间（Room） ← 二层：具体话题（如 auth、billing、架构设计）
        └── 走廊（Hall） ← 三层：记忆类型分类
            │    facts（事实）/ events（事件）/ decisions（决策）
            │    preferences（偏好）/ emotional（情感）
            ├── 抽屉（Drawer）  ← 原文逐字存储（800 字符块）
            └── 壁橱（Closet）  ← AAAK 压缩摘要版本

隧道（Tunnel）        ← 跨翼廊连接通路（相同 Room 名的快速导航）

这套组织方式并非单纯的比喻，而是有神经科学依据：Method of Loci 技法会激活海马体的位置细胞系统，帮助人类构建更强的记忆关联。MemPalace 的空间隐喻试图为 AI 提供类似的结构化索引。

4 层渐进式加载：170 Token 启动

这是 MemPalace 最值得关注的工程设计------按需加载，极度节省 Token：

L0：身份文件（约 50-100 Token）
    "我是谁，我在哪个项目上工作"
    ↓（需要更多上下文时）

L1：重要度排名前 15 条记忆（约 500-800 Token）
    最近的决策、关键偏好、重要事实
    ↓（需要深入某个话题时）

L2：当前翼廊/房间范围的语义召回
    当前项目相关的记忆，向量检索
    ↓（需要全局搜索时）

L3：全量语义搜索（无上限）
    跨所有翼廊的全库检索

实际对话启动时，只加载 L0（50-100 Token），AI 助手根据对话需要按需深入------这使得日常对话的记忆成本极低。

零 LLM 写路径：存储不花 API 钱

MemPalace 的记忆写入流程完全不调用 LLM：

# 传统 AI 记忆系统（有 API 成本）：
用户说了什么 → 调用 LLM 提取关键信息 → 存储摘要
                    ↑
                花钱 + 慢 + 依赖网络

# MemPalace 的写路径：
用户内容 → 正则规则 + 关键词评分 → 自动分类到 Wing/Room/Hall
         → 原文切块（800 字符 + 100 字符重叠）→ ChromaDB
            ↑
         完全本地，零 API 调用

项目挖掘（mempalace mine）：

# 扫描整个项目目录，按规则自动分类记忆
mempalace mine ~/projects/myapp

# 四优先级分类规则：
# 1. 文件夹名（如 auth/ → auth 房间）
# 2. 文件名（如 billing.md → billing 房间）
# 3. 关键词评分（内容关键词匹配）
# 4. 默认放入 general 房间

时序知识图谱：防止过期信息污染

MemPalace 使用 SQLite 存储实体三元组，并附带有效期时间窗口：

-- 知识图谱结构
CREATE TABLE knowledge_graph (
    subject TEXT,
    predicate TEXT,
    object TEXT,
    valid_from TEXT,  -- ISO 时间戳
    valid_to TEXT,    -- NULL 表示当前有效
    wing TEXT,
    confidence REAL
);

-- 示例条目：
-- ("项目", "使用语言", "TypeScript", "2026-01-01", NULL, "myapp")
-- ("部署方式", "使用平台", "Vercel", "2026-01-01", "2026-03-15", "myapp")
--  ↑ 已过期，2026-03-15 后不再有效

这避免了一个常见问题：三个月前记录的"项目用 Vercel 部署"在你迁移到 AWS 之后还在污染 AI 的上下文。

29 个 MCP 工具：与 Claude Code 无缝集成

# 添加 MCP 服务器到 Claude Code
claude mcp add mempalace -- python -m mempalace.mcp_server

29 个 MCP 工具覆盖：

• 宫殿导航 ：navigate_to_wing、navigate_to_room、隧道跳转
• 记忆读写 ：store_memory、retrieve_memory、search_across_palace
• 知识图谱 ：add_entity、query_relationships、update_fact
• 智能体日记：每个 Agent 独立日记本，记录推理过程
• 自动钩子：session 结束 / pre-compaction 时自动提取并归档关键信息

快速上手

# 安装
pip install mempalace

# 初始化项目记忆
mempalace init ~/projects/myapp

# 扫描并导入项目文件
mempalace mine ~/projects/myapp

# 语义搜索
mempalace search "认证方案"

# 生成当前上下文摘要（适合粘贴到 AI 对话开头）
mempalace wake-up > context.txt

# 集成到 Claude Code（MCP）
claude mcp add mempalace -- python -m mempalace.mcp_server

开发环境：

git clone https://github.com/MemPalace/mempalace.git
cd mempalace
pip install -e ".[dev]"
pytest tests/ -v

---

项目详细剖析

整体架构

┌─────────────────────────────────────────────────────┐
│              MCP 接入层（29 个工具）                 │
│   Claude Code / ChatGPT / Cursor / 任意 MCP 客户端  │
└──────────────────────┬──────────────────────────────┘
                       │
┌──────────────────────▼──────────────────────────────┐
│              记忆编排层（Python）                    │
│  4 层加载控制 / 空间导航 / 自动钩子 / 重要度排序    │
└──────┬────────────────────────────┬─────────────────┘
       │                            │
┌──────▼──────────────┐  ┌──────────▼─────────────────┐
│   向量存储层         │  │    知识图谱层               │
│   ChromaDB           │  │    SQLite                  │
│   Drawers（原文块）  │  │    实体三元组               │
│   语义向量索引       │  │    时序有效期管理           │
└─────────────────────┘  └────────────────────────────┘

AAAK 压缩格式

MemPalace 发明了一种叫 AAAK（Agent Accessible Abbreviated Knowledge）的压缩格式，用于 Closets（壁橱）存储：

原始文本：
"The authentication module uses JWT tokens with a 24-hour expiration.
 Refresh tokens are stored in Redis with a 30-day TTL."

