AI Agent 的记忆革命：MemPalace 如何用'宫殿隐喻'重构 LLM 记忆

Sun, 17 May 2026 00:00:00 +0000

金鱼记忆的 AI Agent

用 AI Agent 写代码的人，大概都有过这样的时刻：

你花了三个小时跟 Agent 讨论架构方案，做了十几轮代码迭代，终于把认证模块从 OAuth 1.0 迁移到 OAuth 2.0。第二天打开新会话，Agent 一脸茫然：“请问您想实现什么功能？”

三个小时的上下文，就这么蒸发了。

这不是 Agent 笨——这是记忆系统的根本性缺陷。当前所有主流方案（Mem0、Mastra、Supermemory）都在做同一件事：用 LLM 决定记什么。它们提取事实、生成摘要、压缩上下文，然后把原始对话丢进垃圾桶。

问题在于：当 LLM 提取出"用户喜欢 PostgreSQL"并丢弃原始对话时，它丢失了为什么喜欢、考虑过哪些替代方案、讨论了哪些权衡。

MemPalace 说：别提取了，把原文存下来。

这个反直觉的方案，在 LongMemEval 基准上跑出了 96.6% 的检索召回率——不需要任何 API，不需要云端，不需要 LLM。

一、MemPalace：不只是另一个 RAG

1.1 核心理念

MemPalace 的设计哲学可以用一句话概括：

原始文本 > LLM 提取。简单的事情做对了，比复杂的事情做错了更好。

维度	传统方案（Mem0 等）	MemPalace
存储内容	LLM 提取的事实/摘要	原始对话文本（verbatim）
信息损耗	高（提取过程丢失上下文）	零（原文存储）
检索方式	向量语义搜索	BM25 + 向量 + Closet Boost 混合搜索
LLM 依赖	必须（提取和检索都需要）	可选（核心路径零 API）
隐私性	数据通常上传云端	本地优先，数据不出机器

1.2 灵感来源

MemPalace 的架构灵感来自两个经典方法论：

卢曼卡片笔记法（Zettelkasten）：德国社会学家尼克拉斯·卢曼用小的、交叉引用的索引卡片管理知识。每张卡片是一个原子想法，通过链接形成知识网络。

古希腊记忆宫殿法（Method of Loci）：把需要记忆的内容"放置"在想象中的空间位置，通过"行走"回忆。MemPalace 的 Wings、Rooms、Drawers 就是这个隐喻的代码实现。

二、宫殿架构：四层结构深度剖析

MemPalace 的核心是一个四层递进的存储结构：

graph TD
 A[🏰 Palace 宫殿] --> B[🦋 Wing 翼楼]
 B --> C[🚪 Room 房间]
 C --> D[🗄️ Closet 衣柜]
 D --> E[📄 Drawer 抽屉]
 
 B --> |"人物/项目/主题"| B1["wing_kai
wing_driftwood
wing_auth-system"]
 C --> |"主题/时间段"| C1["auth-migration
graphql-switch
ci-pipeline"]
 D --> |"AAAK压缩索引"| D1["§ W-042/R-11/D-007
@p noah~son.age=6
@e birthday~party"]
 E --> |"原始文本"| E1["完整的对话内容
代码片段
决策记录"]
 
 style A fill:#1e293b,stroke:#22d3ee,color:#e2e8f0
 style B fill:#1e3a5f,stroke:#38bdf8,color:#e2e8f0
 style C fill:#1e3a5f,stroke:#38bdf8,color:#e2e8f0
 style D fill:#1e3a5f,stroke:#38bdf8,color:#e2e8f0
 style E fill:#1e3a5f,stroke:#38bdf8,color:#e2e8f0

2.1 Wing（翼楼）—— 顶层组织单元

每个 Wing 代表一个实体：一个人、一个项目、或一个主题。

wing_kai → 某个人的所有对话
wing_driftwood → 某个项目的所有记录
wing_auth-system → 认证系统相关的所有内容

设计意图：当搜索"Kai 的认证方案"时，可以限定在 wing_kai 范围内搜索，避免其他项目的噪音干扰。

2.2 Room（房间）—— 主题分组

每个 Wing 下有多个 Room，代表具体主题或时间段：

wing_kai/
 ├── room_auth-migration → OAuth 迁移相关
 ├── room_graphql-switch → GraphQL 切换相关
 └── room_ci-pipeline → CI 流水线相关

