《生化危机》女主联手程序员打造AI记忆宫殿，本地开源拿下历史最高分96.6%

项目背景：开源AI记忆系统MemPalace

在GitHub上，一个名为MemPalace的开源项目引起了广泛关注。该项目由知名女演员米拉·乔沃维奇（曾主演《生化危机》系列）与程序员好友及Claude团队共同打造，旨在构建一个高效的AI记忆系统。

经过数月的开发与打磨，该系统在长期记忆基准测试LongMemEval中取得了96.6%的优异成绩，据称是“公开可查的史上最高分”。项目已完全开源，支持本地部署运行。

设计灵感：源自“记忆宫殿法”

MemPalace的核心设计灵感来源于古希腊演说家常用的“记忆宫殿法”。该系统将AI的记忆组织成一个可导航的空间结构：

• 宫殿（Palace）：代表包含所有知识的整体空间。
• 房间（Rooms）：代表不同的知识主题，信息按主题归类存放。
• 记忆（Memories）：存储在具体房间中的信息内容。

用户检索信息的过程，被类比为在宫殿中行走并推开不同的门。据称，这种结构化的记忆方式，相比全局无序搜索，能将检索效率提升约34%。

更重要的是，MemPalance试图改变解决AI记忆难题的思路——不再专注于让AI自行判断哪些信息“值得记忆”，而是致力于完整记录每一次对话，即使是跨越数月的内容也能有效保存和调用。

此外，团队还为AI设计了一种专用的缩写语言AAAK，以优化信息表达。

技术细节：架构与性能

项目另一位作者Ben Sigman指出，MemPalace的独特之处在于其顶尖的性能和与众不同的工作模式。

除了在LongMemEval测试中表现突出，它在侧重短期记忆的ConvoMem测试和侧重超长期记忆的LoCoMo测试中，也分别取得了92.9%和100%的成绩。

核心特性：本地化与隐私保护
MemPalace的所有记忆处理均在本地完成，无需将用户数据上传至云端，这从根源上降低了隐私泄露的风险。

记忆宫殿架构详解
与常见的向量数据库方案不同，MemPalace构建了一个层次化的空间记忆模型：

• 翅膀（Wing）：代表一个人或一个项目，是一个独立的记忆空间。
• 房间（Room）：代表一个具体的主题（如认证、部署）。
• 走廊（Hall）：定义记忆的属性类别（如建议、决策），为信息增加语义维度。
• 存储层：
  • 抽屉（Drawer）：存储原始对话的完整记录。
  • 衣柜（Closet）：存储内容的压缩摘要，供AI快速读取。
• 隧道（Tunnel）：当不同“翅膀”中出现相同主题的“房间”时，系统会自动建立连接，实现跨项目或跨人的主题关联。

效率验证：结构化检索的优势
为了验证架构的有效性，团队在超过22000个真实对话上对比了四种检索方式的精度：

实验表明，每增加一层结构约束（从全局搜索到限定房间），检索精度都有显著提升，证明了“宫殿结构本身即产品”的设计理念。

记忆堆栈：按需加载机制
为了平衡效率与效果，MemPalace设计了一套分层的记忆堆栈：

• L0+L1（约170 tokens）：常驻内存，包含AI的基本自我认知和当前对话上下文，确保AI每次“醒来”都具备基础意识。
• L2（房间级）：按需触发，检索特定主题房间内的记忆。
• L3（全局级）：深度搜索，当前面层级无法满足需求时启动。

这种“最小成本理解，按需逐步深入”的机制，使得系统在保证单次召回准确性的同时，也维持了长期记忆的稳定性。

处理海量记忆的能力
团队用长达6个月、约1950万tokens的对话内容（相当于200-400本书或一个中型代码库）测试了MemPalace。传统方法难以将如此大量的信息全部纳入上下文，而采用总结压缩又会丢失细节。

