# 什么是MemPalace？米拉·乔沃维奇的AI记忆系统在LongMemEval评估中获得满分 MemPalace是由米拉·乔沃维奇和本·西格曼开发的开源AI记忆系统。它采用虚拟记忆宫殿技术，实现无损、本地化的长期记忆检索，并在LongMemEval评估中取得100%满分。本文将详解其基准测试、配置方法和功能特性。 Canonical URL: https://a2a-mcp.org/blog/what-is-mempalace-zh Language: zh Published: 2026-04-07 Updated: 2026-04-07 ## 关键要点 - **MemPalace** 是一个免费、开源、具备代理能力的记忆系统，它借鉴了古老记忆宫殿（轨迹法）的灵感，采用虚拟**记忆宫殿**架构，为AI模型提供持久、结构化且无损的长期记忆。 - 由演员米拉·乔沃维奇和工程师本·西格曼开发，该系统在行业标准的**LongMemEval**基准测试中取得了**100%混合**评分和最高的原始结果。 - 完全本地化且优先离线运行：使用ChromaDB、SQLite和文件系统在您的机器上运行——无需云端服务，没有API成本，数据绝不外传。 - 采用分层组织结构（厢房、房间、大厅、隧道、橱柜、抽屉），并结合**AAAK**无损压缩技术，效率提升高达30倍，同时保持内容完全可读。 - 基准测试分析显示，其在召回准确性和成本方面均优于Mem0、Zep等付费工具。 - 社区和早期用户反馈强调，它对于面临AI“健忘症”的开发人员、团队和本地LLM用户极具成效。 ## 什么是MemPalace？ MemPalace是一个创新的AI记忆系统，旨在解决大型语言模型在上下文窗口重置后遗忘先前对话、决策和项目细节的持久性问题。它不依赖有损摘要或昂贵的云存储，而是构建了一个结构化的虚拟**记忆宫殿**，所有信息均以原始状态存储并可即时检索。 该项目于2026年4月初发布，在GitHub上（仓库milla-jovovich/mempalace）完全开源。它直接借鉴了古典记忆宫殿（轨迹法）技术，将空间组织原则应用于数字知识管理。 基准测试表明，MemPalace在LongMemEval上取得了已公布的最高分，使其成为构建或使用长期运行的AI代理和应用程序的理想解决方案。 ## 起源与灵感 米拉·乔沃维奇在经历AI工具丢失关键细节（尽管进行了细致的归档）的挫折后，开发了其核心架构。她从古希腊演说家和现代记忆冠军使用空间记忆技术回忆大量信息的历史记载中汲取灵感，构想出一个为AI设计的“虚拟记忆宫殿”。 与技术联合创始人为本·西格曼合作，团队创建了一个将数据组织成熟悉空间隐喻的系统：不同**厢房**对应项目或人物，**房间**对应主题，**大厅**对应决策类型等。这种方法利用了大脑在空间导航方面的天然优势，同时为AI检索提供了实用的框架。 其结果是构建了一个无需摘要损失即可存储一切的系统，使得检索比单纯的关键词或平面向量搜索更加直观和准确。 ## MemPalace 的工作原理 MemPalace 在一个多层记忆栈中结合了分层空间结构、语义搜索和高效压缩： - **挖掘阶段**：自动导入聊天记录、代码项目、Slack 历史或其他数据源，并将其分类到宫殿结构中。 - **AAAK 压缩**：一种定制的无损格式可显著减少令牌数量（例如，从 1,000 个令牌减少到约 120 个），同时仍能完全被人类和任何 LLM 读取——无需特殊解码器。 - **宫殿架构**： - **侧翼**：高级类别（项目、人员） - **房间**：特定主题或对话 - **厅堂**：事实或事件类型（决策、事件） - **隧道**：元素之间的交叉引用 - **壁橱/抽屉**：压缩摘要和原始逐字文件 - **存储与检索**：使用 ChromaDB 处理向量嵌入，SQLite 处理时序知识图谱（包含事实的有效期窗口），本地文件系统处理原始数据。检索应用分层过滤以提高精度。 - **集成**：支持 MCP（模型上下文协议），可与 Claude 或 ChatGPT 无缝使用，并提供 Python/CLI 直接访问以支持本地模型如 Ollama。 此设计确保零数据丢失，并支持语义和结构化查询。 ## 主要功能与技术细节 - **无损且高效**：高达 30 倍的压缩率；完整历史可装入极小的唤醒上下文。 - **分层过滤**：显著提升检索效果（基准测试显示侧翼 + 房间过滤带来增益）。 - **时序知识图谱**：追踪实体关系及随时间的变化，支持历史和矛盾感知查询。 - **离线优先**：仅一个依赖项；完全本地运行，无重复成本。 + **MCP 工具**：内置代理工具，包括搜索、图谱查询等。 + **专业支持**：为团队或复杂项目提供领域特定的侧翼和自动保存功能。 ## 基准测试与性能 根据已发布结果，MemPalace 树立了新标准： - **LongMemEval**：发布的最高原始分数，混合模式下达到 100%。 - 它在多个商业记忆系统中表现更优，同时保持完全免费和本地化。 对比显示，在准确性、隐私和成本方面，MemPalace 相较于需要 API 调用或订阅的工具具有明显优势。分层方法对精度的贡献，超越了单独使用原始嵌入的可测量范围。 ## 开始使用 MemPalace 通过 CLI 进行安装和基本使用非常直接： ```bash pip install mempalace mempalace init ~/my-palace mempalace mine ~/projects --mode projects mempalace mine ~/chats --mode convos mempalace search "decision details" mempalace status ``` 如需集成 Claude，请添加 MCP 服务器。本地 LLM 用户可直接生成唤醒上下文。代码仓库提供完整的文档和示例。 ## 高级技巧与使用场景 - **团队记忆**：将共享的沟通历史挖掘至专属的“宫殿侧翼”，实现组织层面的一致记忆留存。 - **自定义配置**：调整侧翼映射规则，支持代码库或个人的自动分类归档。 - **知识图谱查询**：运用时间感知查询功能，实现基于时间线的信息检索。 - **海量规模**：可高效处理数百万级Token，性能无衰减。 - **混合工作流**：与本地模型结合，实现极低的持续运营成本。 为长期运行的智能体开发者和管理复杂项目的团队提供结构化、可检索的记忆系统，其价值最为显著。 ## 常见问题与解决方案 - **初始索引耗时**：大规模数据集需要时间挖掘——建议从目标文件夹开始逐步构建。 - **检索精度优化**：采用层级化过滤策略替代原始搜索，以获得最佳结果。 - **AAAK适应性**：模型可即时适配新记忆结构，必要时可为人类用户提供简短使用指南。 - **事实更新维护**：在知识图谱中设置信息有效期，避免提供过时内容。 即使对可视化技能要求不高，该系统仍保持稳健——因为检索核心基于数据库驱动。 ## 结语 MemPalace通过融合古老的空间记忆原理与现代本地优先技术，实现了AI记忆管理领域的重大突破。它提供无与伦比的记忆准确度、完整的隐私保护与零持续成本。 立即访问官方GitHub仓库 github.com/milla-jovovich/mempalace 探索项目。安装MemPalace，建造您的第一座虚拟记忆宫殿，为您的AI赋予期待已久的持久记忆能力。可靠、私密的AI上下文管理未来，由此开启。