Room 通常从文件夹结构自动检测，也可以手动创建。

2.3 Closet（衣柜）—— AAAK 压缩索引

这是 MemPalace 最精妙的设计。Closet 是一个压缩的索引层，用一种叫 AAAK 的密集符号语言编写，LLM 可以一眼扫描数千条索引，精确定位到需要的 Drawer。

§ W-042/R-11/D-007  # 定位符：翼楼-042/房间-11/抽屉-007
@p noah~son.age=6~dob=09-12 # 人物：Noah，儿子6岁，生日9月12日
@l glebe-pt-rd.park  # 地点：Glebe Point Road 公园
@e birthday~party(n≈8)  # 事件：生日派对，约8人
@i therizinosaurus~claws  # 兴趣：镰刀龙的爪子
@t 2026-04-14T09:41  # 时间戳
§ ptr → D-007 (verbatim)  # 指针：指向抽屉-007的原始文本

为什么需要 Closet？

直接搜索所有 Drawer 效率太低。Closet 就像图书馆的目录卡片——先看目录，再去找书。LLM 扫描 Closet 可以瞬间知道"关于 Noah 生日的信息在 D-007"，然后直接读取那个 Drawer 的完整内容。

2.4 Drawer（抽屉）—— 原始文本存储

最底层，存储原始对话的完整文本。不做任何摘要、压缩或改写。

Drawer D-007:
 "Noah's birthday party was at the park on Glebe Point Road.
 About 8 kids came. He was really into therizinosaurus claws
 at the time, so the cake had a dinosaur theme..."

2.5 Hall（大厅）—— 概念分类

每个 Wing 内还有隐含的 Hall 分类：

Hall	内容
`hall_facts`	做出的决定、锁定的选择
`hall_events`	会话、里程碑、调试过程
`hall_discoveries`	突破、新洞察
`hall_preferences`	习惯、偏好、观点
`hall_advice`	建议和解决方案

2.6 Tunnel（隧道）—— 跨翼楼连接

当两个 Wing 有相同的 Room 名称时，自动建立 Tunnel 连接：

wing_kai / hall_events / auth-migration → "Kai 调试了 OAuth token refresh"
wing_driftwood / hall_facts / auth-migration → "团队决定迁移到 Clerk"
wing_priya / hall_advice / auth-migration → "Priya 批准了 Clerk 而非 Auth0"

搜索"auth-migration"时，可以通过 Tunnel 找到所有相关 Wing 的内容。

三、核心实现原理

3.1 混合搜索算法

MemPalace 的搜索不是简单的向量检索，而是一个三阶段混合管道：

sequenceDiagram
 participant U as 用户查询
 participant V as 向量搜索引擎
 participant B as BM25 关键词搜索
 participant C as Closet Boost
 participant R as 混合排序器
 participant N as 邻居扩展
 
 U->>V: 语义相似度搜索
 V->>R: 返回 Top-K 候选（cosine distance）
 
 U->>B: 关键词匹配
 B->>R: 返回 BM25 候选（Okapi-BM25）
 
 R->>R: 合并候选集（Union Merge）
 R->>R: 混合排序
score = 0.6 × vector_sim + 0.4 × bm25_norm
 
 R->>C: 查询 Closet 索引
 C->>R: 返回 Boost 信号
boost = [0.40, 0.25, 0.15, 0.08, 0.04]
 R->>R: 应用 Boost
effective_dist = max(0, raw_dist - boost)
 