相比之下，MemPalace日常仅需加载约170个tokens，按需加载峰值约13500个tokens，在极大降低计算成本（据估算年成本可低至10美元）的同时，保持了信息的完整度。

保证准确性的关键

1. AAAK语言
AAAK是一种为AI设计的缩写语言，无需额外解码器，主流大模型可直接理解。它能压缩表达重复实体的token数量，提升效率。但需注意，在LongMemEval测试中，AAAK模式的召回率（84.2%）低于原始文本模式（96.6%）。用户需在精度和效率间做出权衡。

2. 实时纠错（开发中）
通过一个名为fact_checker.py的工具，系统能在输出结果前进行一致性校验，自动发现并提示前后矛盾的信息。

项目标识

MemPalace的Logo设计成了一个简易宫殿的样式：

安装与部署指南

第一步：安装
通过pip安装MemPalace包。
bash
pip install mempalace

第二步：初始化
创建一个记忆宫殿的主目录。
bash
mempalace init ~/projects/myapp

第三步：数据挖掘（建立索引）
根据数据类型选择模式，将资料喂给MemPalace。
* 挖掘项目（适用于代码、文档）：
bash
mempalace mine ~/projects/myapp
* 挖掘对话（适用于聊天记录导出文件）：
bash
mempalace mine ~/chats/ --mode convos
* 通用挖掘（自动分类内容）：
bash
mempalace mine ~/chats/ --mode convos --extract general
完成以上步骤，本地记忆宫殿即搭建完毕。

自动模式：适用于支持 MCP（Model Context Protocol）工具调用的 AI 助手（如 Claude）。通过以下命令建立连接后，AI 即可自动调用 MemPalace 的检索工具。
bash
claude mcp add mempalace -- python -m mempalace.mcp_server

手动增强模式：主要配合本地模型使用。
* 基础使用：运行以下命令加载基础记忆（约 170 个 tokens）。
bash
mempalace wake-up > context.txt
* 按需检索：可通过命令行检索特定记忆，并将结果手动注入提示词。
bash
mempalace search "auth decisions" > results.txt
* 编程集成：也可使用 Python API，在代码中直接完成检索。
python
from mempalace.searcher import search_memories
results = search_memories("auth decisions", palace_path="~/.mempalace/palace")

团队背景：从荧幕到代码

MemPalace 由 一位架构师、一位程序员和 Claude 共同打造。

其中提到的“架构师”正是知名演员 米拉·乔沃维奇（Milla Jovovich）。她因在《生化危机》系列中饰演“爱丽丝”、《第五元素》中饰演“莉露”等经典角色而广为人知。

一位演员为何会与 AI 记忆系统产生关联？这源于她长期的个人兴趣与实践。据其自述，她私下一直在进行一个大型游戏项目，但在过程中深刻意识到：如何有效管理和利用信息，可能比项目本身更为关键。

为此，她找到了相识二十多年的老朋友——资深程序员本·西格曼（Ben Sigman），共同研究这一问题。

大约六个月前，本向她介绍了 Claude 的 CLI 工具，这让她迅速意识到：对于热爱创作的开发者而言，AI 已经能够将想法直接转化为可运行的系统。于是，这个跨界组合正式成形。

在米拉·乔沃维奇看来，当前 AI 的核心局限在于其只能基于已有信息工作，而真正的创新源于人类的想象力与持续探索。因此，她与本希望通过开发 MemPalace，帮助开发者更好地利用既有知识，从而创造新事物。

目前，MemPalace 在开源社区的热度迅速攀升，其 GitHub 星标数在短时间内实现了显著增长。

已有开发者为其创建了前端界面。

项目地址：
https://github.com/milla-jovovich/mempalace

参考链接：
[1] https://x.com/JeremyNguyenPhD/status/2041335795450302916
[2] https://x.com/bensig/status/2041236952998171118

关注“鲸栖”小程序，掌握最新AI资讯