暴涨56.2k Star！生化危机女主开源智能体记忆系统，专治Claude Code、Codex失忆症

最近冲浪刷到很多明星跨界学习 AI 的报道。

歌手胡彦斌通过vibe coding做了一个粉丝社交 App，还顺手改编出一首coding进行曲，「你要的 token 全拿走～」

演员吴倩也在《她的房间》访谈里分享，说自己在拍戏间隙学习人工智能融合专业，两天时间用 AI 做了一个全粉色的俄罗斯方块游戏，里面有排行榜，难度还会逐步上升。

说真的，这种新闻以前看起来多少有点像「明星学新技能」的趣闻。

但现在再看，味道有点不一样了。

因为 AI 编程工具正在把软件创造的门槛往下拉。

以前一个人想做 App、做游戏、做工具，至少要先跨过一整套工程门槛。

现在只要你有一个足够具体的问题，一个足够清晰的想法，再配合 Claude Code、Cursor、Codex 这类编程智能体，很多原本停留在脑子里的东西，真的开始有机会被做出来。

今天要介绍的这个开源项目，也有一位明星参与，而且来头更魔幻一点。她是好莱坞动作巨星 Milla Jovovich，《生化危机》里的 Alice，那个一路拿枪打丧尸、打怪物、打保护伞公司的女演员。

她开源了一个智能体记忆系统MemPalace，这个项目特别火，在 GitHub 上已经收获 56.2k Stars。

MemPalace 不是一个单纯靠明星光环出圈的小玩具。

它真正打中的，是过去一年 Agent 发展里一个特别现实、也特别烦人的问题。

Agent 越来越像真正的数字员工。它能写代码、查资料、改文件、跑测试、做研究、调工具，甚至能连续处理几十步任务。

但有个尴尬的问题始终存在：它很容易失忆。

上一轮对话里决定过的技术方案，下次打开窗口可能就忘了

Claude Code、Cursor、Codex 越用越多，但项目上下文、历史决策、用户偏好、踩坑经验，往往被锁在一段段聊天记录、终端日志和临时文档里。

上下文窗口再长，也不等于真正的记忆。

因为上下文是一次性的，记忆应该是可持续、可检索、可更新、可追溯的。

MemPalace 想解决的，正是这个问题。

它的定位很直接，一个 local-first 的 AI memory 系统。

你可以把它理解成给智能体准备的一座「记忆宫殿」。

它会把你的 AI 对话、项目资料、历史决策、偏好和经验保存下来，再通过语义搜索、结构化层级和知识图谱，让智能体在未来的任务里重新找回这些信息。

此外，MemPalace 在 LongMemEval 的 raw 检索测试中能够做到96.6% R@5，而且整个过程不需要调用外部 API。

• 项目链接

  https://github.com/mempalace/mempalace

MemPalace 这个名字来自一个古老的记忆方法：Memory Palace，也就是“记忆宫殿”。

古希腊演说家为了记住长篇演讲，会在脑中想象一座建筑，把不同的信息放进不同房间。需要回忆时，就像在宫殿里行走一样，沿着空间位置找到对应内容。

MemPalace 把这个隐喻搬到了 AI Agent 记忆系统里。

它的核心架构被组织成一套可导航的层级结构：Wing、Room、Hall、Closet、Drawer、Tunnel。

抽屉（Drawer）是最底层、也是最关键的一层：它保存的是原始文本片段，也就是没有被 LLM 擅自取舍的原文记忆。

隧道（tunnels）实现跨域连接，让 Agent 不只是在一个项目里搜索，也可以发现不同项目之间的共性。

很多记忆系统会使用 LLM 先判断“什么值得记住”，再把对话压缩成几条事实。MemPalace 选择了一条相反路线：先尽可能保存原文，再通过结构和检索让它可用。

MemPalace坚持逐字存储（Verbatim storage）对话历史和项目内容，它不会默认对你的对话做摘要、改写或事实抽取，而是把原始内容作为 Drawer 存入本地记忆库，再用语义搜索把相关内容找回来。

默认后端是 ChromaDB，也支持 sqlite_exact、Qdrant、pgvector 等可插拔后端。对于普通用户来说，本地 ChromaDB 就能跑起来；对于更复杂的团队或服务化场景，也可以接入外部向量数据库。

Local-first 是 MemPalace 的另一个重要特点，整个系统强调隐私——除非用户主动选择，否则所有数据绝不离开本地设备。这在当下数据安全备受关注的时代，无疑是巨大优势。

