核心用法
Memory Palace 是一款专为AI Agent设计的持久化记忆管理系统，解决大模型对话上下文丢失的核心痛点。通过标准化的记忆读写接口，实现用户偏好、项目状态、技术决策等关键信息的长期存储与智能检索。
基础操作：memory_palace_write 写入记忆并支持标签分类与重要性评分（0-1）；memory_palace_search 支持自然语言语义搜索，可选Python环境启用向量检索（BAAI/bge-small-zh-v1.5模型，约100MB），无环境时自动降级为文本搜索。
经验管理：独特的经验有效性机制，通过record_experience沉淀可复用知识，支持applicability场景标记与effectivenessScore动态评分（查询+0.1、验证有效+0.3），2次以上验证标记为"已验证"。
LLM增强：内置智能总结、时间表达式解析、概念扩展等辅助工具。
显著优点
- 跨会话持久化：打破单次对话限制，建立长期用户画像与项目知识库
- 语义检索能力：自然语言查询替代关键词匹配，理解意图而非字面
- 经验进化机制： crowdsourcing式验证评分，优质经验自动上浮
- 渐进式部署：Node.js核心必需，Python语义搜索可选，降级策略完善
- 场景感知触发：明确"记住/别忘了"等唤醒词，避免滥用
潜在局限
- 存储边界未明：文档未提及存储上限、清理策略与隐私合规
- 向量模型依赖：首次下载延迟与离线环境适配问题
- 验证机制轻量：简单加减分算法，缺乏冲突消解与版本管理
- 多用户隔离：未说明多租户场景下的记忆隔离方案
适合人群
- 需要长期陪伴型AI助手的个人用户
- 管理复杂项目、需维护技术决策历史的开发者
- 构建定制化Agent产品的技术团队
常规风险
- 数据持久化风险：本地存储故障可能导致记忆丢失，建议配合备份
- 隐私敏感信息：用户偏好、习惯等PII数据需加密存储与访问控制
- 语义漂移：长期积累的过时记忆可能干扰当前判断，需定期审计
- 提示注入：记忆内容若未过滤可能成为间接提示注入攻击载体