 R->>N: 对 Top 结果扩展 ±1 邻居
 N->>U: 返回最终结果（含上下文）
 
 Note over U,N: 整个过程零 API 调用，纯本地执行

BM25 实现细节

MemPalace 使用 Okapi-BM25 算法，参数经过精心调优：

# BM25 参数
k1 = 1.5 # 词频饱和度（term-frequency saturation）
b = 0.75 # 长度归一化（length normalization）

# IDF 计算：使用 Lucene/BM25+ 平滑公式
# 避免除零错误，对罕见词给予更高权重
idf = log(1 + (N - n + 0.5) / (n + 0.5))

# 最终分数归一化到 [0, 1]，与向量分数可比较
bm25_norm = (score - min_score) / (max_score - min_score)

Closet Boost 机制

Closet 不是搜索的"门"，而是"助推器"：

CLOSET_RANK_BOOSTS = [0.40, 0.25, 0.15, 0.08, 0.04] # 基于排名的 Boost
CLOSET_DISTANCE_CAP = 1.5 # 距离 > 1.5 的 Closet 信号太弱，忽略

# 有效距离 = max(0, min(2, 原始距离 - boost))
# 效果：匹配 Closet 的 Drawer 被拉到更前面

关键设计决策：Closet 只是排序信号，不是过滤器。即使 Closet 没命中，直接搜索 Drawer 也能找到结果。这避免了"Closet 质量差导致搜不到"的问题。

邻居扩展

当找到一个匹配的 Drawer 时，自动扩展其前后各 1 个 Drawer：

def expand_with_neighbors(drawers_col, matched_doc, matched_meta, radius=1):
 """扩展匹配的 Drawer，包含 ±radius 的兄弟块。"""
 # 解决"对话被切断"的问题
 # 例如：Drawer 5 讨论了方案 A，Drawer 6 讨论了方案 B
 # 搜索"方案 A"时，返回 Drawer 5 + 6，提供完整上下文

BM25-Only 降级方案

当 HNSW 索引损坏时，自动降级到纯 BM25 搜索：

def bm25_only_via_sqlite(query, palace_path, ...):
 """BM25-only 搜索，直接从 chroma.sqlite3 读取。"""
 # 绕过 ChromaDB 的 Python 客户端
 # 使用 ChromaDB 内部的 FTS5 三元组索引
 # 当 HNSW 段损坏或不可加载时自动触发

3.2 知识图谱：时间感知的实体关系

MemPalace 内置了一个时间感知的实体关系图谱，用 SQLite 实现（不是 Neo4j）：

-- 实体表
CREATE TABLE entities (
 id TEXT PRIMARY KEY, -- 规范化名称（小写，下划线）
 name TEXT NOT NULL, -- 原始名称
 type TEXT DEFAULT 'unknown', -- person, project, tool, concept
 properties TEXT DEFAULT '{}', -- JSON 元数据
 created_at TEXT DEFAULT CURRENT_TIMESTAMP
);

-- 关系三元组表
CREATE TABLE triples (
 id TEXT PRIMARY KEY,
 subject TEXT NOT NULL, -- FK → entities.id
 predicate TEXT NOT NULL, -- 关系类型
 object TEXT NOT NULL, -- FK → entities.id
 valid_from TEXT, -- 生效时间
 valid_to TEXT, -- 失效时间（NULL = 仍有效）
 confidence REAL DEFAULT 1.0, -- 置信度
 source_closet TEXT, -- 链接到原始记忆
 source_drawer_id TEXT -- 溯源信息
);

使用示例：

from mempalace.knowledge_graph import KnowledgeGraph

kg = KnowledgeGraph()

# 添加事实（带时间窗口）
kg.add_triple("Kai", "works_on", "Orion", valid_from="2025-06-01")
kg.add_triple("Maya", "assigned_to", "auth-migration", valid_from="2026-01-15")

# 查询：Kai 的所有关系
kg.query_entity("Kai")

# 时间旅行查询：2026年1月的事实
kg.query_entity("Maya", as_of="2026-01-20")

# 时间线：Orion 项目的历史
kg.timeline("Orion")

# 失效旧事实
kg.invalidate("Kai", "works_on", "Orion", ended="2026-03-01")

3.3 Hook 系统：零 Token 的自动保存

MemPalace 的 Hook 系统是零 Token 消耗的自动保存机制：

sequenceDiagram
 participant U as 用户
 participant A as AI Agent
 participant H as Hook 系统
 participant P as Palace 存储
 
