大家好，我是讯享网，很高兴认识大家。这里提供最前沿的Ai技术和互联网信息。



未来已来，只需一句指令，养龙虾专栏导航，持续更新ing…

MemPalace 是由好莱坞演员 Milla Jovovich（《生化危机》《第五元素》主演）与开发者 Ben Sigman 共同开发的本地 AI 记忆管理系统。它解决了传统 AI 对话中"每次新开会话就失忆"的核心痛点。

核心理念：不同于 Mem0、Zep 等系统让 AI 决定"什么值得记住"（往往会丢弃推理过程和上下文），MemPalace 选择存储所有对话原文，通过向量搜索在需要时精准检索。这借鉴了古希腊"记忆宫殿"（Method of Loci）技巧——将信息按空间结构组织，大幅提升检索效率。

---

1. Python 版本要求

检查命令：

python --version # 或 python3 --version 

2. 包管理工具选择

方案 A：uv（强烈推荐）

• 特点：由 Astral 开发的现代 Python 包管理器，速度极快，支持自动 Python 版本管理
• 安装：

curl -LsSf https://astral.sh/uv/install.sh | sh 

• 验证：uv --version

方案 B：pip + venv（传统方案）

• Python 内置，无需额外安装
• 适合习惯传统工作流的用户

3. 系统要求

4. 模型下载说明

首次运行时会自动下载 all-MiniLM-L6-v2 嵌入模型：

• 模型大小：~79MB
• 下载位置：~/.cache/chroma/onnx_models/all-MiniLM-L6-v2/onnx.tar.gz
• 作用：将文本转换为 384 维向量，用于语义相似度搜索

---

方法一：使用 uv（推荐）

# 1. 创建虚拟环境（自动安装 Python 3.11 如果未安装） uv venv --python python3.11 ~/.mempalace-venv # 2. 激活虚拟环境 source ~/.mempalace-venv/bin/activate # 3. 安装 MemPalace uv pip install mempalace # 4. 验证安装 mempalace --help 

uv 的优势：

• 自动处理 Python 版本
• 依赖解析速度比 pip 快 10-100 倍
• 原子化安装，失败自动回滚

方法二：使用 pip + venv

# 1. 创建虚拟环境 python3.11 -m venv ~/.mempalace-venv # 2. 激活虚拟环境 source ~/.mempalace-venv/bin/activate # 3. 升级 pip pip install --upgrade pip # 4. 安装 MemPalace pip install mempalace # 5. 验证安装 mempalace --help 

方法三：全局安装（⚠️ 不推荐）

pip3 install mempalace 

为什么不推荐：会污染系统 Python 环境，可能导致依赖冲突，且不利于后续卸载或版本管理。

---

如果首次运行时下载模型超时，可手动预下载：

# 1. 创建模型缓存目录 mkdir -p ~/.cache/chroma/onnx_models/all-MiniLM-L6-v2 # 2. 下载模型 cd ~/.cache/chroma/onnx_models/all-MiniLM-L6-v2 curl -L -o onnx.tar.gz https://chroma-onnx-models.s3.amazonaws.com/all-MiniLM-L6-v2/onnx.tar.gz # 3. 解压模型 tar -xzf onnx.tar.gz 

---

1. 初始化记忆宫殿

# 激活环境 source ~/.mempalace-venv/bin/activate # 初始化项目（扫描目录结构，创建房间） mempalace init /path/to/your/project 

初始化过程原理：

1. 扫描目录结构：识别项目文件、代码、文档
2. 实体检测：自动识别人名、项目名（如 “Kai”、“Driftwood”）
3. 创建配置文件：
   • ~/.mempalace/config.json：全局配置
   • ~/.mempalace/wing_config.json：翼楼映射
   • ~/.mempalace/identity.txt：身份层（L0）

核心概念解释：

2. 挖掘数据（Mining）

项目文件挖掘：

# 挖掘代码、文档、笔记 mempalace mine /path/to/your/project 

对话记录挖掘：

# 挖掘 Claude、ChatGPT、Slack 导出文件 mempalace mine /path/to/chats --mode convos # 自动分类为决策、里程碑等 mempalace mine /path/to/chats --mode convos --extract general 

三种挖掘模式：

1. projects：代码和文档（按段落分块）
2. convos：对话导出（按问答对分块）
3. general：自动分类为 decisions（决策）、milestones（里程碑）、problems（问题）、preferences（偏好）、emotional context（情感上下文）

3. 搜索记忆

# 基础搜索 mempalace search "为什么我们切换到 GraphQL" # 在特定翼楼搜索 mempalace search "定价讨论" --wing my_app # 在特定房间搜索 mempalace search "定价讨论" --wing my_app --room costs # 查看状态 mempalace status 

