MemPalace

MemPalace 快速入门

一句话卖点:给AI Agent装上”长期记忆”——跨会话自动记住关键信息，下次对话不用重新解释，兼容20+ Agent平台。

这是什么?适合谁?

MemPalace 是一个为 AI Agent 设计的持久化记忆系统。它的核心价值在于：让 AI Agent 在跨会话（不同对话、不同日期）之间保持「记忆」，不再每次对话都从零开始。工作原理是：自动捕获会话中的关键信息 → 向量化存储 → 下次会话自动检索相关记忆注入上下文。

技术上，MemPalace 使用向量数据库存储记忆片段，每次 Agent 会话结束后自动提取关键决策、用户偏好、项目进度等信息。下次新会话开始时，MemPalace 检索最相关的历史记忆并注入到 Agent 的上下文中，让 Agent 「记得上次聊到哪儿了」。兼容 20+ Agent 平台（包括 Claude Code、Cursor、Copilot、LangChain Agent、AutoGPT 等），GitHub 52K+ stars。

与 Goldfish 等同类记忆工具相比，MemPalace 的特点是：(1) 更广泛的平台兼容性（20+ vs 部分工具只支持1-2个）；(2) 自动化的记忆提取（不需要手动标记哪些内容要记住）；(3) 开源免费（MIT 协议）。Goldfish 更侧重于让 Agent 「像人一样记住对话历史」，MemPalace 更侧重于「跨工具跨平台的统一记忆层」。

适合谁：重度 AI Agent 用户（每天多次会话且需要连续性）、使用多个 AI 平台的开发者、需要 Agent 记住长期项目进度的团队。不适合：偶尔使用 AI 的轻度用户（记忆需求不强）、对数据隐私要求极高的场景（记忆会存储在向量数据库中）。

准备工作

1. 至少一个 AI Agent 平台（Claude Code / Cursor / LangChain 等）；
2. Node.js 18+ 或 Python 3.10+ 环境；
3. 一个向量数据库（MemPalace 默认支持 ChromaDB，也可用 Pinecone / Weaviate / Qdrant）；
4. 了解你的 Agent 平台的扩展/插件机制（用于接入 MemPalace）。

3步快速上手

第1步: 安装 MemPalace

推荐通过 pip 或 npm 安装:

# Python 版本
pip install mempalace

# 或 Node.js 版本
npm install -g mempalace

安装后初始化配置:

mempalace init

会生成 mempalace.config.yaml 配置文件，选择你的向量数据库（默认 ChromaDB 本地模式无需额外配置）。

第2步: 连接你的 Agent 平台

以 Claude Code 为例，将 MemPalace 注册为 MCP 服务器:

// .claude/mcp.json
{
  "mcpServers": {
    "mempalace": {
      "command": "mempalace",
      "args": ["serve", "--mcp"]
    }
  }
}

对于其他平台（Cursor / LangChain / AutoGPT），参考 MemPalace 集成文档。重启 Agent 后，MemPalace 自动开始捕获会话记忆。

第3步: 验证跨会话记忆

会话 1: 在 Claude Code 中:

“我正在开发一个电商项目，后端用 Go，前端用 React，数据库用 PostgreSQL。帮我设计订单表结构。”

Claude Code 回答后，MemPalace 自动捕获关键信息（项目技术栈、订单表设计决策）。

会话 2: 第二天新开会话:

“继续昨天的项目，给订单表加一个退款状态字段。”

Agent 会自动从 MemPalace 检索昨天的记忆，知道你在做什么项目、用什么技术栈、表结构长什么样，无缝继续。

常见踩坑

1. 向量数据库没有启动:MemPalace 依赖向量数据库，如果 ChromaDB 没启动会静默失败。首次使用前检查 mempalace status；
2. 记忆冗余过多:默认会捕获所有会话信息，几天后记忆库可能堆积数万条。建议配置 relevance_threshold 过滤低价值记忆；
3. 跨平台记忆冲突:在 Claude Code 中说的「这个项目」和 Cursor 中说的「这个项目」MemPalace 无法自动关联，需要手动添加 project_id 标签；
4. 敏感信息泄露风险:Agent 会话中的 API Key、密码等敏感信息也可能被存入记忆库。务必在配置中加上 sensitive_patterns 过滤规则；
5. 记忆检索延迟:大型记忆库（10万+ 条）检索可能需要 1-3 秒，影响 Agent 响应速度。定期清理过期/不相关记忆；
6. 平台兼容性差异:20+ 平台中有些集成较深（Claude Code / LangChain）、有些较浅（Cursor / Copilot），浅集成的平台可能只支持基础记忆读写。

初级用法

• 记住用户偏好:Agent 自动记住你喜欢的代码风格、命名规范、技术栈偏好；
• 跨会话项目连续性:周一讨论了架构设计，周三继续开发时 Agent 自动加载周一的决策；
• Bug 修复历史:Agent 记住你之前的 Bug 修复过程，类似问题出现时直接引用之前的方案；
• 学习路径追踪:Agent 记下你的学习进度，下次推荐适合当前水平的内容。

高级玩法

• 多 Agent 记忆共享:在 LangChain 多 Agent 系统中，不同 Agent 共享同一份记忆库，协作时信息同步；
• 记忆分类和标签:为不同类型的记忆打标签（#架构决策、#bug修复、#用户偏好），检索时精准命中；
• 记忆衰减策略:配置「最近一周的记忆权重最高，一个月前的记忆权重递减」，模拟人类的遗忘曲线；
• 记忆导出和分析:定期导出记忆数据，分析项目中最常被引用的话题和决策模式。

小技巧

1. 定期清理记忆:设置每周自动清理，删除 30 天未访问的记忆，保持检索速度；
2. 手动标记关键记忆:对于重要决策，在对话中说「记住这个决定」，MemPalace 会赋予更高权重；
3. 按项目隔离记忆:不同项目用不同的 collection 存储记忆，避免跨项目信息污染；
4. 配置敏感信息过滤:加上 api_key, password, token, secret 等 pattern，防止敏感数据入库；
5. 用 project_id 跨平台关联:在不同平台对话时主动加上项目名，MemPalace 能关联起来。

参考链接

• MemPalace GitHub: https://github.com/mempalace/mempalace
• ChromaDB 文档: https://docs.trychroma.com
• Goldfish (对比): https://goldfish.ai
• LangChain 记忆模块: https://python.langchain.com/docs/modules/memory/