知识库
MD 状态：评估中 更新：2026/6/9
工具库 Python AI记忆系统 MCP ⭐⭐⭐

MemPalace

[!info] 知识库定位 这是一篇 工具评估 / 使用笔记，重点回答”它值不值得用、怎么用、什么时候不用”。 底层概念链接到 related_concepts；真实项目落地链接到 used_in_projects。

MemPalace 是一个 本地优先的 AI 记忆系统，将对话历史以原文逐字存储，通过语义搜索检索，核心路径不需要 LLM API，LongMemEval 基准测试 R@5 达 96.6%。

为什么需要它

LLM 的核心限制：上下文窗口有上限，会话结束记忆消失。每次新对话都要重新解释背景，跨项目的知识无法复用。

现有记忆方案的问题：大多数（mem0、Zep 等）会摘要或提取对话内容——信息在压缩中丢失。MemPalace 的核心差异：逐字原文存储，不总结、不提取、不转述，检索时拿到的是真实发生过的一段对话，而不是 AI 猜测的摘要。

适合需要跨会话、跨项目精确回忆过往对话的开发者和知识工作者。

核心优势

  • 逐字原文存储（Verbatim）：不对内容做摘要或提取，保留完整原文。检索结果就是真实说过的话，不是 AI 的二手转述
  • 零 API 核心路径：纯语义搜索 R@5 达 96.6%（LongMemEval），不需要任何 LLM API Key，完全本地运行
  • 结构化索引（宫殿隐喻）：人和项目 → wings（翼），主题 → rooms（室），原文内容 → drawers（屉）。检索时可按范围限定，不用跑全量搜索
  • 可插拔后端：默认 ChromaDB，可切换 SQLite Exact / Qdrant / pgvector，后端接口开放（mempalace/backends/base.py）
  • 29 个 MCP 工具：作为 MCP Server 接入 Claude Code / Gemini CLI 等，覆盖读取、写入、知识图谱、跨翼导航
  • 时序知识图谱：带有效期窗口的实体-关系图（SQLite），支持增删查和时间线回溯

性能表现

MemPalace 是目前开源 AI 记忆系统中 benchmark 最透明 的一个，所有结果可在仓库内复现。

LongMemEval（500 问，R@5）

模式R@5需要 LLM
Raw（纯语义搜索）96.6%❌ 不需要
Hybrid v4（held-out 450q）98.4%❌ 不需要
Hybrid v4 + LLM rerank（500q）≥99%✅ 任意模型即可

其他基准

基准指标得分备注
LoCoMo（session, top-10）R@1060.3% → 88.9%（hybrid v5）1,986 问
ConvoMem（250 项）Avg recall92.9%5 类各 50 项
MemBench（ACL 2025, 8,500 项）R@580.3%全类别

官方刻意不做与 mem0 / supermemory / Zep 的横向对比表，理由是各家指标体系不同，放在一起不公平。这种态度比直接贴”吊打竞品”的表格更可信。

快速上手

安装

# 推荐：uv 工具安装（自动隔离环境，避免 PEP 668 冲突）
uv tool install mempalace

# 或 pipx
pipx install mempalace

# 或 pip（需在虚拟环境中）
python -m venv .venv && source .venv/bin/activate
pip install mempalace

# Docker 方式
docker build -t mempalace .
docker run -i --rm -v mempalace-data:/data mempalace

最小示例

# 初始化宫殿
mempalace init ~/projects/myapp

# 导入项目文件
mempalace mine ~/projects/myapp

# 导入 Claude Code 会话记录
mempalace mine ~/.claude/projects/ --mode convos

# 语义搜索
mempalace search "why did we switch to GraphQL"

# 新会话前加载上下文
mempalace wake-up

配置要点

  1. 后端选择：默认 ChromaDB（零配置）。切换用 --backend sqlite_exact / qdrant / pgvector
  2. 嵌入模型：onboarding 时可选 embeddinggemma-300m（多语言，推荐）或 all-MiniLM-L6-v2（仅英文，30MB）
  3. Claude Code 集成：通过 MCP Server 接入，在 settings.json 中配置 stdio 连接
  4. 自动保存 Hook：两个 Claude Code Hook 实现定期保存和上下文压缩前保存
  5. 命名空间隔离：Qdrant / pgvector 后端支持租户级命名空间隔离

Claude Code MCP 配置

{
  "mcpServers": {
    "mempalace": {
      "command": "docker",
      "args": ["run", "-i", "--rm", "-v", "mempalace-data:/data", "mempalace"]
    }
  }
}

适用场景

适合：

  • Claude Code 重度用户：有大量项目会话记录需要跨会话检索——MCP 工具 + Hook 自动保存，开箱即用
  • 隐私敏感场景：完全本地运行，默认不走任何外部 API，数据不出机器
  • 精确回忆需求：需要”当时到底说了什么”的逐字原文，而不是模糊的摘要
  • 多 Agent 环境：每个 Agent 有独立的 wing 和 diary，运行时通过 mempalace_list_agents 发现
  • 需要 benchmark 验证：所有基准可复现，适合对数据敏感的技术选型