 U->>A: 发送消息（第15条）
 A->>A: 正常处理消息
 
 Note over H: Stop Hook 触发
（每15条消息）
 H->>A: 注入提示词：
"保存关键话题/决策/引用到 Palace"
 A->>P: 调用 mempalace_add_drawer
保存本次会话内容
 P-->>A: 确认保存
 A->>U: 继续正常对话
 
 Note over H: PreCompact Hook 触发
（上下文压缩前）
 H->>A: 紧急保存提示：
"上下文即将压缩，保存所有内容"
 A->>P: 批量保存所有未保存内容
 P-->>A: 确认保存
 
 Note over U,P: Hook 是本地 bash 脚本
不消耗 API Token

Hook 配置：

在 .claude/settings.local.json 中配置（详见第六章安装指南）。

性能指标：

Stop Hook 执行时间：< 500ms
PreCompact Hook 执行时间：< 500ms
启动注入（wake-up）：< 100ms
测试规模：150K+ Drawers

四、MCP 工具生态：30 个工具全景

MemPalace 通过 MCP（Model Context Protocol）暴露了 30 个工具，覆盖记忆系统的完整生命周期：

4.1 读取工具（7 个）

工具	功能
`mempalace_status`	宫殿概览：总 Drawer 数、Wing/Room 计数、AAAK 规范
`mempalace_list_wings`	列出所有 Wing 及其 Drawer 数量
`mempalace_list_rooms`	列出指定 Wing 下的 Room
`mempalace_get_taxonomy`	完整的 Wing → Room → Drawer 数量树
`mempalace_search`	语义搜索：返回原始 Drawer 内容 + 相似度分数
`mempalace_check_duplicate`	检查内容是否已存在（阈值 0.85-0.87）
`mempalace_get_aaak_spec`	返回 AAAK 索引规范

4.2 写入工具（6 个）

工具	功能
`mempalace_add_drawer`	将原始内容存入 Palace
`mempalace_delete_drawer`	删除 Drawer（不可逆）
`mempalace_sync`	清理已删除/移动的源文件对应的 Drawer
`mempalace_get_drawer`	获取单个 Drawer 的完整内容
`mempalace_list_drawers`	分页列出 Drawer
`mempalace_update_drawer`	更新 Drawer 内容/元数据

4.3 知识图谱工具（5 个）

工具	功能
`mempalace_kg_query`	查询实体关系（支持时间过滤）
`mempalace_kg_add`	添加事实三元组
`mempalace_kg_invalidate`	标记事实失效
`mempalace_kg_timeline`	实体的时间线
`mempalace_kg_stats`	图谱概览

4.4 导航工具（7 个）

工具	功能
`mempalace_traverse`	从某个 Room 开始遍历，找到跨 Wing 的关联内容
`mempalace_find_tunnels`	找到连接两个 Wing 的 Tunnel
`mempalace_graph_stats`	宫殿图概览：节点、隧道、边、连通性
`mempalace_create_tunnel`	创建跨 Wing 的 Tunnel
`mempalace_list_tunnels`	列出所有 Tunnel
`mempalace_delete_tunnel`	删除 Tunnel
`mempalace_follow_tunnels`	跟踪 Tunnel 到达其他 Wing

4.5 Agent 日记工具（2 个）

工具	功能
`mempalace_diary_write`	写入 Agent 个人日记
`mempalace_diary_read`	读取最近的日记条目

4.6 系统工具（3 个）

工具	功能
`mempalace_hook_settings`	获取/设置自动保存 Hook 行为
`mempalace_memories_filed_away`	检查最近的 Palace 检查点是否已保存
`mempalace_reconnect`	强制重连 Palace 数据库

五、性能基准：96.6% 的真实含义

5.1 LongMemEval 结果

模式	R@5	是否需要 LLM	成本
Raw（纯语义搜索）	96.6%	❌	$0
Hybrid v4（held-out 450题）	98.4%	❌	$0
Hybrid v4 + Haiku rerank	100%	✅ Haiku	~$0.001/次
Hybrid v4 + Sonnet rerank	100%	✅ Sonnet	~$0.003/次

