最近在处理一个老项目的代码时，我突然意识到一个问题：我和 Claude 讨论过这个架构决策，但具体为什么选方案 A 而不是方案 B，完全想不起来了。翻了半天聊天记录，发现那已经是三个月前的对话，早就淹没在无数会话窗口里。

这种「我记得我们聊过，但忘了细节」的场景，相信用过 AI 编程助手的人都懂。每次新开一个对话，AI 就像失忆了一样，之前的讨论、决策、踩过的坑，全部清零。

所以我一直在找一个靠谱的 AI 记忆方案。试了几个现有的工具，要么需要把数据传到云端，要么准确率不够，要么成本太高。直到我发现了 MemPalace。

它解决了什么问题

MemPalace 的核心定位很清晰：让你的 AI 记住你们之间的每一次对话，而且完全本地化、零成本。

它解决的是 AI 助手最大的痛点——会话即焚。你和 Claude、ChatGPT、Cursor 讨论的每一个架构决策、每一个调试过程、每一个被否决的方案，默认情况下都会随着会话结束而消失。六个月的高强度使用，可能积累了近 2000 万 token 的宝贵上下文，但你能用的只有当前窗口里的几千 token。

现有的解决方案主要有两类：

第一类是云端记忆服务，比如 Mem0、Zep。它们帮你存储和检索历史对话，但需要订阅费（$19-249/月），而且你的数据要上传到别人的服务器。

第二类是本地摘要方案，用 LLM 把历史对话总结成关键要点。但问题是，总结会丢失上下文。AI 记住了「你选了 Postgres」，但忘了「当时为什么没选 MySQL」的具体讨论过程。

MemPalace 走了第三条路：本地存储 + 原始文本检索 + 结构化组织。

我的使用场景

我实际用 MemPalace 跑了一周，说几个让我印象深刻的场景。

场景一：找回三个月前的架构决策

我最近在重构一个微服务模块，隐约记得之前和 Claude 讨论过接口设计。用 MemPalace 搜索「为什么用 REST 而不是 gRPC」，直接返回了当时的完整对话片段：

> "Chose REST over gRPC because the team is more familiar with HTTP semantics, and we don't need the streaming capabilities yet. Decided 2025-11-03."

不只是结论，还有当时的推理过程。这让我避免了一次重复讨论——之前我们确实考虑过 gRPC，但基于团队熟悉度和需求优先级否决了。

场景二：跨项目的经验复用

我同时在维护三个项目。上周在 Project A 里解决了一个关于 JWT 刷新 token 的边界 case，这周在 Project B 又遇到了类似问题。

MemPalace 的「宫殿结构」允许我给不同项目分配不同的 wing（翼楼）。搜索「JWT refresh」时，它不仅能找到当前项目的结果，还能提示我：「你在 Project A 的 auth-migration 房间有过相关讨论，要看看吗？」

这种跨项目的知识关联，是简单的关键词搜索做不到的。

场景三：零成本的事实核查

团队里有人问我：「当时是谁决定用 Clerk 做认证的？」

我直接用 MemPalace 搜索「Clerk decision」，得到：

> "Kai recommended Clerk over Auth0 — pricing + developer experience. Team agreed 2026-01-15. Maya handling the migration."

有决策人、有对比理由、有时间点。而且整个查询过程没有调用任何 LLM API，纯本地的向量检索，成本为 0。

为什么它能做到 96.6% 的准确率

MemPalace 在 LongMemEval 基准测试上拿到了 96.6% 的 R@5 分数，这是目前公开的最高分，而且是零 API 调用的情况下实现的。

它的设计有几个关键差异点：

1. 原始文本存储，不做 LLM 摘要

其他方案倾向于用 LLM 提取「关键记忆」，但 MemPalace 选择存储完整的对话原文。这意味着你检索到的是当时的原话，而不是被压缩后的二手信息。

2. 宫殿结构：Wing → Room → Closet → Drawer

这是 MemPalace 最有意思的设计。它借鉴了古希腊的「记忆宫殿」技巧：

这种结构化的组织方式，让检索准确率比无过滤搜索提升了 34%。当你搜索「auth」相关的内容时，MemPalace 知道该去哪个翼楼、哪个房间找，而不是在全量文本里盲目匹配。

3. 四层记忆栈

MemPalace 把记忆分成四层加载：

这意味着 AI 每次「醒来」只需要加载约 170 token 就能了解你的世界，需要时才去搜索更多内容。

局限和适用边界

当然，MemPalace 也不是万能的。

首先，它需要前置的数据整理。你需要把历史对话导出、整理成特定格式，然后用 ​​mempalace mine​​ 命令导入。对于已经有大量分散聊天记录的用户，这个整理成本不低。

其次，它是为「回顾」设计的，不是为「实时学习」。它擅长回答「我们之前是怎么决定的」，但不擅长让 AI 在对话中实时记住你刚说的偏好。后者还是需要依赖 AI 产品本身的记忆功能。

最后，AAAK 压缩方案还在实验阶段。虽然作者宣传了 30x 压缩的概念，但实际测试显示在小文本上反而会增加 token 数，且会降低检索准确率。目前建议用 raw 模式。

总结

MemPalace 给我最大的启发是：AI 记忆不一定要靠 LLM 总结，好的结构化组织 + 向量检索，可以在零成本的情况下达到很高的准确率。

https://github.com/milla-jovovich/mempalace

PaperAgent开源社区上线啦（持续更新）：
https://docs.qq.com/aio/DUFpMUmNNamZQS3VH

本文转载自​​PaperAGI​​  作者：Paper小AI