MemPalace
MemPalace/mempalaceMemPalace — открытая система памяти для AI-агентов с verbatim-хранением истории диалогов, семантическим поиском и подключаемыми бэкендами. Поддерживает 29 MCP-инструментов, граф знаний на SQLite и интеграцию с Claude Code. Без API-ключей, всё локально.
Подключение
pip install mempalaceREADME
[!CAUTION] Внимание: мошенничество. Единственные официальные источники MemPalace — этот репозиторий на GitHub, пакет на PyPI и документация на сайте mempalaceofficial.com. Любой другой домен — включая
mempalace.tech— является самозванцем и может распространять вредоносное ПО. Подробности и хронология: docs/HISTORY.md.
MemPalace
Локальная AI-память. Verbatim-хранение, подключаемый бэкенд, 96.6% R@5 на LongMemEval — без единого API-вызова.
[![][version-shield]][release-link] [![][python-shield]][python-link] [![][license-shield]][license-link] [![][discord-shield]][discord-link]
Что это такое
MemPalace сохраняет историю диалогов в виде verbatim-текста и извлекает её с помощью семантического поиска. Система не суммаризирует, не извлекает сущности и не перефразирует. Индекс структурирован: люди и проекты становятся крыльями (wings), темы — комнатами (rooms), а исходный контент хранится в ящиках (drawers) — поэтому поиск можно ограничивать областью, а не запускать по плоскому корпусу.
Слой извлечения подключаемый. Текущий бэкенд по умолчанию — ChromaDB; интерфейс определён в mempalace/backends/base.py, альтернативные бэкенды подключаются без изменения остальной системы.
Ничего не покидает ваш компьютер, если вы явно не разрешите это.
Архитектура, концепции и процессы майнинга: mempalaceofficial.com/concepts/the-palace.
Установка
pip install mempalace
mempalace init ~/projects/myappБыстрый старт
# Загрузить контент в palace
mempalace mine ~/projects/myapp # файлы проекта
mempalace mine ~/.claude/projects/ --mode convos # сессии Claude Code (ограничьте через --wing для каждого проекта)
# Поиск
mempalace search "why did we switch to GraphQL"
# Загрузить контекст для новой сессии
mempalace wake-upДля Claude Code, Gemini CLI, MCP-совместимых инструментов и локальных моделей см. mempalaceofficial.com/guide/getting-started.
Бенчмарки
Все приведённые числа воспроизводимы из этого репозитория с помощью команд из benchmarks/BENCHMARKS.md. Полные файлы результатов по каждому вопросу зафиксированы в benchmarks/results_*.
LongMemEval — точность извлечения (R@5, 500 вопросов):
| Режим | R@5 | Требуется LLM |
|---|---|---|
| Raw (семантический поиск, без эвристик, без LLM) | 96.6% | Нет |
| Hybrid v4, held-out 450q (настроен на 50 dev, не использовался при обучении) | 98.4% | Нет |
| Hybrid v4 + LLM rerank (полные 500) | ≥99% | Любая достаточно мощная модель |
Результат 96.6% raw не требует API-ключа, облака и LLM ни на одном этапе. Гибридный пайплайн добавляет keyword boosting, temporal-proximity boosting и извлечение паттернов предпочтений; held-out результат 98.4% — честная обобщаемая цифра.
Пайплайн с rerank выбирает лучшего кандидата из топ-20 извлечённых сессий с помощью LLM-ридера. Работает с любой достаточно мощной моделью — воспроизведено с Claude Haiku, Claude Sonnet и minimax-m2.7 через Ollama Cloud (зависимость от Anthropic отсутствует). Разрыв между raw и reranked не зависит от модели; мы не публикуем цифру «100%», потому что последние 0.6% были получены путём анализа конкретных неверных ответов, что benchmarks/BENCHMARKS.md квалифицирует как переобучение под тест.
Другие бенчмарки (полные результаты в benchmarks/BENCHMARKS.md):
| Бенчмарк | Метрика | Результат | Примечания |
|---|---|---|---|
| LoCoMo (session, top-10, без rerank) | R@10 | 60.3% | 1 986 вопросов |
| LoCoMo (hybrid v5, top-10, без rerank) | R@10 | 88.9% | Тот же набор |
| ConvoMem (все категории, 250 элементов) | Avg recall | 92.9% | 50 на категорию |
| MemBench (ACL 2025, 8 500 элементов) | R@5 | 80.3% | Все категории |
Мы намеренно не включаем сравнение с Mem0, Mastra, Hindsight, Supermemory или Zep. Эти проекты публикуют разные метрики на разных сплитах, и сопоставление точности извлечения с end-to-end QA accuracy не является честным сравнением. Актуальные цифры смотрите на страницах исследований каждого проекта.
Воспроизведение всех результатов:
git clone https://github.com/MemPalace/mempalace.git
cd mempalace
pip install -e ".[dev]"
# см. benchmarks/README.md для команд загрузки датасетов
python benchmarks/longmemeval_bench.py /path/to/longmemeval_s_cleaned.jsonГраф знаний
MemPalace включает темпоральный граф сущностей и связей с окнами валидности — добавление, запрос, инвалидация, таймлайн — на основе локального SQLite. Использование и справочник по инструментам: mempalaceofficial.com/concepts/knowledge-graph.
MCP-сервер
29 MCP-инструментов охватывают чтение/запись palace, операции с графом знаний, навигацию между крыльями, управление ящиками и дневники агентов. Установка и полный список инструментов: mempalaceofficial.com/reference/mcp-tools.
Агенты
Каждый специализированный агент получает собственное крыло и дневник в palace.
Обнаруживаются во время выполнения через mempalace_list_agents — без раздувания системного промпта:
mempalaceofficial.com/concepts/agents.
Хуки автосохранения
Два хука Claude Code сохраняют данные периодически и перед сжатием контекста: mempalaceofficial.com/guide/hooks.
Требования
- Python 3.9+
- Бэкенд векторного хранилища (ChromaDB по умолчанию)
- ~300 МБ на диске для модели эмбеддингов по умолчанию
API-ключ для основного пути бенчмарков не требуется.
Документация
- Начало работы → mempalaceofficial.com/guide/getting-started
- Справочник CLI → mempalaceofficial.com/reference/cli
- Python API → mempalaceofficial.com/reference/python-api
- MCP-инструменты → mempalaceofficial.com/reference/mcp-tools
- Концепции → mempalaceofficial.com/concepts/the-palace