Mempalace

MemPalace — AI 记忆宫殿系统

概述

MemPalace 是一个基于「记忆宫殿」（Method of Loci）原理构建的 AI 长期记忆系统，核心理念是存储一切，让结构使其可检索。它不需要 AI 来决定什么值得记忆——所有对话、所有代码、所有决策过程都原样保存，通过层级化的物理结构（wings / halls / rooms / closets / drawers）实现精准检索。

一句话定位：史上测评分数最高的 AI 记忆系统，且完全免费、离线运行。

核心架构：Palace Structure

MemPalace 借用了古希腊演说家用「记忆宫殿」背诵演讲稿的方法，将信息按层级结构组织：

层级含义
Wing（翼）按人物或项目划分，每个项目/每个人都有独立的 wing
Hall（厅）记忆类型（如决策、偏好、里程碑、问题）
Room（房间）特定主题，一个 wing 下的不同主题房间
Closet（柜子）属于某个 room，内含总结（未来还有 AAAK 编码内容）
Drawer（抽屉）closet 内部，存放原始 verbatim 文件

这种层级结构本身就能带来 +34% 的检索提升——不需要任何 LLM 判断，纯粹靠结构分类就能改善检索效果。

架构设计经历了 6 个版本的迭代（Palace v1 → Wings v3 → Hybrid v5），从最初的 34.2% 逐步提升到 96.6%（raw）和 100%（+ rerank）。

AAAK Dialect — 30 倍无损压缩

AAAK（A Lossless All-purpose Abstractive Keystroke-shorthand）是一种专为 AI agent 设计无损简写方言：

  • 30 倍无损压缩，不丢失任何信息
  • 设计初衷是给 AI 快速阅读，不是给人类阅读
  • 无需解码器，无需微调，无需云端 API
  • 任何能读取文本的模型都能用（Claude、GPT、Gemini、Llama、Mistral）
  • 完全离线运行

未来版本中，closet 将直接使用 AAAK 编码，大幅减少存储占用和 AI 读取时间。

核心洞察：Raw Verbatim Text > Extracted Memory

这是 MemPalace 最重要的发现，也是它与其他所有记忆系统的根本区别：

其他系统（Mem0、Mastra、Supermemory）都假设「需要 AI 来决定什么值得记住」，然后提取、摘要、丢弃其余内容。MemPalace 直接存原始文本，用 ChromaDB 默认 embeddings 搜索，零提取，零摘要，零 LLM 判断。

为什么这更有效？

当一个 LLM 提取出「用户偏好 PostgreSQL」时，它丢弃了：

  • 为什么讨论过 PostgreSQL
  • 考虑过哪些替代方案
  • 权衡过程和反对意见
  • 最终决策的具体背景

MemPalace 把这些全部保留，搜索模型能找到它们。

核心 Benchmark 数据

LongMemEval R@5（行业标准基准）

模式R@5是否需要 LLM查询成本
MemPal raw（纯本地）96.6%❌ 无需$0
MemPal Hybrid v4 + Haiku rerank100%✅ 可选（Haiku）~$0.001/次
Supermemory ASMR~99%✅ 是—
Mastra94.87%✅ GPT-5-mini—
Hind sight91.4%✅ Gemini-3—
Supermemory（生产版）~85%✅ 是—
Mem0 (RAG)30–45%✅ 是—
Gemini（长上下文）70–82%——

LoCoMo Benchmark

系统得分说明
MemPal + Sonnet rerank100%所有 5 类问题达 100%
MemPal（纯本地）92.9%verbatim + 语义搜索
Gemini（长上下文）70–82%全量历史在 context window
Block extraction57–71%LLM 处理过的块
Mem0 (RAG)30–45%LLM 提取的记忆

