ดาราสาวฮอลลีวูดข้ามสายเปิดตัวโปรเจกต์โอเพนซอร์ส AI ‘MemPalace’: 7,000 ดาวใน 48 ชั่วโมง ข้อมูลทดสอบระบบความจำระยะยาวเผยแพร่

คุณอาจไม่คุ้นชื่อ Milla Jovovich แต่คุณคงเคยดูภาพยนตร์ของเธอแน่นอน ไม่ว่าจะเป็น Alice ในซีรีส์ Resident Evil หรือ Leeloo ใน The Fifth Element เธอได้สร้างภาพลักษณ์คลาสสิกของดาราหญิงแอ็กชันสุดแกร่งในฮอลลีวูด

อย่างไรก็ตาม ในเดือนเมษายน 2026 เธอกลับได้รับความสนใจในรูปแบบที่แตกต่างออกไปโดยสิ้นเชิง: เธอเผยแพร่โปรเจกต์โอเพนซอร์สบน GitHub ชื่อว่า MemPalace โปรเจกต์นี้ได้รับดาว 7,000 ดวงภายใน 48 ชั่วโมง, เกิน 19,000 ดวงในหนึ่งสัปดาห์ และปัจจุบันมียอดดาวสะสมมากกว่า 40,000 ดวงแล้ว

ดาราหญิงแอ็กชันหันมาทำโปรเจกต์ AI แบบโอเพนซอร์ส ความขัดแย้งในตัวนี้ก็สร้างประเด็นได้อยู่แล้ว แล้วตัวโปรเจกต์เองเป็นอย่างไร? พูดอย่างตรงไปตรงมา มันมีทั้งจุดเด่นและจุดด้อยที่ค่อนข้างชัดเจน

01 จุดเริ่มต้นของโปรเจกต์: มาจากปัญหาจริง

Milla อธิบายเหตุผลที่สร้าง MemPalace ในไฟล์ MISSION.md ของโปรเจกต์ เธอใช้ผู้ช่วย AI ชื่อ Lumi ในการทำงานร่วมกันในโปรเจกต์มาเป็นเวลานาน แต่ก็เจอปัญหาที่ผู้ใช้ AI หนักหน่วงทุกคนต้องปวดหัว: เมื่อหน้าต่างบริบทถูกบีบอัด AI ก็จะ “ลืม”

เธอบรรยายว่า ทุกครั้งที่ Lumi “ตื่นขึ้น” มันก็เหมือนเพื่อนร่วมงานใหม่ที่คอยถามซ้ำๆ ว่า “วันนี้เราจะทำอะไรกัน?” แม้ว่าจะได้คุยกับมันลึกซึ้งมาเป็นชั่วโมงแล้วก็ตาม

เธอลองระบบความจำต่างๆ ในตลาดมาแล้ว แต่รู้สึกว่าไม่น่าพอใจ ตามคำพูดของเธอ ระบบเหล่านี้เหมือน “โกดังเปล่า”: คุณยัดข้อมูลจำนวนมากเข้าไป แต่เวลาต้องการจริงๆ กลับหายาก เธอปรารถนาความสามารถในการจำแบบคลุมเครือเป็นพิเศษ นั่นคือความรู้สึกแบบ “เราเคยคุยเรื่องคล้ายๆ กันนี้มาก่อนเหรอ?” ซึ่งการค้นหาด้วยคำหลักแบบดั้งเดิมทำได้ยาก

ดังนั้น เธอจึงร่วมมือกับวิศวกร @bensig เริ่มจากความต้องการจริงของตัวเอง สร้างโปรเจกต์นี้โดยใช้ Claude Code จุดเริ่มต้นนี้ค่อนข้างเป็นไปตามความเป็นจริง ไม่ได้เพื่อตามกระแส AI อย่างมืดบอด

02 MemPalace คืออะไร: ระบบความจำระยะยาวที่รันในเครื่อง

สรุปสั้นๆ ว่า: MemPalace เป็นระบบความจำระยะยาวของ AI ที่รันในเครื่อง กลไกหลักของมันคือการเก็บบทสนทนาและไฟล์โปรเจกต์ของคุณแบบคำต่อคำ จากนั้นทำการค้นคืนผ่านการค้นหาความหมาย

ประเด็นสำคัญคือ: มันยืนกรานเก็บข้อความดั้งเดิม ไม่ทำการสรุปหรือเขียนใหม่ การออกแบบเลือกนี้มีความหมาย ระบบความจำส่วนใหญ่จะบีบอัดเนื้อหาเพื่อประหยัดพื้นที่ ในขณะที่ MemPalance ให้ความสำคัญกับความสมบูรณ์ของข้อมูล สำหรับสถานการณ์การใช้งานส่วนบุคคล พื้นที่ดิสก์มักไม่ใช่ปัญหาคอขวด ความเที่ยงตรงของข้อมูลสำคัญกว่า

