「开源」Memory Palace（3月10号升级版，大幅提升用户易用性） — 构建专属你ai agent的记忆宫殿，顺便求github star⭐

GitHub：https://github.com/AGI-is-going-to-arrive/Memory-Palace
协议：MIT | 技术栈：Python + FastAPI + React + SQLite + MCP

Memory Palace 2026-03-10更新公告

上次发帖之后继续做了一轮大的更新，大幅提升用户前端仪表盘易用性，同时对于backend进行了重构解耦，避免一个代码文件几千上w行。以及修复了一些可能会遇到的bug。

仪表盘支持中英文切换

之前仪表盘只有英文，现在四个页面（Memory / Review / Maintenance / Observability）全部支持中英文一键切换，将近 500 条文案都做了双语化。同时写了一份前端仪表盘使用指南，降低上手门槛。

对于前端仪表盘有任何疑问的强烈推荐食用该指南

链接如下👇

https://github.com/AGI-is-going-to-arrive/Memory-Palace/blob/main/docs/DASHBOARD_GUIDE_CN.md

仪表盘更新了i18n，支持了中文版

记忆

审查

维护

观测

全套英文文档

Getting Started、技术总览、部署配置、排障指南、安全说明、Skills 文档，全部补了英文版。弥补了之前除readme文档外，其他文档只有中文的问题，对英文用户不太友好。

接入流程更顺

一键安装脚本（shell / PowerShell）重写了路径检测和错误处理，出错时提示更明确。发布前新增了自动检查脚本，减少"装上了但跑不起来"的情况。（但是注意当前对于codex cli/claude code/opencode支持较好， 对于cursor/antigravity 还需要进行进一步测试完善安装脚本，会在近期更新）

前端交互优化

四个页面都做了改动，检索结果展示更清楚，维护操作流程更直观，Review 的 diff 对比更加好用。

先说这东西干嘛用的

现在用 Codex、Claude Code、Cursor、Gemini CLI 这些 AI 编程工具的人越来越多了，但有一个问题一直很烦：

每次新开对话，AI 都忘了你之前说过什么。

你上次花半小时教它的项目架构、你的代码风格偏好、你反复纠正过的 bug 处理方式——全没了。下次还得重头来。

Memory Palace 就是干这个的：给 AI Agent 加一层持久化的外部记忆。不是简单存个 JSON 糊弄一下，而是一套完整的记忆操作系统，能写、能查、能回滚、能自动清理。

不是又一个 RAG 方案

可能有人会问：这不就是 chunk + embedding 的 RAG 吗？

不太一样。Memory Palace 是专门给 AI Agent 的「个人记忆」设计的，重点在这几个方面：

🔒 写入守卫（Write Guard）

不是 Agent 说存就存。每次写入操作都要先过 Write Guard 预检，有这几种判定：

• ADD：确认是新内容，允许写入
• UPDATE：发现已有类似记忆，建议更新而不是重复创建
• NOOP：内容重复或无意义，拒绝写入
• DELETE：标记应该删除

这样就不会出现 AI 往记忆库里疯狂写垃圾的情况。

🔍 混合检索，不只是全文搜索

支持三种模式：

• keyword：关键词匹配，基于 SQLite FTS，零依赖就能跑
• semantic：语义检索，接外部 Embedding 模型
• hybrid：两种混合 + Reranker 精排

而且有自动降级机制——外部模型服务挂了，系统不会直接报错，会自动降级到关键词搜索，并在返回结果里告诉你发生了降级。

🧠 意图识别

搜索请求进来后，系统会先判断这是哪类查询：

• factual（事实型）：用高精度策略
• exploratory（探索型）：用高召回策略
• temporal（时间型）：加时间范围过滤
• causal（因果型）：扩大候选池

不是所有查询都用同一套参数硬搜。

♻️ 记忆有生命周期

每条记忆都有一个活力值（vitality score），会随时间衰减，半衰期默认 30 天。低于阈值并且超过 14 天没被访问的记忆会被标记清理。还有快照（snapshot）机制，改错了可以回滚。