重要说明：

96.6% 是检索召回率（R@5），不是 QA 准确率
100% 的最后 0.6% 是通过检查 3 个特定错误答案达到的（属于"教学生应付考试"）
诚实的泛化数字是 held-out 450 题的 98.4%

5.2 与其他系统对比

系统	分数	指标类型	说明
MemPalace (raw)	96.6%	R@5 召回率	零 API，纯本地
Mastra	94.87%	QA 准确率	不同指标，不可直接比较
Supermemory ASMR	~99%	QA 准确率	实验性，8-12 Agent 集成
Hindsight	91.4%	未验证	需要检查方法论
Mem0	~66.9%	QA 准确率（LoCoMo）	不同基准

关键洞察：Mem0 在 ConvoMem 基准上只有 30-45%，而 MemPalace 是 92.9%——2 倍以上的差距。原因是 Mem0 用 LLM 提取记忆，提取错了记忆就丢了；MemPalace 存原始文本，什么都不丢。

5.3 社区争议

Hacker News 上对 MemPalace 的基准分数有质疑：

100% 分数被揭穿：GitHub issues #27、#29、#39、#125、#242 有详细的揭穿记录
LoCoMo 100% 有问题：使用 top-k=50 超过了会话数量；诚实的 top-10 无 rerank 是 88.9%
名人效应：作者是演员 Milla Jovovich，带来了关注度但也带来了质疑
安全警告：相关域名被发现传播恶意软件（GitHub issue #326）

客观来看：基准分数有水分，但核心理念（原始文本 > LLM 提取）是成立的。96.6% 的 raw 分数仍然很亮眼——不需要任何 API 就能达到这个水平，说明"简单的事情做对了"这个思路是对的。

六、安装与使用指南

6.1 安装

推荐使用 uv 安装（Python 包管理器）：

# 安装 uv（如果没有）
curl -LsSf https://astral.sh/uv/install.sh | sh

# 安装 MemPalace
uv tool install mempalace

# 或者用 pip
pip install mempalace

安装完成后，mempalace CLI 就可以直接使用了。

6.2 初始化与挖掘

# 初始化项目记忆（交互式，会自动检测实体）
mempalace init ~/projects/myapp

# 非交互式初始化（适合脚本）
mempalace init --yes ~/projects/myapp

# 挖掘项目文件
mempalace mine ~/projects/myapp

# 挖掘 Claude Code 会话历史
mempalace mine ~/.claude/projects/ --mode convos

# 挖掘时指定 Wing（按项目分组）
mempalace mine ~/.claude/projects/myapp --mode convos --wing myapp

6.3 搜索模式

MemPalace 提供三种搜索模式，按需选择：

模式	命令	特点
Raw（默认）	`mempalace search "查询内容"`	纯向量语义搜索，零 API，96.6% R@5
Hybrid	`mempalace search --mode hybrid "查询内容"`	BM25 + 向量混合搜索，98.4% R@5
Hybrid + Rerank	`mempalace search --mode hybrid --llm-rerank "查询内容"`	混合搜索 + LLM 重排，≥99% R@5

# 基础语义搜索
mempalace search "为什么选择 GraphQL 而不是 REST"

# 混合搜索（推荐，效果最好）
mempalace search --mode hybrid "OAuth 迁移遇到的问题"

# 限定 Wing 范围搜索
mempalace search --wing myapp "认证方案设计"

# 限定 Room 范围搜索
mempalace search --wing myapp --room auth-migration "token 刷新逻辑"

6.4 配置 Claude Code Hook

在项目的 .claude/settings.local.json 中添加 Hook，实现自动保存：

{
 "hooks": {
 "Stop": [{
 "matcher": "",
 "hooks": [{
 "type": "command",
 "command": "mempalace-hook-stop"
 }]
 }],
 "PreCompact": [{
 "matcher": "",
 "hooks": [{
 "type": "command",
 "command": "mempalace-hook-precompact"
 }]
 }]
 }
}

