一句话结论：AI Agent 最大的短板之一是“健忘”——每次对话都从零开始，之前聊过什么、做过什么决定、用户偏好如何，一概不记得。MemPalace 试图从根本上解决这个问题，给 AI 造一个真正的长期记忆系统：它借鉴“记忆宫殿”的概念，构建了一套分层记忆架构——短期记忆保存当前对话上下文，工作记忆维护正在进行的任务状态，长期记忆存储经过提炼的用户偏好、历史决策和经验教训；写入和检索都经过智能处理，用 LLM 做信息提取与压缩、只保留有价值内容，检索按语义相关性与时间衰减综合排序，而不是简单的关键词匹配；Python 实现、支持从 SQLite 到 PostgreSQL 到向量库的多种存储后端，核心 API 就 remember / recall / forget 三个，集成不用大改代码，Star 5.9 万，适合做个人 AI 助手、长期陪伴型 Agent 与跨会话客服系统。

Meta Description：MemPalace 开源 AI 长期记忆系统：分层记忆架构 + LLM 提炼写入 + 语义相关与时间衰减检索；支持多存储后端、三个核心 API 易集成；Star 5.9 万，适合陪伴型 Agent 与跨会话客服。

核心亮点速览

一、健忘，是 AI Agent 通往可靠的天花板

AI Agent 的对话能力已经很强，但“健忘”始终是它通往可靠服务的硬伤：每次对话都从零开始，之前聊过的偏好、做过的决定、踩过的坑，一概不记得。做个人助理，你要反复交代同一件事；做客服系统，用户得重复描述已经说过的问题。这种“每次都是陌生人”的体验，把 Agent 的服务质量死死压在天花板以下。MemPalace 试图从根本上解决这个问题，给 AI 造一个真正可用的长期记忆系统。它不是简单地把历史对话存下来做检索，而是按“记忆宫殿”的思路，把记忆建成分层、分域、有生命周期的结构——让 Agent 不仅“记得”，还知道“该记什么、该忘什么、该何时想起”。

二、分层架构：把“记忆”拆成三块

2.1 短期、工作、长期三层

MemPalace 构建了分层记忆架构：短期记忆保存当前对话上下文，负责“眼前这场对话接得上”；工作记忆维护正在进行的任务状态，负责“手头这件事别断线”——比如跨轮次的多步任务进行到哪一步；长期记忆存储经过提炼的用户偏好、历史决策和经验教训，负责“长期相处时越来越懂你”。三层的分工，让记忆不是一锅粥，而是有明确生命周期与职责边界的系统。这也更接近人类记忆的真实结构：顺手用的、正在用的、值得留住的，各归其位。

2.2 写入与检索都“经过大脑”

最关键的是，写入和检索都不是机械操作。写入时，不是把每句话都存进去，而是用 LLM 做信息提取和压缩，只保留有价值的内容——把“用户说他喜欢深色主题，还抱怨了两次字体太小”提炼成一条偏好，而不是囤积一整段原始对话。检索时，也不只是关键词匹配，而是根据当前对话的语义相关性，结合时间衰减因素做综合排序——既找得准、又知道“近事优先”。这两道“大脑化”的处理，是它区别于“对话日志+向量库”那种朴素方案的分水岭：记忆不是仓库，而是会思考的档案库。

三、易集成：三个 API 的设计哲学

Python 实现，支持多种存储后端，从 SQLite 到 PostgreSQL 到向量数据库都可以，按规模与场景选择即可。API 设计得克制且优雅——核心就三个方法：remember（记住）、recall（回忆）、forget（遗忘）。集成到现有 Agent 框架里不需要大改代码：该记的时候 remember 一句，需要时 recall 一下，过期数据 forget 清理。这种“最小接口”哲学的妙处在于，它把复杂的记忆管理逻辑压缩成三个直观动作，让任何 Agent 开发者都能在十分钟内把“记忆能力”接进自己的产品，而不必理解记忆系统内部的千层设计。

