> ## Content Index
> Fetch the complete content index at: https://matveev.tech/llms.txt
> Use this file to discover other available public pages before exploring further.

# MemPalace: память для AI-агентов
- URL: https://matveev.tech/mempalace-ai-pamyat-agentov/
- Published: 2026-04-08T18:58:07.000Z
- Updated: 2026-04-08T18:58:07.000Z
- Description: Open-source система памяти для AI-агентов от Миллы Йовович. 96.6% recall на LongMemEval, полностью локальная, бесплатная, с MCP-интеграцией.
- Author: Pavel Matveev
- Tags: AI, Агенты, Open Source, MCP, Обзор

> TL;DR: MemPalace — open-source система памяти для AI-агентов, которая хранит все разговоры локально в ChromaDB и организует их по архитектуре «дворца памяти». [96.6% recall на LongMemEval](https://github.com/milla-jovovich/mempalace/tree/main/benchmarks?ref=matveev.tech) без единого API-вызова. Бесплатная, работает через MCP.

Большинство систем памяти решают проблему через суммаризацию. LLM сама выбирает, что «важно», извлекает факт вроде «пользователь предпочитает Postgres» и выбрасывает весь разговор, где ты объяснял *почему* именно Postgres. MemPalace предлагает другой подход: сохранить всё дословно, а потом сделать это находимым через структуру.

## Кто за этим стоит

Проект выпустили [Милла Йовович](https://github.com/milla-jovovich?ref=matveev.tech) (актриса, да) и Бен Сигман (разработчик). Релиз v3.0.0 состоялся 6 апреля 2026 года. За два дня — 24.6k звёзд на GitHub, 3k форков, публикации в десятке изданий.

Почему актриса делает инструмент для AI-разработчиков, README не объясняет. Зато объясняют бенчмарки: результаты [воспроизведены независимо](https://github.com/milla-jovovich/mempalace?ref=matveev.tech) на M2 Ultra за 5 минут.

## Как устроен MemPalace: архитектура дворца

Древние греки запоминали длинные речи, мысленно раскладывая идеи по комнатам воображаемого здания. MemPalace делает то же самое с AI-памятью, только вместо воображения работают ChromaDB и структурированная иерархия.

Верхний уровень — крылья (Wings). У каждого проекта, человека или темы своё крыло. Внутри крыла — комнаты (Rooms) по темам: `auth-migration`, `graphql-switch`, `ci-pipeline`. Комнаты соединяются залами (Halls) — это типы памяти, одинаковые в каждом крыле: факты, события, открытия, предпочтения, советы.

Между крыльями работают туннели (Tunnels). Если тема auth-migration упоминается и у человека Kai, и у проекта Driftwood — туннель свяжет их автоматически. На нижнем уровне — шкафы (Closets) с текстовыми саммари и ящики (Drawers) с оригинальными файлами, дословно, без суммаризации.

```
┌─────────────────────────────────────────────┐
│  WING: Person                               │
│    ┌──────────┐  ──hall──  ┌──────────┐     │
│    │  Room A  │            │  Room B  │     │
│    └────┬─────┘            └──────────┘     │
│         ▼                                   │
│    ┌──────────┐      ┌──────────┐           │
│    │  Closet  │ ───▶ │  Drawer  │           │
│    └──────────┘      └──────────┘           │
└─────────┼───────────────────────────────────┘
        tunnel
┌─────────┼───────────────────────────────────┐
│  WING: Project                              │
│    ┌────┴─────┐  ──hall──  ┌──────────┐     │
│    │  Room A  │            │  Room C  │     │
│    └────┬─────┘            └──────────┘     │
│         ▼                                   │
│    ┌──────────┐      ┌──────────┐           │
│    │  Closet  │ ───▶ │  Drawer  │           │
│    └──────────┘      └──────────┘           │
└─────────────────────────────────────────────┘

```

Тесты на 22 000+ реальных разговоров показали разницу в структурированном поиске:

| Тип поиска      | Recall R@10 |
| --------------- | ----------- |
| По всем шкафам  | 60.9%       |
| Внутри крыла    | 73.1%       |
| Крыло + зал     | 84.8%       |
| Крыло + комната | 94.8%       |

Разница между поиском «по всему» и «по крылу + комнате» составляет 34 процентных пункта. Технически это стандартная фильтрация метаданных ChromaDB, не какой-то уникальный механизм.

