起猛了，在GitHub刷到《生化危機》女主角的項目了！

Milla Jovovich，這位曾飾演愛麗絲的知名女星，最近和程序員老友及Claude一起，合造了一個AI記憶系統(tǒng)。

這個系統(tǒng)歷經(jīng)幾個月打磨，一亮相便在長期記憶基準測試LongMemEval中拿下“公開可查史上最高分”96.6%。

而且發(fā)布即開源，所有人免費可用（注意還是本地可跑）。

當然，比成績更有意思的，還是項目背后的設(shè)計思路：

就像它的代號MemPalace一樣，這個項目以古希臘演說家慣常采用的“記憶宮殿法”為靈感來源，讓AI通過“空間位置”來組織記憶——

Palace是包含所有知識的大房間、不同知識按主題放在不同Rooms中、每間房里儲存著具體的Memories。

想要檢索某樣?xùn)|西，就像在房間里行走，推開一扇扇門一樣。

憑借這種記憶結(jié)構(gòu)，MemPalace的檢索效率相比全局亂搜提高了約34%。

更重要的是，為了解決AI記憶難題，以前人們都在卷“讓AI決定什么更值得記憶”，現(xiàn)在卻不需要了。

用上MemPalace，你與AI進行的每一次對話，全部都能記，跨越幾個月的都行（另一種形式的黑鏡成真？）。

更更有意思的是，他們還專門給AI造了一種縮寫語言AAAK。

用上“記憶宮殿”，檢索提升34%

來看更多MemPalace的信息。

在另一位作者Ben Sigman的形容中，和市面上已有的AI記憶系統(tǒng)相比，MemPalace的獨特之處在于：

一是成績最好，二是工作方式截然不同。

除了在LongMemEval中（RAW模式）拿到史上最高分，它還在ConvoMem（側(cè)重考短期記憶）和LoCoMo（側(cè)重考幾個月超長記憶）上分別斬獲92.9%和100%的好成績。

Ben甩出的部分測評成績?nèi)缦拢ㄈ魏稳司筛鶕?jù)倉庫提供的腳本進行測試）：

需要注意，MemPalace不會將用戶數(shù)據(jù)發(fā)送到云端，所有記憶處理都在本地完成。

這也從源頭上降低了隱私泄露的風(fēng)險——因為不論是對話內(nèi)容的記錄、結(jié)構(gòu)化整理，還是后續(xù)的檢索與調(diào)用，都不依賴遠程服務(wù)器。

不止本地化，MemPalace還用上了“記憶宮殿法”這種類人記憶模式。

和常見的向量數(shù)據(jù)庫方案不同，MemPalace并不是簡單把對話切片、Embedding，然后做相似度召回。

其核心在于，把記憶變成一個可導(dǎo)航的空間結(jié)構(gòu)。

其中Wing（翅膀）代表一個人或一個項目，每一個展出去的翅膀都相當于一個獨立空間。

這個獨立空間中有很多Rooms，每一間Room代表一個具體主題（如認證、計費、部署等），所有信息將按主題歸到不同房間。

連接不同房間的是Halls（走廊），它主要定義“這段記憶屬于哪一類”（如建議、個人偏好、決策等），在主題之外給信息加上各種屬性。

具體內(nèi)容則分成兩層存儲：

抽屜（Drawers）里放原始記錄，所有對話一字不動，完整封存；

衣柜（Closets）則放這些內(nèi)容的壓縮摘要，為AI快速讀取而準備。

而當不同翅膀出現(xiàn)了相同的房間時，MemPalace就會自動打通Tunnels（隧道），以把分散在不同人、不同項目中的同一主題連接起來。

最終，在這套結(jié)構(gòu)下，所有內(nèi)容都可以在記憶宮殿里按路徑查找。

這里作者還搞了兩個實驗驗證了兩件事：

• 第一件：為什么說這種結(jié)構(gòu)能將檢索提升34%？
• 第二件：記憶堆棧如何起作用的？（畢竟不是所有記憶每次都要全部加載）。

關(guān)于結(jié)構(gòu)有多大作用，作者在22000多個真實對話中，直接對比了4種檢索方式的效果：

全局亂搜、先限定在某個翅膀、再加一層走廊、再精確到房間。

結(jié)果發(fā)現(xiàn)，每多一層結(jié)構(gòu)，就相當于縮小一次搜索空間以及增強一次語義約束，所以效果也越來越好。

在作者看來，宮殿結(jié)構(gòu)本身，就是產(chǎn)品。

至于什么時候找、找多少這類效率問題，作者則設(shè)計了一套重要程度由輕到重的記憶堆棧。

其中L0+L1屬于“常駐選手”，總計約170 tokens，會在每一次對話中始終加載，讓AI在“醒來”的那一刻，就已經(jīng)具備最基本的自我認知和用戶上下文。