四、安装与使用体验

pip install mempalace
from mempalace import Memory
mem = Memory(storage="sqlite:///memory.db")
mem.remember("用户偏好深色主题")
results = mem.recall("界面主题设置")

上手几乎零障碍：安装、建库、三个方法调用。实际体验最有冲击力的时刻，是召回不再是“台词复读”而是“恰到好处的想起”——你问一句“上次我提过什么偏好”，它给出的不是原始聊天记录，而是提炼好的、相关的、还没过时的结论。对做个人 AI 助手、长期陪伴型 Agent、跨会话客服系统的团队来说，这种“记在点子上”的能力，直接决定产品是“聪明但健忘的工具”还是“真正懂你的伙伴”。5.9 万 Star 的背后，正是大量 Agent 开发者被记忆问题卡住后找到出口的共同选择。

五、适用人群与场景

• 个人 AI 助手：需要跨会话记住偏好与上下文的场景；
• 长期陪伴型 Agent：记忆是“陪伴感”的底层支撑；
• 跨会话客服系统：避免用户反复描述同一问题的体验；
• Agent 产品开发者：被记忆问题卡住、想快速接入现成方案的人。

六、常见问题 FAQ

Q1：MemPalace 和简单的对话历史存储有什么区别？ A：它不只是存历史，而是分层记忆 + 智能处理：写入时用 LLM 提炼压缩只留有价值内容，检索时按语义相关性与时间衰减综合排序；短期/工作/长期三层各有职责与生命周期。

Q2：核心 API 有几个？ A：三个——remember（记住）、recall（回忆）、forget（遗忘）。设计克制，集成不用大改代码，十分钟就能把记忆接进现有 Agent。

Q3：支持哪些存储后端？ A：从轻量的 SQLite 到 PostgreSQL 再到向量数据库都支持，可以按数据规模与场景选择合适后端。

Q4：适合什么场景？ A：个人 AI 助手、长期陪伴型 Agent、需要跨会话保持状态的客服系统最合适；凡是“Agent 因为健忘而显得笨”的产品都值得试。

Q5：为什么说完成度高？ A：分层架构、LLM 智能写入与检索、多后端、三个 API 的集成体验，加上 5.9 万 Star 的社区验证，它在开源 AI 记忆方案里是完成度最高之一。

七、同类方案横向比较

一句话：MemPalace 把“记忆”从对话日志的堆积提升为有结构、会筛选、懂遗忘的系统——它让 Agent 从“健忘的好手”变成“持续懂你的伙伴”。 是开源记忆赛道绕不开的代表作。

八、延伸思考

MemPalace 的可贵之处，在于它想清楚了一件事：记忆不是存储问题，而是“组织与遗忘”的智慧问题。一个只增不减、什么都存的系统，最终会被海量垃圾信息淹没，检索反而越来越慢、越来越不准；真正高级的记忆，是知道什么值得留、什么该忘记、什么时候该想起来。这几乎是把人的记忆哲学工程化了——而它对 Agent 产业的意义更深：当“记忆”成为标准化模块，Agent 就能从“每次重开都是陌生人”走向“越用越懂你”，这也是“陪伴感”“个性化”“连续性”这些产品品质得以成立的技术底座。接下来真正值得竞争的，也许不再是“能不能记住”，而是“记什么、怎么忘、何时想起”的记忆策略本身——那将是记忆系统之间分高下的新战场。

总结

MemPalace 用分层记忆架构与两道“大脑化”处理，给 AI Agent 装上了一套真正可用的长期记忆：短期/工作/长期三层各司其职，写入时 LLM 提炼压缩只留精华、检索时语义相关性叠加时间衰减综合排序，多存储后端按需选择，三个核心 API 让集成成本降到最低，Star 5.9 万、完成度在开源记忆方案里名列前茅。对做个人助手、陪伴型 Agent 与跨会话客服的团队，它是把产品从“聪明但健忘”推向“持续懂你”的最短路径——装上它，你的 Agent 才算真正开始记得用户是谁。

一句话回顾：真正的记忆不是硬盘，而是知道该记住什么、又懂得何时轻轻放下。