## 170 токенов на старте: стек памяти MemPalace

MemPalace использует четырёхуровневый стек. Два нижних уровня загружаются всегда, два верхних — по запросу:

| Уровень | Что хранит                                        | Размер        |
| ------- | ------------------------------------------------- | ------------- |
| L0      | Идентичность AI                                   | \~50 токенов  |
| L1      | Критичные факты: команда, проекты, предпочтения   | \~120 токенов |
| L2      | Контекст комнаты: недавние сессии, текущий проект | По запросу    |
| L3      | Глубокий семантический поиск по всем шкафам       | По запросу    |

AI просыпается с L0 + L1 (\~170 токенов) и уже знает твой мир. Для сравнения: загрузить всё через LLM-суммаризацию — \~650K токенов и [примерно $507 в год](https://github.com/milla-jovovich/mempalace?ref=matveev.tech). MemPalace с пятью поисками за сессию — \~13 500 токенов и \~$10 в год.

## Бенчмарки MemPalace: 96.6% без API-вызовов

| Бенчмарк        | Режим                 | Результат          | API           |
| --------------- | --------------------- | ------------------ | ------------- |
| LongMemEval R@5 | Raw (ChromaDB)        | **96.6%**          | Ноль          |
| LongMemEval R@5 | Hybrid + Haiku rerank | **100%** (500/500) | \~500 вызовов |
| LoCoMo R@10     | Raw, уровень сессии   | 60.3%              | Ноль          |

96.6% в raw режиме — лучший опубликованный результат на [LongMemEval](https://github.com/jucamohedano/longmemeval?ref=matveev.tech), не требующий ни API-ключа, ни облака, ни LLM.

Для контекста — как выглядят конкуренты:

| Система            | LongMemEval R@5 | Нужен API   | Цена          |
| ------------------ | --------------- | ----------- | ------------- |
| MemPalace (hybrid) | 100%            | Опционально | Бесплатно     |
| Supermemory ASMR   | \~99%           | Да          | —             |
| MemPalace (raw)    | 96.6%           | Нет         | Бесплатно     |
| Mastra             | 94.87%          | Да (GPT)    | Стоимость API |
| Mem0               | \~85%           | Да          | $19–249/мес   |
| Zep                | \~85%           | Да          | $25/мес+      |

100% с Haiku rerank — результат реальный (файлы есть), но пайплайн ранжирования пока не включён в публичные скрипты бенчмарков. Команда обещает добавить.

Разбираю AI-инструменты, тестирую и пишу — [подписывайся в телеге](https://t.me/ctospeech?ref=matveev.tech).

## AAAK и что пошло не так после запуска

AAAK — экспериментальный lossy-диалект сокращений: коды сущностей, структурные маркеры, усечение предложений. Задача — упаковать повторяющиеся сущности в меньше токенов. Если одна и та же команда упоминается сотни раз в тысячах сессий, коды сущностей амортизируются.

На практике AAAK пока не оправдывает ожиданий. На коротких текстах оверхед кодов и разделителей стоит больше, чем экономия.

96.6% recall — это результат raw режима (дословное хранение в ChromaDB). AAAK-компрессия пока снижает recall до 84.2%.

В первые часы после релиза сообщество нашло проблемы в README: пример токенов AAAK был посчитан через `len(text)//3` вместо реального токенизатора, «30x lossless compression» оказался преувеличением (AAAK lossy по природе), «+34% palace boost» — стандартная фильтрация метаданных ChromaDB, детекция противоречий (`fact_checker.py`) не подключена к графу знаний.

Мила и Бен не стали отмалчиваться. Они [опубликовали подробный разбор ошибок](https://github.com/milla-jovovich/mempalace?ref=matveev.tech) прямо в README: что было неправильно, что подтверждено, что в работе. Для проекта, который набрал 24k звёзд за два дня, реакция на критику важнее самого запуска.

