MemPalace/mempalace

GitHub Trending (daily) 工具
local-first memory semantic-search open-source cli-tool retrieval chromadb

摘要

MemPalace 是一款本地优先的开源 AI 记忆工具，能够逐字存储对话历史，并通过语义搜索进行检索，在 LongMemEval 上达到 96.6% R@5，无需任何 API 调用或 LLM。它采用可插拔后端架构，提供 CLI 界面，支持 Claude Code、Gemini CLI 以及 MCP 兼容工具。

基准测试最优的开源 AI 记忆系统，而且免费。
查看原文
查看缓存全文

缓存时间: 2026/06/05 14:08

MemPalace/mempalace 源码：https://github.com/MemPalace/mempalace

MemPalace

本地优先的 AI 记忆。逐字存储，可插拔后端，LongMemEval 原始 R@5 96.6%——零 API 调用。

警惕冒牌网站。 MemPalace 没有任何其他官方网站。唯一的官方来源是 本 GitHub 仓库 (https://github.com/MemPalace/mempalace)、PyPI 包 (https://pypi.org/project/mempalace/) 以及 mempalaceofficial.com (https://mempalaceofficial.com) 上的文档。任何其他域名（包括 .tech、.net 或其他 .com 变体）均为冒牌货，可能分发恶意软件。详情和时间线请参阅：docs/HISTORY.md。

Claude Code 会话 30 天后过期，除非连接了自动保存钩子。 阅读这个 → (https://github.com/MemPalace/mempalace/discussions/1388)

需要最短的恢复/设置路径？使用 Claude Code 保留设置清单 (https://mempalaceofficial.com/guide/claude-code-retention.html)。

这是什么

MemPalace 将会话历史存储为逐字文本，并通过语义搜索进行检索。它不会做摘要、提取或改写。索引是结构化的——人物和项目成为翼（wings），话题成为房间（rooms），原始内容存放在**抽屉（drawers）**中——因此搜索可以设定范围，不必在扁平语料库上运行。

检索层是可插拔的。当前默认后端是 ChromaDB；接口定义在 mempalace/backends/base.py 中，可替换其他后端而无需改动系统其余部分。除非你主动选择，否则数据不会离开你的机器。

架构、概念和挖掘流程：mempalaceofficial.com/concepts/the-palace (https://mempalaceofficial.com/concepts/the-palace.html)。

安装

MemPalace 提供了 CLI，因此建议在隔离环境中安装，以避免在 Debian/Ubuntu/Homebrew 的 Python 上出现 PEP 668 错误，并防止 mempalace 的依赖项（chromadb、numpy、grpcio 等）与全局 site-packages 中的其他包冲突。

我们推荐使用 uv (https://docs.astral.sh/uv/)——uv tool install 会将 mempalace CLI 安装在隔离环境中并添加到 PATH：

uv tool install mempalace
mempalace init ~/projects/myapp

如果你更喜欢 pipx (https://pipx.pypa.io/)，使用方式相同：pipx install mempalace。

仅当你在激活的虚拟环境中且明确希望 import mempalace 可用时，才使用普通的 pip：

python -m venv .venv && source .venv/bin/activate
pip install mempalace

快速开始

# 将内容挖掘到宫殿中
mempalace mine ~/projects/myapp                # 项目文件
mempalace mine ~/.claude/projects/ --mode convos  # Claude Code 会话（使用 --wing 按项目限定范围）

# 搜索
mempalace search "为什么我们改用 GraphQL"

# 为新会话加载上下文
mempalace wake-up

有关 Claude Code、Gemini CLI、MCP 兼容工具以及本地模型的使用，请参阅 mempalaceofficial.com/guide/getting-started (https://mempalaceofficial.com/guide/getting-started.html)。

基准测试

下面所有数字均可使用 benchmarks/BENCHMARKS.md 中的命令从本仓库重现。每个问题的完整结果文件已提交在 benchmarks/results_* 目录下。

LongMemEval —— 检索召回率（R@5，500 个问题）：

模式R@5是否需要 LLM
原始（语义搜索，无启发式，无 LLM）96.6%不需要
Hybrid v4，保留 450 个问题（在 50 个开发集上调参，训练时未见）98.4%不需要
Hybrid v4 + LLM 重排序（全部 500 个）≥99%任何有能力的模型

原始 96.6% 无需 API 密钥、无需云端、整个流程无需 LLM。混合管道增加了关键词提升、时间邻近度提升以及偏好模式提取；保留的 98.4% 是诚实的、可泛化的数字。重排序管道使用 LLM 阅读器，从检索到的前 20 个会话中选出最佳候选。它适用于任何有合理能力的模型——我们已经用 Claude Haiku、Claude Sonnet 和通过 Ollama Cloud 的 minimax-m2.7 复现过（不依赖 Anthropic）。原始与重排序之间的差距与模型无关；我们不把“100%”作为头条，因为最后的 0.6% 是通过检查具体错误答案达到的，benchmarks/BENCHMARKS.md 将其标记为“针对测试进行训练”。