AAAK 压缩后：
"auth: JWT, 24h exp; rfsh tkn: Redis, 30d TTL"

设计理念：任何 LLM 都能原生读取（不是二进制压缩，而是结构化英文缩写）。团队宣称 30 倍压缩率，但独立评测发现：启用 AAAK 后检索质量下降约 12.4%（55 字符硬截断会丢失语义）。

与竞品的差异化

对比维度	MemPalace	Mem0	Zep	Hindsight
部署方式	纯本地	仅云端	仅云端	云 + 本地
定价	免费	$249/月（企业版）	付费	免费 + 付费
写路径 LLM	无（零成本）	有	有	有
记忆组织	空间隐喻（宫殿）	扁平摘要	知识图谱	多策略
LongMemEval 分数	96.6%（存疑，见下文）	49.0%	63.8%	91.4%

值得了解的争议

发布后，独立技术分析揭示了若干值得关注的问题，项目团队基本予以承认：

1. 基准测试的误导性 宣传的 96.6% LongMemEval 分数，实际上只测了 ChromaDB 原始 Embedding 能力------宫殿的空间结构完全没参与评测。启用宫殿特性后：

• 开启 Room 检索：89.4%（下降 7.2 个百分点）
• 开启 AAAK 压缩：84.2%（下降 12.4 个百分点）

2. "30 倍无损压缩"失实 AAAK 的 55 字符硬截断会丢失句子，Token 计数用 len(text)//3 替代真实 Tokenizer，团队后来公开承认并更新了文档。

3. 部分功能未实现 README 提及的"矛盾检测"在 knowledge_graph.py 中完全没有代码实现；"事实核查"模块存在但未集成进主流程。

为什么仍然值得关注？ 这些批评主要针对宣传内容，但核心设计理念是真实有价值的：空间隐喻组织、4 层渐进加载、零 LLM 写路径------这三个设计思路在独立于基准测试数字之外，仍然代表了 AI 记忆架构的一种值得探索的方向。团队在社区质疑后的公开透明态度，也给项目的长期可信度加分。

---

项目地址与资源

官方资源

• 🌟 GitHub : github.com/MemPalace/m...
• 🌐 官网 : www.mempalace.tech
• 📦 PyPI : pip install mempalace

技术参考

• 📊 独立分析报告 : lhl/agentic-memory ANALYSIS-mempalace.md
• 🧠 Method of Loci : 维基百科 - 记忆宫殿技法
• 🔌 MCP 协议 : Model Context Protocol 官方文档

竞品参考

• Mem0 : mem0.ai（最易上手的云端记忆服务）
• Zep : www.getzep.com（企业级知识图谱记忆）
• Hindsight : hindsight.so（SOTA 多策略检索）

---

总结与展望

核心要点

1. 空间隐喻的真正价值：翼廊/房间/抽屉的层次结构不只是比喻，而是一种真实有效的记忆索引组织方式，降低了用户理解和管理 AI 记忆的认知负担
2. 4 层渐进加载：以极低的 Token 成本（170 Token）启动，按需深入------这种渐进式设计思路对所有 Agent 记忆系统都有参考价值
3. 零 LLM 写路径：把存储成本降到零，是本地优先理念的极致体现
4. 时序知识图谱：有效期机制防止历史信息污染当前上下文，是被低估的实用细节
5. "AI 辅助构建 AI 工具"的示范意义：由非工程师借助 Claude Code 主导开发，本身就是一次关于 AI 工具能力边界的公开实验
6. 坦诚的团队态度：面对独立评测揭示的问题，公开承认并修正文档，比许多商业产品更诚实

适合谁使用

• AI 工具重度用户：每天都在重建上下文的独立开发者和创意工作者
• 隐私优先用户：不愿意将工作记忆上传云端的个人和团队
• AI Agent 开发者：需要为 Agent 提供长期记忆基础设施的工程师
• 研究者：研究 AI 记忆架构、持久化记忆设计模式的学者和工程师

值得思考的问题

MemPalace 提出了一个有趣的问题：AI 记忆的组织单位应该是什么？

Mem0 选择"摘要条目"，Zep 选择"知识图谱实体"，MemPalace 选择"空间位置"。没有哪种答案是绝对正确的，但选择空间隐喻有一个深刻的隐含假设：人类使用 AI 的方式，越来越像在一个共同的工作空间里长期协作。当 AI 助手开始有了"我们在 auth 房间讨论过这个"的记忆，人机协作的性质就悄然发生了变化。

---

访问我的个人网站，探索更多实用知识和有趣产品