โครงสร้างการเก็บข้อมูลของมันได้รับแรงบันดาลใจจากแนวคิด “วังแห่งความจำ”:
* Wing (ปีก): หน่วยระดับบนสุด โดยทั่วไปสอดคล้องกับหนึ่งโปรเจกต์หรือหนึ่งบุคคล
* Room (ห้อง): หัวข้อหรือขอบเขตเฉพาะ เช่น “การย้ายการรับรอง”, “ขั้นตอนการติดตั้ง”
* Closet (ตู้เสื้อผ้า): ดัชนีแบบบีบอัด ชี้ไปยังตำแหน่งของเนื้อหาดั้งเดิม
* Drawer (ลิ้นชัก): ข้อความบทสนทนาดั้งเดิมที่บันทึกแบบคำต่อคำ
* Tunnel (อุโมงค์): ใช้เพื่อสร้างความสัมพันธ์ข้ามปีก หากมีการพูดคุยหัวข้อเดียวกันในโปรเจกต์ที่แตกต่างกัน ชั้นกราฟสามารถเชื่อมโยงพวกมันได้โดยอัตโนมัติ

แรงบันดาลใจของมันมาจากสองวิธีคลาสสิก: หนึ่งคือเทคนิคความจำ “วังแห่งความจำ” ที่ใช้โดยนักพูดชาวกรีกโบราณ สองคือวิธี “บันทึกกล่องบัตร” ของนักสังคมวิทยาชาวเยอรมัน Niklas Luhmann แนวคิดฟังดูสง่างาม แต่แนวคิดที่สง่างามไม่เท่ากับผลลัพธ์จริงที่ยอดเยี่ยม เนื้อหาต่อไปจะแสดงข้อมูลจากการทดสอบจริง

03 สถาปัตยกรรมหลัก: สแต็กความจำสี่ชั้น

นี่คือส่วนที่มีคุณค่าทางวิศวกรรมที่สุดของโปรเจกต์ โปรเจกต์ออกแบบสแต็กความจำแบบโหลดเป็นขั้นตอนสี่ชั้น:
* L0 ชั้นอัตลักษณ์: ประมาณ 50 โทเค็น ใช้เพื่อบอก AI ถึงตัวตนและผู้ที่มันให้บริการ
* L1 ชั้นเรื่องสำคัญ: ประมาณ 500-800 โทเค็น ระบบจะกรอง “ช่วงเวลา” ที่สำคัญที่สุดประมาณ 15 ช่วงจากความจำทั้งหมดโดยอัตโนมัติ และจัดกลุ่มตามห้อง เพื่อใช้เป็นบริบทหลักทุกครั้งที่ปลุก AI
* L2 ชั้นระลึกตามความต้องการ: จะโหลดเนื้อหาของห้องที่เกี่ยวข้องเฉพาะเมื่อบทสนทนาแตะถึงหัวข้อเฉพาะ ประมาณ 200-500 โทเค็น
* L3 ชั้นค้นหาเชิงลึก: การค้นหาความหมายแบบเต็มปริมาณสำหรับคลังความจำทั้งหมด

แนวคิดหลักคือ: ไม่จำเป็นต้องยัดความจำทั้งหมดลงในพรอมต์ครั้งเดียว แค่โหลดตามความต้องการก็พอ การปลุก AI หนึ่งครั้งโดยทั่วไปต้องการเพียง 600-900 โทเค็น ซึ่งประหยัดกว่าการยัดประวัติทั้งหมดเข้าไปมาก

นอกจากนี้ ระบบยังมีวิธีการบีบอัดแบบหนึ่งชื่อว่า “AAAK” Milla กล่าวว่าชื่อนี้ไม่มีความหมายพิเศษ เป็นเพียงมุกภายในระหว่างเธอกับ Lumi เท่านั้น มันจะบีบอัดชื่อคน แนวคิดที่ซ้ำกัน และช่วงเวลาสำคัญให้เป็นบันทึกย่อแบบย่อสุด เก็บไว้ใน Closet เป็นดัชนี ชี้ไปยังเนื้อหาดั้งเดิมใน Drawer คล้ายกับระบบบัตรรายการในห้องสมุด