L2、L3則按需觸發(fā)，前者屬于房間級召回，后者屬于全局深度搜索。

整體邏輯是，先用最小成本理解你，不夠再局部補充，還不夠才全局搜索。

這樣設(shè)計帶來的好處也很直接，不僅單次召回更準，而且長期記憶也更穩(wěn)定了。

而說到長期記憶，作者也直接給MemPalace扔了6個月的對話內(nèi)容，大約有1950萬個tokens。

簡單換算一下，這相當于200～400本書，又或者一個擁有10～30個項目的中型代碼庫。

如此大體量，傳統(tǒng)方法就不指望了（基本無法全部塞進上下文）。

用總結(jié)壓縮的話，通常能壓到65萬tokens，年成本大約507美元（約合人民幣3500多元），不過過程中往往會丟失信息。

而用MemPalace，平時僅需加載約170個tokens，按需加載也才13500個tokens，年成本直接砍到10美元，并且也不犧牲信息細節(jié)。

在這個意義上講，MemPalace確實和傳統(tǒng)記憶系統(tǒng)已經(jīng)不在一個level了。

而MemPalace能做到信息準確的關(guān)鍵，作者也透露了兩點。

一個就是我們開頭提到的AI專屬語言“AAAK”——不需要額外解碼器，主流大模型都可以直接理解。

因為大模型本質(zhì)是“讀token模式”的，廢話越少、關(guān)鍵信息越集中，它反而看得更清楚。

尤其在表達大量重復(fù)實體時，AAAK能明顯壓縮token。

不過作者也說了，LongMemEval上AAAK模式的召回率是84.2%，而RAW模式是96.6%——差了12個多點。

所以，想保精度就老老實實用RAW模式，想省token且能接受一定信息損失再上AAAK。

另一個則是實時糾錯，通過一個叫fact_checker.py的獨立工具實現(xiàn)（集成中）。

未來上線后，遇到前后信息相互矛盾，MemPalace就能在生成結(jié)果前自動做一致性校驗。

當你輸入：Soren完成了身份驗證遷移
MemPalace輸出：身份驗證遷移：任務(wù)歸屬沖突——被分配的人是Maya，不是Soren

而當MemPalace同時把長期記憶和準確性都兼顧下來，也就不難理解作者為什么敢喊出“當前最好的記憶系統(tǒng)”這樣的口號了。

插一嘴，它的Logo也像一個簡易版宮殿：

如何安裝部署？

具體安裝步驟和兩種使用模式如下。

第一步：在終端中運行以下命令，通過pip安裝MemPalace。

pip install mempalace

第二步：初始化世界，創(chuàng)建一個屬于你的記憶宮殿（以下命令會設(shè)置一個存放你所有記憶數(shù)據(jù)的主目錄）。

mempalace init ~/projects/myapp

第三步：挖掘數(shù)據(jù)，把你的項目文件、聊天記錄等喂給MemPalace，讓它建立索引。

根據(jù)數(shù)據(jù)類型，有三種模式可選：

（1）挖掘項目：適用于代碼、文檔和筆記。

mempalace mine ~/projects/myapp

（2）挖掘?qū)υ挘哼m用于Claude、ChatGPT、Slack等導(dǎo)出的聊天記錄。

mempalace mine ~/chats/ —mode convos

（3）通用挖掘：自動將內(nèi)容分類為決策、里程碑、問題等。

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

完成這三步，你的本地記憶宮殿就搭好了，所有數(shù)據(jù)都存儲在本地，不會上傳到云端。

接下來就是如何使用了。

一個是自動模式，適用于支持MCP工具調(diào)用的AI，只需一次連接即可：

claude mcp add mempalace -- python -m mempalace.mcp_server

連接完成后，AI就會自動調(diào)用MemPalace的檢索工具。

另一個是手動增強模式，主要配合本地模型使用。

如果只是平時用用，用以下命令加載基礎(chǔ)記憶即可（觸發(fā)詞，170個tokens）。

mempalace wake-up > context.txt

如果還有更多需求，則可以通過命令行按需檢索相關(guān)記憶，并將結(jié)果手動注入到提示詞中。

mempalace search "auth decisions" > results.txt

這里不想手動的，還可以使用Python API，直接在代碼中完成檢索與注入。

from mempalace.searcher import search_memoriesresults = search_memories("auth decisions", palace_path="~/.mempalace/palace")

天啦擼，在GitHub看見女明星了！

最后簡單介紹下MemPalace的團隊：一個架構(gòu)師+一個程序員+Claude。

架構(gòu)師我們很熟悉，就是開頭提到的女明星Milla Jovovich，她貢獻了很多經(jīng)典熒幕形象。

除了《生化危機》系列中的愛麗絲，她還飾演了知名科幻電影《第五元素》中的外星人leeloo、動作電影《三個火槍手》中的德文特夫人……

wait wait，你是說這樣一位以演員身份示人的女明星，如今卻和AI記憶系統(tǒng)掛上鉤了嗎？

只能說，雖然很反差，但事實確實如此。

而且通過Milla Jovovich的自述，她的這種跨界很早就開始了。

據(jù)悉，她私下一直在做一個大型游戲項目，但過程中遇到的一系列問題，讓她意識到：

如何管理和利用信息，本身可能比項目更重要。

于是她找到了自己相識20多年的老朋友——資深程序員Ben Sigman，決定研究一下這個問題。

直到6個月前，Ben給她講了Claude Cli，于是她很快意識到：

對于一個熱愛寫作的創(chuàng)作者來說，AI已經(jīng)可以把想法直接轉(zhuǎn)化為可運行的系統(tǒng)。

于是“一個架構(gòu)師+一個程序員”的組合就此成形。

在Milla Jovovich看來，當下AI的核心問題在于它只能基于已有信息工作，而真正的創(chuàng)新來自人類的想象力與持續(xù)探索。

也正因如此，她和Ben希望通過開發(fā)MemPalace這樣的系統(tǒng)，可以幫助開發(fā)者更好地利用已有知識，從而創(chuàng)造新的東西。

目前MemPalace在開源社區(qū)的熱度正在飆升中，周二下午17:00看還只有3.3k star，現(xiàn)在已經(jīng)飛漲至17.4k。

而且手快的網(wǎng)友已經(jīng)給它做了一個前端：

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