Stop Hook：每 15 条用户消息自动触发，保存关键内容
PreCompact Hook：上下文压缩前紧急保存，防止记忆丢失

6.5 唤醒上下文

在新会话开始前，用 wake-up 注入历史记忆：

# 自动注入相关历史上下文
mempalace wake-up

执行后，Agent 会自动获得最近的项目记忆，不再"失忆"。

6.6 知识图谱操作

# 查看知识图谱统计
mempalace kg stats

# 通过 Python API 操作
python3 -c "
from mempalace.knowledge_graph import KnowledgeGraph
kg = KnowledgeGraph()
kg.add_triple('Kai', 'works_on', 'Orion', valid_from='2025-06-01')
print(kg.query_entity('Kai'))
"

七、实际应用场景

7.1 代码开发：跨会话的项目记忆

效果：Agent 可以回忆起三个月前讨论的技术选型理由、考虑过的替代方案、以及最终决策的上下文。

7.2 知识管理：个人知识图谱

用知识图谱记录学到的知识和关系，支持时间旅行查询——“这个知识是怎么积累的”。

7.3 团队协作：共享记忆库

每个团队成员有自己的 Wing，通过 Tunnel 连接相关工作。搜索时可以跨 Wing 找到所有相关内容。

7.4 私有化部署：数据不出机器

MemPalace 的本地优先设计特别适合私有化场景：

所有数据存储在本地 SQLite + ChromaDB
核心路径零 API 调用
可选的 LLM rerank 可以用本地模型（Ollama）
适合对数据安全要求高的企业环境

八、启发与未来展望

8.1 AI 记忆系统的设计思路

MemPalace 给我们最大的启发是：

不要让 AI 决定记什么。存原始文本，让搜索算法决定找什么。

这个思路可以应用到很多场景：

代码审查记录：存完整的 diff 和讨论，而不是摘要
需求文档：存原始的用户对话，而不是需求分析师的理解
故障排查：存完整的日志和排查过程，而不是事后总结
会议记录：存原始的发言内容，而不是会议纪要

简单的事情做对了，比复杂的事情做错了更好——这个工程哲学值得每一个系统设计者铭记。

8.2 从搜索到记忆组织

MemPalace 的四层结构（Wing → Room → Closet → Drawer）暗示了一个更大的趋势：

AI 需要的不是更好的搜索，而是更好的记忆组织。

当前的 RAG 系统大多是"扁平"的——所有文档扔进一个向量库，搜索时暴力匹配。MemPalace 的分层结构让搜索可以限定范围，就像在图书馆里先找到对应楼层、对应书架，再找具体那本书。

未来的记忆系统可能会：

自动学习用户的记忆模式（哪些信息关联在一起）
主动推送相关记忆（“你三个月前讨论过类似的问题”）
支持记忆的"遗忘"（过时信息自动降权）

8.3 记忆系统的标准化

当前 AI 记忆系统处于"战国时代"——每个项目都有自己的架构和接口。未来可能会出现：

统一的记忆协议（类似 MCP 之于工具调用）
可互操作的记忆后端（MemPalace 的可插拔后端是好的开始）
记忆交换格式（让不同 Agent 共享记忆）

8.4 记忆的隐私与所有权

MemPalace 的本地优先设计提出了一个重要问题：

AI 的记忆应该归谁所有？

用户的对话记忆应该存储在用户控制的地方
企业内部的知识记忆应该有访问控制
记忆的"删除权"应该被尊重

这不仅是技术问题，更是产品伦理问题。当 AI 越来越了解我们，谁拥有这些"了解"，将成为一个绕不开的议题。

参考资料

MemPalace GitHub: https://github.com/MemPalace/mempalace
官方文档: https://mempalaceofficial.com
LongMemEval 基准: https://github.com/MemPalace/mempalace/tree/main/benchmarks
Hacker News 讨论: https://news.ycombinator.com/item?id=43554262
Mem0 Research: https://mem0.ai/research
Mastra Observational Memory: https://mastra.ai/research/observational-memory
卢曼卡片笔记法: https://zettelkasten.de/

本文基于 MemPalace v3.3.5（2026-05-09）版本分析。项目仍在活跃开发中，部分细节可能随版本更新而变化。

ChromaDB on Yison's Blog