其他基准测试（完整结果见 benchmarks/BENCHMARKS.md）：

基准测试指标得分备注
LoCoMo（会话，top-10，无重排序）R@1060.3%1,986 个问题
LoCoMo（hybrid v5，top-10，无重排序）R@1088.9%同一数据集
ConvoMem（所有类别，250 项）平均召回率92.9%每类别 50 项
MemBench（ACL 2025，8,500 项）R@580.3%所有类别

我们刻意不加入与 Mem0、Mastra、Hindsight、Supermemory 或 Zep 的并排比较。这些项目在不同的数据拆分上使用不同的指标，将检索召回率与端到端 QA 准确率并列并非诚实的比较。请参阅每个项目自己的研究页面以了解其公布的数字。

重现所有结果：

git clone https://github.com/MemPalace/mempalace.git
cd mempalace
uv sync --extra dev
# 或：pip install -e ".[dev]"
# 数据集下载命令见 benchmarks/README.md
uv run python benchmarks/longmemeval_bench.py /path/to/longmemeval_s_cleaned.json

知识图谱

MemPalace 包含一个带有效性窗口的时间实体关系图——支持添加、查询、作废、时间线——由本地 SQLite 驱动。用法和工具参考：mempalaceofficial.com/concepts/knowledge-graph (https://mempalaceofficial.com/concepts/knowledge-graph.html)。

MCP 服务器

29 个 MCP 工具涵盖宫殿读取/写入、知识图谱操作、跨翼导航、抽屉管理和代理日记。安装及完整工具列表：mempalaceofficial.com/reference/mcp-tools (https://mempalaceofficial.com/reference/mcp-tools.html)。

代理

每个专业代理在宫殿中拥有自己的翼和日记。运行时可通过 mempalace_list_agents 发现——不会给系统提示增加负担：mempalaceofficial.com/concepts/agents (https://mempalaceofficial.com/concepts/agents.html)。

自动保存钩子

两个 Claude Code 钩子可以定期保存并在上下文压缩前保存：mempalaceofficial.com/guide/hooks (https://mempalaceofficial.com/guide/hooks.html)。如果你时间紧迫，请从 Claude Code 保留设置清单 (https://mempalaceofficial.com/guide/claude-code-retention.html) 开始：连接钩子，备份现有的 JSONL 转录，并用 mempalace mine ~/.claude/projects/ --mode convos 回填它们。要在钩子产生的文件级块之上实现每条消息的召回，请定期运行 mempalace sweep <wing>——它会为每条用户/助手消息存储一个逐字抽屉，幂等且可从中断处恢复。

要求

  • Python 3.9+
  • 一个向量存储后端（默认为 ChromaDB）
  • 约 300 MB 磁盘空间用于嵌入模型。入门 (python -m mempalace.onboarding) 提供 embeddinggemma-300m（多语言，100+ 语言，推荐）或 all-MiniLM-L6-v2（仅英文，约 30 MB）。详情和迁移说明见 mempalace/embedding.py 的文档字符串。核心基准测试路径无需 API 密钥。

文档

  • 快速入门 → mempalaceofficial.com/guide/getting-started (https://mempalaceofficial.com/guide/getting-started.html)
  • CLI 参考 → mempalaceofficial.com/reference/cli (https://mempalaceofficial.com/reference/cli.html)
  • Python API → mempalaceofficial.com/reference/python-api (https://mempalaceofficial.com/reference/python-api.html)
  • 完整基准测试方法 → benchmarks/BENCHMARKS.md
  • 发布说明 → CHANGELOG.md
  • 更正和公开通知 → docs/HISTORY.md

贡献

欢迎 PR。请参阅 CONTRIBUTING.md。

许可证

MIT —— 见 LICENSE。

相似文章

Memdex

Product Hunt

Memdex 将每一次 AI 对话转化为可复用的本地记忆，让用户能够捕捉并重复利用 AI 交互中的洞见。

YourMemory

Product Hunt

<p>通过自剪枝 MCP 记忆，Token 浪费减少 84%</p> <p> <a href="https://www.producthunt.com/products/yourmemory?utm_campaign=producthunt-atom-posts-feed&utm_medium=rss-feed&utm_source=producthunt-atom-posts-feed">讨论</a> | <a href="https://www.producthunt.com/r/p/1128311?app_id=339">链接</a> </p>

rohitg00/agentmemory

GitHub Trending (daily)

agentmemory 是一个开源的持久化记忆层，专为 AI 编程智能体（Claude Code、Cursor、Gemini CLI、Codex CLI 等）设计。它通过知识图谱、置信度评分和混合搜索技术，借助 MCP、Hooks 或 REST API，为智能体提供跨会话的长期记忆能力。该项目基于 iii 引擎构建，无需外部数据库，提供 51 个 MCP 工具。