04 ข้อมูลประสิทธิภาพ: จุดเด่นและจุดอ่อนร้ายแรง

อย่างแรก ความสามารถในการค้นหาความหมายล้วนๆ ของ MemPalace นั้นยอดเยี่ยมจริงๆ ในการทดสอบมาตรฐาน LongMemEval โหมด Raw (การค้นหาความหมายล้วนๆ) ได้อัตราการเรียกคืน R@5 ที่ 96.6% ผลลัพธ์นี้มาจากการค้นคืนเวกเตอร์ ChromaDB ในเครื่องล้วนๆ ไม่จำเป็นต้องเรียกใช้ API หรือมี LLM เข้ามาเกี่ยวข้อง โหมด Hybrid v4 ของมันก็ได้คะแนน 98.4% บนชุดทดสอบที่ไม่เคยเห็นมาก่อนเช่นกัน ซึ่งสามารถทำซ้ำได้

อย่างไรก็ตาม ต่อไปนี้คือส่วนที่ควรค่าแก่การอภิปรายที่สุดของโปรเจกต์นี้ และเป็นจุดอ่อนร้ายแรงหลัก ของมันด้วย: โครงสร้างวังที่โปรเจกต์ภูมิใจนั้น ไม่ได้เพิ่มประสิทธิภาพการค้นคืนเลย กลับสร้างความสูญเสีย

ไฟล์ BENCHMARKS.md ของโปรเจกต์เองบันทึกข้อมูลสำคัญชุดหนึ่ง:
* โหมด Raw (การค้นหาความหมายล้วนๆ): 96.6%
* เปิดใช้งาน Rooms (การกรองเมตาดาต้า): 89.4% (ลดลง 7.2 จุดเปอร์เซ็นต์)
* เปิดใช้งาน AAAK compression: 84.2% (ลดลง 12.4 จุดเปอร์เซ็นต์)

นี่หมายความว่า จุดขายหลักของ MemPalace โครงสร้างวังและการออกแบบชั้นที่ประณีต ในด้านการเพิ่มความแม่นยำในการค้นคืน ปัจจุบันขาดการสนับสนุนจากข้อมูลจริง และอาจส่งผลกระทบในทางลบด้วยซ้ำ คะแนนยอดเยี่ยม 96.6% นั้น มาจากความสามารถในการค้นคืนเวกเตอร์ของ ChromaDB ระดับพื้นฐานเป็นหลัก

นี่ไม่ใช่การปฏิเสธคุณค่าของโครงสร้างวังทั้งหมด จากมุมมองของการจัดระเบียบข้อมูลและการจัดการหลายโปรเจกต์ การแบ่ง Wing และ Room ช่วยในการค้นหาแบบมีขอบเขต แต่หากต้องการความแม่นยำในการค้นคืนแบบบริสุทธิ์ ผู้ใช้จำเป็นต้องรู้ข้อเท็จจริงนี้

05 การบูรณาการกับระบบนิเวศและข้อโต้แย้ง

หากมองข้ามข้อโต้แย้งเรื่องประสิทธิภาพ MemPalace ทำได้ดีในด้านการบูรณาการกับระบบนิเวศ มันให้ MCP Server ที่มีเครื่องมือ 29 ชิ้น ครอบคลุมการค้นคืน กราฟความรู้ การนำทางข้ามปีก ฯลฯ สามารถบูรณาการโดยตรงกับเครื่องมือที่รองรับ MCP เช่น Claude Code, Gemini CLI เป็นต้น Hooks หลังบ้านของมันสามารถเก็บถาวรบทสนทนาได้โดยอัตโนมัติ จากการทดสอบจริงของ Milla แต่ละรอบบทสนทนาสามารถประหยัดต้นทุนการส่งซ้ำได้ประมาณ 1.13 ดอลลาร์

ด้านความเป็นส่วนตัว ข้อมูลทั้งหมดรันในเครื่อง ไม่จำเป็นต้องอัปโหลด ฟังก์ชันหลักก็ไม่จำเป็นต้องใช้คีย์ API ในยุคปัจจุบันที่เครื่องมือ AI ส่วนใหญ่ต้องการข้อมูลขึ้นคลาวด์ จุดนี้ควรค่าแก่การชื่นชม

สุดท้าย ต้องพูดถึงข้อโต้แย้งที่โปรเจกต์ก่อขึ้น หลังจากโปรเจกต์เปิดตัว ปัญหาสองประการในการประชาสัมพันธ์ช่วงแรกก่อให้เกิดการอภิปรายอย่างรุนแรง: หนึ่งคือการอ้างว่าโครงสร้างวังสามารถนำมาซึ่ง “ประสิทธิภาพเพิ่มขึ้น +34%” แต่ผลทดสอบจริงกลับเป็นลบ สองคือการประชาสัมพันธ์ “อัตราการเรียกคืน 100%” บนมาตรฐาน LoCoMo ซึ่งต่อมาถูกยืนยันว่าหลีกเลี่ยงขั้นตอนการค้นคืน

