昨天刷GitHub Trending的时候，一个作者名让我愣了一下——Milla Jovovich。对，就是那个《生化危机》里拿双枪打丧尸的爱丽丝。点进去一看，17K+ Star，LongMemEval 96.6%。我当时脑子里只有一个念头：这世道，演员都卷到AI圈了？
但看完项目介绍，我发现这不是明星玩票。MemPalace是一个正经的AI长期记忆系统，而且思路和其他人不太一样。
先说说这是个啥
MemPalace瞄准的问题很直接：你和AI聊了一个月，它转眼就忘。昨天讨论的架构方案，今天再问，它一脸茫然。传统的做法是向量数据库——把对话切片、Embedding、按相似度召回。但问题也出在这：AI替你做决定了，它觉得”不重要”的信息就直接丢了。
MemPalace的做法是：全量存下来，一字不动。然后用一种类似”记忆宫殿”的空间结构来组织，而不是简单的向量检索。
创始人团队挺有意思——Milla Jovovich负责架构设计，她的程序员老友Ben Sigman写代码，Claude当开发助手。三个人做了六个月。
数据表现怎么样
项目上线几天，GitHub Star从3.3k飙到17.4k，现在还在涨。数字归数字，测试成绩确实让人意外：
| 测试项 | 成绩 |
|---|---|
| LongMemEval（RAW模式） | 96.6% |
| LoCoMo（超长记忆） | 100% |
| ConvoMem（短期记忆） | 92.9% |
LoCoMo测的是数月跨度的记忆召回，MemPalace拿了满分。测试规模是6个月对话，约1950万tokens，相当于200-400本书或10-30个中型代码库的信息量。
检索效率也比全局乱搜提升了约34%。
用了什么技术
核心不是向量数据库，而是空间导航结构。整个系统按”宫殿”的层级来组织：
| 层级 | 作用 |
|---|---|
| Palace（宫殿） | 包含所有知识的顶层空间 |
| Wing（翅膀） | 代表一个人或一个项目，独立空间 |
| Room（房间） | 具体主题，如认证、计费、部署 |
| Hall（走廊） | 定义记忆属性：建议、偏好、决策等 |
| Drawer（抽屉） | 原始记录，一字不动完整封存 |
| Closet（衣柜） | 压缩摘要，供AI快速读取 |
| Tunnel（隧道） | 不同翅膀出现相同主题时，自动打通 |
记忆加载是分层的，不是每次都全量塞给AI：
| 层级 | 内容 | 大小 |
|---|---|---|
| L0+L1（常驻） | AI自我认知+基本用户上下文 | 约170 tokens |
| L2（按需） | 房间级召回，局部补充 | 约13,500 tokens |
| L3（按需） | 全局深度搜索 | 动态 |
AAAK是项目自己搞的一套压缩语言，专为AI设计，主流大模型能直接看懂。原理是压缩重复实体来省Token。
几个让我意外的点
本地优先，数据不上云。 所有处理在本地完成，隐私这块拿捏得死死的。
全量记录，不丢信息。 你和AI的每次对话全部封存，不是AI挑挑拣拣觉得重要的才存。
双模式精度选择。 RAW模式召回率96.6%，追求保真就用这个；AAAK模式召回率84.2%，但省Token，想控制成本可以选。
MCP接入。 连上Claude后，AI会自动调用MemPalace检索工具，不需要你手动操作。
成本极低。 年运行成本约10美元。传统压缩方案要到507美元左右，差了一个数量级。
适合谁用
- 和AI长期协作的开发者，需要AI记住项目背景的
- 对数据隐私敏感，不想把对话传云端的
- 做AI Agent，需要长期记忆支持的团队
- 个人用户，想把几个月的AI对话都留档的
怎么用
安装：
pip install mempalace
初始化：
mempalace init ~/projects/myapp
挖掘项目数据：
mempalace mine ~/projects/myapp
挖掘对话记录：
mempalace mine ~/chats/ --mode convos
接Claude（MCP模式）：
claude mcp add mempalace -- python -m mempalace.mcp_server
手动检索：
mempalace wake-up > context.txt # 加载基础记忆
mempalace search "auth decisions" > results.txt # 按需搜索
和同类对比
| 维度 | MemPalace | 传统向量方案 |
|---|---|---|
| 记忆组织 | 空间导航结构（记忆宫殿） | 切片+Embedding+相似度召回 |
| 信息筛选 | 全量记录 | AI决定”什么值得记” |
| 数据隐私 | 纯本地 | 多依赖云端 |
| 检索方式 | 分层逐级缩小范围 | 全局乱搜或纯语义检索 |
| 年成本 | 约10美元 | 约507美元 |
MemPalace不替你做信息筛选的决定，而是全部存下来，用结构化的方式帮你快速找到需要的。
有啥需要注意的
AAAK模式召回率84.2%，比RAW模式的96.6%低了12个百分点。如果你要查的是关键信息，建议用RAW模式。省Token和保精度之间得做个选择。
fact_checker.py标注为”集成中”，还没完全上线。现在系统不会自动帮你校验记忆之间的一致性，比如同一个任务被记成两个人的，暂时不会自动发现。
另外，检索效率的提升建立在正确分层的基础上。如果你的Wing、Hall、Room分类比较混乱，效果会打折扣。数据挖掘和分类的准确性有一定要求。
相关链接
- GitHub：https://github.com/MemPalace/mempalace
- 安装：pip install mempalace
- 文档：mempalaceofficial.com
MemPalace让我记住的倒不是Milla Jovovich的明星光环，而是它做了一件别人没做的事——不替用户决定什么该记、什么不该记，全量存下来，再用结构化的方式帮你找到。
这个思路在AI记忆领域算是独一份。96.6%的召回率和10美元的年成本，数据上说得通。但好不好用，取决于你的使用场景：如果你需要AI记住半年前的项目决策，它很合适；如果你只是偶尔和AI闲聊几句，可能有点大材小用。
还在手动整理AI对话记录的，可以试下。