支持哪些 AI 工具

通过 MCP（Model Context Protocol）协议接入，一套接口对接多个客户端：

MCP 提供了 9 个标准化工具，包括读写（read_memory、create_memory、update_memory、delete_memory、add_alias）、检索（search_memory）、治理（compact_context、rebuild_index、index_status）。

🎯 这次版本的重点：Skills + MCP 双层架构

这是当前版本我花精力最多的部分，也是我觉得真正提升用户体验的地方。

先说清楚 skill 和 MCP 的关系，一句话：

• Skill = AI 脑子里的「出车规则」—— 负责判断"什么时候该用 Memory Palace"
• MCP = 真正的「车和方向盘」—— 负责实际调用 read_memory、search_memory 这些工具

只有 MCP 没有 Skill 会怎样？工具存在，但 AI 不一定知道什么时候该用，容易漏触发。

只有 Skill 没有 MCP 会怎样？AI 知道该用了，但手上没工具可调。

两个都到位，才叫真的能自动触发并且真的能干活。

Skill 到底帮 AI 做了什么

装了 skill 之后，AI 在对话中会自动遵循这套工作流：

1. 启动：先调用 read_memory("system://boot") 加载核心记忆
2. 召回：用 search_memory 搜索相关历史记忆
3. 先读后写：每次写入前先检查有没有已存在的类似记忆
4. 守卫感知：遇到 Write Guard 返回 NOOP（重复内容）时自动停下来检查，而不是强行写入
5. 压缩恢复：长会话时自动压缩上下文，检索退化时触发索引重建

举几个例子：

✅ 该触发：「帮我把这条偏好记到 Memory Palace」
✅ 该触发：「查一下之前记过没有，再决定 create 还是 update」
✅ 该触发：「先从 system://boot 读一下，看看之前有什么记忆」
❌ 不该触发：「帮我重写 README」
❌ 不该触发：「修一下前端按钮样式」

不是所有涉及"记忆"这个词的场景都会触发，也不会在普通编码任务中乱触发。

安装一行搞定

仓库里整理好了 canonical skill bundle（docs/skills/memory-palace/）和安装脚本，不需要手动复制文件：

# 同步 skill 到当前仓库的各 CLI 目录
python scripts/sync_memory_palace_skill.py

# 安装 skill + MCP 到 Claude/Codex/OpenCode（workspace 级别）
python scripts/install_skill.py --targets claude,codex,opencode --scope workspace --with-mcp --force

# Gemini 建议用 user 级别安装（跨仓复用更稳）
python scripts/install_skill.py --targets gemini --scope user --with-mcp --force

安装完以后可以验证：

# 检查 skill 镜像有没有漂移
python scripts/sync_memory_palace_skill.py --check

# 跑四端 smoke 测试
python scripts/evaluate_memory_palace_skill.py

# 跑真实 MCP 端到端测试
cd backend && python ../scripts/evaluate_memory_palace_mcp_e2e.py

与 Claude Skills 规范的对齐

这套 skill 设计参考了 Anthropic 2026-03-03 发布的 skill-creator 规范：

• 结构对齐：标准 skill-name/SKILL.md bundle 结构
• 触发契约对齐：description 写清"做什么"和"什么时候用"，保留明确的 trigger hints
• 渐进加载对齐：主 SKILL.md 保持短小，工具细节下沉到 references/ 目录
• 跨客户端分发对齐：Claude / Codex / OpenCode 走 mirror，Gemini 保留 variant