MemPalace 在 LoCoMo 上比 Mem0 高出 2 倍以上。

与其他系统对比

系统核心方法LLM 依赖本地化主要弱点
MemPalace纯原文存储 + 层级结构❌（raw 模式无需）✅ 完全本地新兴项目，生态待成熟
Mem0LLM 提取 facts 并存储✅ 必须❌ 需要云端提取错误=记忆丢失
MastraGPT-5-mini 观察对话✅ 必须❌闭源依赖
SupermemoryLLM agentic 搜索✅ 必须❌生产版仅 85%

MemPalace 的 raw 模式是目前已发布的 LongMemEval 最高分方案，同时不需要任何 API key、不需要云端、不需要任何 LLM 介入。

本地化与隐私

  • 100% 本地运行：ChromaDB local + AAAK 压缩，零云端调用
  • 无订阅：免费永久使用
  • 开源：GitHub 公开
  • 完全离线：基础模式不需要任何外部 API
  • 数据全在本地，没有任何第三方访问

使用方式

# 安装
pip install mempalace
 
# 初始化
mempalace init ~/projects/myapp
 
# 挖掘数据
mempalace mine ~/projects/myapp          # 代码/文档
mempalace mine ~/chats/ --mode convos   # 对话
mempalace mine ~/chats/ --mode convos --extract general  # 自动分类
 
# 搜索
mempalace search "为什么我们切换到 GraphQL"
 
# MCP Server（接入 Claude Desktop）
claude mcp add mempalace -- python -m mempalace.mcp_server

接入 MCP 后，Claude Desktop 自动获得 19 个工具，直接提问即可：

「上个月关于认证我们做了什么决定？」

Claude 自动调用 mempalace_search，返回 verbatim 结果并回答。

成本对比

方案加载 Token 数年度成本
粘贴全部历史19.5M（装不下）不可能
LLM 摘要~650K~$507/年
MemPalace wake-up~170 tokens~$0.70/年
MemPalace + 5 次搜索~13,500 tokens~$10/年

版本演进

版本架构R@10关键创新
Palace v1全局 LLM 路由34.2%失败：分类不匹配
Wings v1WHERE 过滤58.0%说话人过滤丢弃证据
Palace v23 rooms84.8%索引时即分配 room
Wings v2概念 closet75.6%按类别路由
Wings v3说话人私有 closet85.7%对抗测试 92.8%
Hybrid v5bge-large hybrid88.9%比 All-MiniLM 高 3.5pp
Hybrid v5 + Sonnettop-50 rerank100%结构保证

与 Wiki 中其他主题的关系

  • RLM（Recurrent Language Models）：MemPalace 不是 RLM，而是一个外部记忆层，可与任何 LLM 配合
  • LCM（Long Context Models）：与 LCM 不同——LCM 用更长的 context window，MemPalace 用外部存储 + 精准检索，效率更高（170 tokens vs 70-82% recall）
  • llm-wiki：作为 AI 记忆基础设施，MemPalace 可能是 llm-wiki 系统中值得引用的技术选项

待验证声明

以下数据来自 GitHub README 和 benchmarks 文档，尚未经独立验证：

  1. LongMemEval R@5 raw 96.6%（无 LLM）
  2. Hybrid v4 + Haiku rerank 达到 100%
  3. LoCoMo 比 Mem0 高 2 倍
  4. AAAK 30 倍无损压缩
  5. 纯本地模式零 API 调用

arXiv 论文（标题：「Raw Text Beats Extracted Memory: A Zero-API Baseline for Conversational Memory Retrieval」）尚未正式发表，需关注 GitHub 仓库更新。

链接

参见

  • [[mempalace-memory-system]] — MemPalace 概念页：架构详解（Palace Structure、Wings v3、AAAK）、benchmark 数据、与 Supermemory/LCM 对比
  • [[lossless-context-management]] — LCM：确定性双状态记忆架构
  • [[lcm-vs-supermemory-comparison]] — LCM vs Supermemory vs MemPalace：三种记忆架构详细对比
  • [[llm-agents]] — LLM 智能体

摘要生成时间：2026-04-07