4. 唤醒上下文（Wake-up）

# 显示 L0 + L1 唤醒上下文（约 170 tokens） mempalace wake-up # 特定项目的唤醒上下文 mempalace wake-up --wing my_app 

四层记忆栈原理：

成本对比（基于 6 个月对话历史约 1950 万 tokens）：

---

Claude Code（推荐）

方式 1：插件市场安装

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

方式 2：手动 MCP 配置

claude mcp add mempalace – python -m mempalace.mcp_server 

重启 Claude Code，输入 /skills 验证 “mempalace” 是否出现。

其他 MCP 兼容工具（ChatGPT、Cursor、Gemini）

# 通用 MCP 配置命令 claude mcp add mempalace – python -m mempalace.mcp_server 

配置后，AI 可自动调用 19 个 MCP 工具：

读取工具：

• mempalace_status：宫殿概览
• mempalace_list_wings：列出翼楼
• mempalace_list_rooms：列出房间
• mempalace_search：语义搜索
• mempalace_kg_query：知识图谱查询

写入工具：

• mempalace_add_drawer：添加原文
• mempalace_diary_write：写入代理日记

本地模型（Llama、Mistral 等）

方式 1：唤醒命令

mempalace wake-up > context.txt # 将 context.txt 粘贴到本地模型的系统提示中 

方式 2：命令行搜索

mempalace search “auth decisions” > results.txt # 将结果包含在提示词中 

方式 3：Python API

from mempalace.searcher import search_memories

results = search_memories(

"auth decisions", palace_path="~/.mempalace/palace" 

) # 将结果注入本地模型上下文

---

安装后生成的文件结构：

~/.mempalace/ # 全局记忆宫殿 ├── palace.db # SQLite 元数据数据库 ├── chroma/ # ChromaDB 向量数据库 ├── config.json # 全局配置 ├── wing_config.json # 翼楼映射配置 ├── identity.txt # 身份层（L0） └── wings/ # 翼楼目录

├── wing_kai/ # 人物翼楼示例 │ ├── hall_facts/ │ ├── hall_events/ │ ├── hall_discoveries/ │ ├── hall_preferences/ │ └── hall_advice/ └── wing_driftwood/ # 项目翼楼示例 └── ... 

/path/to/your/project/ # 项目目录 ├── mempalace.yaml # 项目特定配置（可选） └── .mempalace_entities.json # 项目实体检测缓存

---

Q: pip: command not found

解决方案：

# 使用 pip3 pip3 install mempalace

# 或安装 uv（推荐） curl -LsSf https://astral.sh/uv/install.sh | sh

Q: Python 版本过低（< 3.9）

解决方案：

# 使用 uv 安装新 Python uv python install 3.11 uv venv –python python3.11 ~/.mempalace-venv 

Q: 下载模型超时

解决方案：手动预下载模型（见上方”预下载模型”部分）

Q: No palace found

解决方案：

# 必须先初始化 mempalace init <dir> # 然后挖掘数据 mempalace mine <dir> 

Q: 如何重置/删除记忆宫殿

解决方案：

# 删除宫殿目录 rm -rf ~/.mempalace/palace # 然后重新初始化 mempalace init <dir> 

Q: Windows 下 Unicode 编码错误（GitHub issue #47）

解决方案：

# Windows PowerShell $env:PYTHONIOENCODING = “utf-8” mempalace init 

Q: ChromaDB 依赖构建失败

解决方案：

# macOS xcode-select –install

# Ubuntu/Debian sudo apt-get install build-essential python3-dev

# 然后重试安装 pip install mempalace

---

基准测试成绩：

与竞品对比：

---

---

根据 Milla Jovovich 和 Ben Sigman 在 2026 年 4 月 7 日的声明：

1. AAAK 压缩是实验性的：目前 LongMemEval 成绩 96.6% 来自 Raw 模式（原文存储），而非 AAAK 压缩模式（84.2%）。AAAK 在大量重复实体场景下才能体现压缩优势。
2. “30x 无损压缩”表述过度：AAAK 是有损缩写系统，通过实体编码和句子截断实现压缩，并非无损压缩。
3. ”+34% 宫殿提升”说明：该数字比较的是无过滤搜索 vs 翼楼+房间元数据过滤，这是 ChromaDB 的标准元数据过滤功能，并非全新的检索机制。
4. 矛盾检测：fact_checker.py 工具存在，但尚未自动集成到知识图谱操作中。

---

总结：MemPalace 是一个真实、可用的开源项目，其核心优势在于本地运行、零 API 成本、原文存储、高检索准确率。96.6% 的 LongMemEval 原始成绩（零 API 调用）是可信的，代表了当前免费本地 AI 记忆系统的最高水平。