不是只写了个 skill 文件就完事了，而是把 同步→安装→验证→迭代 这个闭环补齐了。

四种部署档位，按需选择

新手建议从 B 档位 开始，不需要任何外部模型服务就能跑通。想要更好的检索效果，强烈建议升级到 C 档位，接上 Embedding 和 Reranker 模型。

推荐模型：

• Embedding：Qwen3-Embedding-8B 推荐使用模力方舟可免费使用,非aff,仅推荐(https://ai.gitee.com/serverless-api?model=Qwen3-Reranker-8B&tab=info)
• Reranker：Qwen3-Reranker-8B (这几天论坛里面比较火的白山智算有体验金的可以调用,消耗非常小.同样适合有硅基流动代金券的各位使用)/或者使用模力方舟中的 bge-reranker-v2-m3 可免费使用,非aff,仅推荐(https://ai.gitee.com/serverless-api?model=bge-reranker-v2-m3&tab=info)
• LLM（可选，用于 Write Guard 和 Gist）：Qwen3.5-35B-A3B 或者使用 Qwen3.5-4B方便本地部署

所有端点都兼容 OpenAI API 格式，本地 Ollama / LM Studio 或者远程 API 都行。

Benchmark 结果

保留了和旧版本的同口径对照，高干扰场景提升比较明显：

简单场景基本持平，干扰一多新版明显更稳。

C/D 档位在当前基准集的 SQuAD v2 上可以跑到 HR@10 = 1.000（完美召回），当然延迟会高一些，取决于模型推理速度。

仪表盘

不用全靠命令行，自带 React 前端仪表盘，四个主要视图：

📂 记忆浏览器 —— 树形结构浏览所有记忆，支持内联编辑和 Gist 视图

📋 审查与回滚 —— 快照的差异对比，改错了一键回滚

🔧 维护管理 —— 活力值监控、清理任务、衰减参数管理

📊 可观测性 —— 实时搜索监控、检索质量洞察、任务队列状态

快速上手

方式一：本地手动启动

# 1. 克隆
git clone https://github.com/AGI-is-going-to-arrive/Memory-Palace.git
cd Memory-Palace

# 2. 生成配置（档位 B）
bash scripts/apply_profile.sh macos b

# 3. 启动后端
cd backend
python -m venv .venv && source .venv/bin/activate
pip install -r requirements.txt
uvicorn main:app --host 127.0.0.1 --port 8000 --reload

# 4. 另开终端，启动前端
cd frontend
npm install && npm run dev

# 5. 浏览器打开 http://localhost:5173

方式二：Docker 一键部署

bash scripts/docker_one_click.sh --profile b

profile b 能正常使用后，强烈建议在.env中配置embedding/reranker/llm
使用profile c或者d，有非常大的提升。

部署完以后：

• 前端：http://127.0.0.1:3000
• 后端 API：http://127.0.0.1:18000
• SSE：http://127.0.0.1:3000/sse

连接 AI 客户端

# stdio 模式（编程工具 内调用）
cd backend && python mcp_server.py

# SSE 模式
cd backend && HOST=127.0.0.1 PORT=8010 python run_sse.py

Skills 安装方式参考上面「Skills + MCP 双层架构」章节。

写入流程长啥样

简单来说就是：

写入请求 → Write Guard 预检 → 快照记录 → 写入数据库 → 异步索引重建

检索方向：

查询进来 → 意图分类 → 策略匹配 → keyword/semantic/hybrid 检索 → 返回结果 + 降级原因

这个项目的背景

最初的灵感来源于 nocturne_memory 这个项目。看到之后觉得「给 AI 加记忆」这个方向很有意思，就自己动手做了一个。

一开始想着 2 天搞定，结果发现想加的功能越来越多，第一版花了 5 天。后来又用了大量时间做升级，补齐了 Skills + MCP 的完整链路、Docker 部署、Benchmark、安全机制等等。

整个项目是一个人完成的，可能有没有测试到的地方,但是在我本机经过了实际测试是能够正常使用的，如果遇到任何问题，欢迎各位在github中提issue。

技术栈一览

最后

如果你也在用 AI 编程工具，又被「每次对话都从零开始」这个问题困扰过，可以试试这个项目。

不管是想直接用，还是想学习一套「AI Agent 长期记忆系统」怎么落地，希望都能有点参考价值。

GitHub 地址：https://github.com/AGI-is-going-to-arrive/Memory-Palace

如果觉得还行，求一个 ⭐ Star，感谢！有 bug 欢迎提 issue，也欢迎 fork 二开（注明出处即可）。