## Как подключить MemPalace

Установка через pip:

```bash
pip install mempalace
mempalace init ~/projects/myapp
mempalace mine ~/projects/myapp
mempalace mine ~/chats/ --mode convos

```

Три режима загрузки: projects (код и документация), convos (экспорты переписок с Claude, ChatGPT, Slack) и general (автоклассификация по типам: решения, вехи, проблемы, предпочтения).

Для Claude, ChatGPT, Cursor или Gemini подключение через MCP:

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

```

После этого AI получает [19 инструментов](https://github.com/milla-jovovich/mempalace?ref=matveev.tech#mcp-server): поиск по памяти, навигация по дворцу, граф знаний, дневники специализированных агентов. Спрашиваешь «что мы решили про авторизацию в прошлом месяце?» — Claude сам вызовет `mempalace_search` и ответит из сохранённых разговоров.

Для локальных моделей (Llama, Mistral) — через CLI:

```bash
mempalace wake-up > context.txt
mempalace search "auth decisions" > results.txt

```

Всё работает оффлайн. ChromaDB на твоей машине, данные никуда не уходят. Требования: Python 3.9+ и `chromadb>=0.4.0`.

## Граф знаний MemPalace: SQLite вместо Neo4j

Ещё одна штука, которая заслуживает внимания: граф знаний с временными сущностями. Работает как [Zep Graphiti](https://www.getzep.com/?ref=matveev.tech), только на SQLite вместо Neo4j. Локальный и бесплатный.

```python
from mempalace.knowledge_graph import KnowledgeGraph

kg = KnowledgeGraph()
kg.add_triple("Kai", "works_on", "Orion", valid_from="2025-06-01")
kg.invalidate("Kai", "works_on", "Orion", ended="2026-03-01")

```

Факты имеют окна валидности. Когда что-то перестаёт быть правдой, инвалидируешь. Запросы текущего состояния не вернут устаревшие данные, исторические вернут. Полезно, когда люди переходят между проектами, а тебе нужно знать, кто чем занимается сейчас, а не полгода назад.

## Стоит ли пробовать MemPalace

Проблема потери контекста между сессиями AI реальна, и MemPalace подходит к ней прямолинейно: сохрани всё дословно, ищи через структуру. Проще и надёжнее, чем пытаться научить LLM решать, что важно.

Если ведёшь долгий проект с AI-ассистентом и устал каждый раз объяснять контекст заново, тут есть конкретная польза. Тимлидам тоже пригодится: история решений команды в одном месте, с поиском.

Проект молодой (v3.0.0, релиз 6 апреля 2026). AAAK-диалект не работает как обещано, детекция противоречий не подключена к графу знаний, есть открытые баги ([shell injection в hooks](https://github.com/milla-jovovich/mempalace/issues/110?ref=matveev.tech), [segfault на macOS ARM64](https://github.com/milla-jovovich/mempalace/issues/74?ref=matveev.tech)). Но базовый функционал (raw mode + ChromaDB + MCP) работает и даёт рекордные результаты на бенчмарках.

MIT-лицензия, полностью локальный, без подписок. Попробовать точно стоит.

[MemPalace на GitHubThe highest-scoring AI memory system ever benchmarked. And it's free.GitHub](https://github.com/milla-jovovich/mempalace?ref=matveev.tech)

## Что ещё почитать

- [Память AI-агентов: контекст, RAG, графы и mem0](https://matveev.tech/pamyat-ai-agentov-rag-grafy-mem0/) — основы: как агенты запоминают, от контекстного окна до графов знаний. MemPalace идёт дальше Mem0 именно в этом направлении
- [3 паттерна воркфлоу AI-агентов](https://matveev.tech/patterny-workflow-ai-agentov/) — архитектуры агентных систем, в которые вписывается память
- [Что такое agent harness](https://matveev.tech/agent-harness-chto-takoe/) — обвязка, которая делает AI полезным. MemPalace — одна из таких обвязок
- [8 уровней агентного инжиниринга](https://matveev.tech/8-urovnej-agentnogo-inzhiniringa/) — от простого промптинга до автономных систем с памятью