除了底层存储，MemPalace 还设计了一套 4 层 Memory Stack，让 Agent 不必每次都把所有记忆塞进上下文。

L0 是 Identity，也就是 AI 的身份设定和基本工作关系。

L1 是 Essential Story，从记忆库中提取最重要的历史片段，形成一个压缩版的长期背景。

L2 是按 Wing 或 Room 触发的主题召回，只有当对话涉及某个项目或话题时才加载。

L3 则是完整语义搜索，当用户或 Agent 明确提出问题时，再去整个宫殿里做深度检索。

这套设计的核心并不是追求“把所有东西一次性塞给模型”，而是把记忆访问变成分层调用：常识性背景常驻，具体项目按需召回，复杂问题再深搜。这样既减少 Token 浪费，又避免上下文被无关信息污染。

MemPalace 还内置了一个时间知识图谱，用 SQLite 记录实体之间的关系，支持添加、查询、失效和时间线追踪，让记忆不再是孤立的碎片，而是可导航的动态网络。

MemPalace 支持MCP协议，能够轻松集成至Claude Code、Cursor、ChatGPT等主流AI工具。它提供丰富的MCP工具集、自动保存钩子（hooks）和agents管理功能，确保AI在跨会话时能快速“唤醒”相关记忆。

通过这些设计，MemPalace 不仅仅是一个检索工具，更像是一个为AI量身打造的“第二大脑”，帮助开发者、研究者和普通用户克服AI“健忘症”的顽疾，让长上下文、多项目协作变得高效而可靠。

MemPalace 的安装方式比较直接，官方更推荐使用 uv 安装，因为它会把 mempalace CLI 放进隔离环境里，避免和本机 Python 依赖冲突。

uv tool install mempalace

如果想在虚拟环境里通过 pip 安装，可以这样做：

python -m venv .venvsource .venv/bin/activatepip install mempalace

安装完成后，第一步是初始化你的“记忆宫殿”。

例如你想让 MemPalace 扫描一个项目目录：

mempalace init ~/projects/myapp

也可以在当前项目目录中直接运行：

mempalace init .

初始化时，MemPalace 会扫描项目目录，创建本地配置，并根据目录结构生成初始 Room。

可以把这一步理解成：先给你的记忆宫殿搭好建筑骨架。

第二步是把资料“挖掘”进记忆宫殿。

如果是代码、文档、笔记等项目文件，可以运行：

mempalace mine ~/projects/myapp

如果是 Claude、ChatGPT、Slack 等导出的对话记录，可以使用 convos 模式：

mempalace mine ~/chats/ --mode convos

如果希望在导入对话时自动分类，比如识别决策、偏好、里程碑、问题和情绪上下文，可以加上 general extraction：

mempalace mine ~/chats/ --mode convos --extract general

第三步就是搜索。比如你想问：我们为什么切到 GraphQL？

mempalace search "why did we switch to GraphQL"

MemPalace 会在本地记忆库里做语义搜索，并返回相关的原文片段、所属 Wing、Room、来源文件和相似度信息。

如果你希望在新会话开始时给 Agent 加载一段基础背景，可以使用：

mempalace wake-up

它会加载 L0 和 L1 层的核心上下文，让 AI 在新一轮对话开始时先知道“自己是谁、服务谁、当前有哪些重要项目和关键历史”。

对于 Claude Code、Codex、Cursor 等更完整的工作流，MemPalace 还可以通过 MCP 和 Hook 接入。

完整使用请参考：

https://mempalaceofficial.com/guide/getting-started.html

回过头看，MemPalace 最有意思的地方，不只是它做了一个 Agent 记忆系统。

而是它出现的方式，本身就很有时代感。 

过去，一个演员、音乐人、内容创作者想做一个软件产品，中间隔着很高的工程门槛。你可以有想法，可以有审美，可以有强烈的问题意识，但真正要把它变成一个能跑起来的工具，往往还需要团队、预算、开发周期和一整套技术协作。 

但现在不一样了。

Claude Code、Cursor、Codex 这类编程智能体，正在把“做产品”这件事从少数工程师的专属能力，变成更多人可以参与的创造方式。

胡彦斌可以用 vibe coding 做粉丝社交 App，吴倩可以在拍戏间隙用 AI 做游戏，Milla Jovovich 也可以因为自己被 AI “失忆”问题困扰，参与做出 MemPalace 这样的开源项目。 

这不是简单的明星跨界噱头， 它背后反映的是，AI 正在降低软件创造的门槛，让更多非传统程序员背景的人，也能把自己的真实痛点、行业经验和产品直觉，转化成一个具体工具。