你和 AI 忙了几个小时，第二天它却像刚接手一样，连项目做到哪一步都要重新问。问题不一定是模型不够聪明，而是它没有一套能跨会话保存、找回旧事的记忆。MemPalace 想补上这一层：保留完整对话，需要时再检索相关原文。
它近日被 gh-trending-python 收录。不过，现有材料没有榜单日期、名次、持续时间或星标增量快照，因此还不足以确认它“突然冲榜”的具体规模。本文涉及功能与成绩的说法，也都来自项目方及同机构材料，尚无独立复现。
不替你总结，先把原话存下来
Agent 记忆层位于模型与应用之间，作用类似一套外置档案：模型本身不会永久记住每次会话，这一层负责保存对话、事件或文档，并在后续任务中找回相关内容。
MemPalace 的选择很直接。它保存逐字原文，不做总结、信息抽取或改写，再用语义搜索——按意思而非只按关键词找内容——完成检索。资料也不是全部堆进一个大箱子：人物和项目对应不同“侧翼”，主题进入“房间”，原始内容放进“抽屉”。搜索因此可以先限定范围，再寻找相关记录。
这个设计针对的是一个现实风险：一旦让另一个模型先总结，模型也同时决定了什么值得留下，细节可能在压缩时消失。项目自述称，Milla Jovovich 与 Ben Sigman 推进大型项目时，Agent Lumi 在上下文被压缩后会忘掉此前数小时的工作，两人只能人工保存聊天记录。MemPalace 由此转向保留原文。
本地优先，但边界取决于配置
项目把自己称为 local-first，也就是数据和主要功能优先留在用户设备上，联网服务只是可选补充。项目方称，除非用户主动启用联网或共享功能，数据默认不会离开设备。
它默认使用 ChromaDB 保存和检索记忆，同时提供可插拔后端接口。所谓可插拔，就是可以替换底层数据库或索引方案，而不用重写上层应用。项目还提供命令行工具、MCP server——让 AI 客户端调用外部工具的一种连接服务——以及安装运维、回答前回忆、任务日志三项 skills。需要注意，只安装 skill 并不会自动装好命令行工具或 MCP server，仍要经过设置流程完成配置和连接验证。
公开分数为何值得看
项目方报告，MemPalace 在 LongMemEval 上取得 96.6% R@5 raw，测试过程为 zero API calls。R@5 看的是正确答案所需信息是否进入检索结果前五条，它能反映“找没找到”，却不能单独代表整个 Agent 是否回答正确。zero API calls 也只说明评测没有调用外部 API，不等于没有计算成本或在所有配置下都完全离线。
这项成绩更值得注意的地方，是它把“记忆好不好”落到了可检查的公开指标上，而不只是演示效果。项目历史材料还显示，社区曾质疑早期 token 示例、“+34% palace boost”以及不同指标混列的问题；团队随后撤回相关表述，把主要口径收缩到 96.6% R@5 原始检索成绩。对记忆工具来说，公开纠错记录本身也是一种可验证性。
局限与未知
- 96.6% 来自项目方自报；材料未给出评测脚本、数据切分、基线、运行环境或第三方复现，不能据此断言领先。
- “数据不离开设备”的实际边界取决于部署、共享选项、外部客户端和依赖组件，不能把宣传语理解成无条件保证。
- 项目方称未配置自动保存 hooks 的 Claude Code 会话会在 30 天后失效，但缺少适用版本、平台和官方依据，不宜泛化。