不适合：

  • 需要跨设备同步：本地优先架构，没有内置云同步（需自行用 Qdrant/pgvector 外部后端解决）
  • 轻量记忆需求：如果只需要 Claude Code 简单的 CLAUDE.md 记忆，MemPalace 太重了
  • 非技术用户：CLI 工具，需要命令行和 Python 环境，无 GUI
  • 需要摘要型记忆：如果你的场景是”帮我把长对话压缩成要点”，MemPalace 不是这个定位（它只存原文）

已知坑 & 注意事项

[!warning] README 与代码库不一致（#27, 39 评论, Open） GitHub 上最高评论数的 open issue 指出 README 中的多项声明与实际代码存在差距。虽然项目迭代快、积极修复中，但说明 文档可能超前于实现，评估时以实际运行为准。

[!warning] 多语言嵌入模型支持不完善（#442, 27 评论, Open） 默认的 all-MiniLM-L6-v2 仅支持英文。embeddinggemma-300m 号称多语言但中文效果未明确验证。对中文用户来说，检索精度可能打折。

[!warning] HNSW 图损坏 & PreCompact 死锁（#976, 已修复） 曾出现 ChromaDB 底层 HNSW 索引损坏和上下文压缩前 Hook 死锁的 bug，已在后续版本修复。但说明底层存储层在极端情况下不够健壮。

  • 项目极年轻：2026-04-05 创建，仅 2 个月历史，55k stars 增速惊人但意味着大量用户在测而非在生产用
  • 586 个 Open Issues：2 个月积累 586 个未关闭 issue，说明社区活跃但问题也不少
  • Ingest 不完全幂等（#1628）：部分 miner 重新运行时会覆盖而非追加，正在修复中
  • LanceDB 后端尚未完成（#574）：目前可用后端为 ChromaDB / SQLite Exact / Qdrant / pgvector
  • 冒牌网站警告：官方明确提醒有仿冒域名分发恶意软件，只认 GitHub / PyPI / mempalaceofficial.com

竞品对比

维度MemPalacemem0supermemoryclaude-mem
存储方式逐字原文摘要 + 提取摘要型文本追加
需要 API Key❌ 核心不需要✅ 依赖 LLM 提取✅❌
本地运行✅ 默认本地部分支持✅✅
Benchmark透明可复现有但不透明较少无
MCP 工具29 个有有无
知识图谱✅ 时序 ER 图✅❌❌
上手难度中（CLI + 配置）中低极低
Stars55k~25k~10k~5k
项目年龄2 个月~1.5 年~1 年~1 年
稳定性⚠️ 早期较稳定一般稳定

选择建议：

  • 要精确回忆（逐字原文）+ 隐私优先 → MemPalace（核心路径零 API）
  • 要跨平台多 LLM 统一记忆 → mem0（生态更成熟，支持更多 LLM）
  • Claude Code 用户想要最简单的记忆持久化 → claude-mem（零配置，直接装）
  • 想快速评估 AI 记忆系统能力 → MemPalace 的 benchmark 可复现，适合做技术验证

生态 & 社区

  • 维护状态：极其活跃。最近 push 2026-06-08（昨天），迭代速度快
  • Stars 增速：55k stars / 2 个月，开源 AI 项目中的现象级增长
  • 文档质量：较好。有独立文档站 mempalaceofficial.com，README 结构清晰，但存在 #27 指出的文档超前问题
  • 周边生态：Claude Code Hook、MCP Server、Docker 支持、Hermes Agent 集成（#1684 进行中）
  • 社区活跃度：Discord + GitHub Issues，响应积极，但 586 open issues 说明排雷压力也大

引入评估

维度评分（/5）备注
上手难度3安装简单（uv tool install），但概念多（wing/room/drawer），CLI 参数不少
文档完善度4独立文档站 + CLI 参考 + Python API 文档，但 README 与代码有差距（#27）
社区活跃555k stars / 2 个月，极速迭代，Discord 活跃
性能5benchmark 透明、可复现、结果领先
稳定性2仅 2 个月历史，586 open issues，曾出现 HNSW 损坏和死锁
综合⭐⭐⭐特定场景适用

结论：观望 — MemPalace 在技术层面极具吸引力：逐字原文存储、零 API 核心路径、透明可复现的 benchmark、29 个 MCP 工具。但两个现实问题限制当前推荐度：(1) 项目仅 2 个月，586 个 open issues，有高赞 issue 质疑 README 与代码库不一致；(2) 多语言嵌入模型支持不完善，中文场景效果待验证。建议等 v4.x 稳定后、多语言模型支持落地（#442）再引入。目前可以先用其 benchmark 方法论评估你自己的记忆需求。

推荐引入版本：暂不推荐特定版本，建议观望至多语言嵌入模型支持落地后

相关链接

前置知识：RAG · 向量数据库 · MCP · 语义搜索 · 知识图谱 竞品：mem0 · supermemory · claude-mem · agentmemory 底层概念：嵌入模型 · HNSW · ChromaDB 使用场景：Claude Code · AI Agent

个人备注

{留白，供后续补充实际使用心得}

出站链接

关联笔记