ทีมงานโปรเจกต์หลังจากนั้นผ่านกระบวนการแก้ไขข้อผิดพลาดประมาณ 10 วัน: จากการแก้ตัวในตอนแรก ไปสู่การยอมรับปัญหา ถอนการประชาสัมพันธ์ที่ผิดพลาด เขียนเอกสารใหม่ และเปิดเผยวิธีการทดสอบมาตรฐานและข้อมูลดั้งเดิมทั้งหมด เสริมการทดสอบย้อนหลัง 42 รายการ กระบวนการแก้ไขข้อผิดพลาดอย่างเปิดเผยนี้เอง ก็กลายเป็นส่วนหนึ่งของเรื่องเล่าของโปรเจกต์

โดยสรุป MemPalace เป็นโปรเจกต์ที่มีแนวคิดน่าสนใจ มีจุดเด่นทางวิศวกรรม (เช่น สแต็กความจำสี่ชั้น) แต่มีข้อสงสัยในประสิทธิภาพของสถาปัตยกรรมหลัก สำหรับผู้ใช้ มันคุ้มค่าให้ลองใช้อย่างระมัดระวังในฐานะเครื่องมือทดลอง

อัตราการเรียกคืน 96.6% จากการค้นคืนในเครื่องล้วนๆ แสดงให้เห็นถึงความโดดเด่น ซึ่งสะท้อนถึงข้อได้เปรียบที่ชัดเจนในด้านการให้ความสำคัญกับเครื่องเป็นหลักและการปกป้องความเป็นส่วนตัว ซึ่งมีคุณค่าในเครื่องมือ AI ปัจจุบัน

โปรเจกต์ขับเคลื่อนโดยความต้องการจริงของ Milla ซึ่งทำให้มันน่าเชื่อถือกว่าโปรเจกต์ตามกระแสหลายๆ โปรเจกต์

อย่างไรก็ตาม ปัญหาของมันก็ชัดเจนไม่แพ้กัน

สถาปัตยกรรมวังที่เป็นแกนหลักขาดการสนับสนุนจากข้อมูลทดสอบจริงในด้านประสิทธิภาพการค้นคืน และอาจมีผลกระทบในทางลบด้วยซ้ำ การประชาสัมพันธ์ช่วงแรกของโปรเจกต์ดูเหมือนจะให้คำมั่นสัญญาเกินจริง และความสามารถในการบำรุงรักษาระยะยาวของมัน เนื่องจากทีมงานหลักมีขนาดจำกัด ยังคงเป็นสิ่งที่ไม่รู้

ณ ปัจจุบัน MemPalace ใกล้เคียงกับโปรเจกต์ทดลองที่ให้แรงบันดาลใจ มากกว่าเครื่องมือที่成熟ที่สามารถนำไปใช้ในสภาพแวดล้อมการผลิตได้อย่างมั่นคง

สรุปและคำแนะนำ
* ผู้ใช้ที่ชอบลองของใหม่: หากคุณเป็นผู้ใช้หนักที่ทำงานร่วมกับ AI ชอบลองเทคโนโลยีใหม่ๆ และยอมรับกรณีขอบเขตและความไม่เสถียรบางอย่างได้ คุณสามารถลองใช้เพื่อสำรวจดู
* ผู้ใช้สำหรับการผลิต: หากคุณกำลังมองหาวิธีแก้ปัญหาความจำระยะยาวระดับองค์กรที่มั่นคงและเชื่อถือได้ แนะนำให้ติดตามรอให้โปรเจกต์เติบโตเต็มที่มากขึ้น

เริ่มต้นใช้งานอย่างรวดเร็ว
การติดตั้งและเริ่มต้นใช้งานง่ายมาก:
bash
pip install mempalace
mempalace init ~/projects/myapp
mempalace mine ~/projects/myapp

⚠️ หมายเหตุ: เนื้อหาได้รับการแปลโดย AI และตรวจสอบโดยมนุษย์ หากมีข้อผิดพลาดโปรดแจ้ง

☕ สนับสนุนค่ากาแฟทีมงาน

หากคุณชอบบทความนี้ สามารถสนับสนุนเราได้ผ่าน PromptPay

SCAN TO PAY WITH ANY BANK