AIエージェントの持続的なセマンティックメモリ。 会話全体で事実、決定、洞察、コンテキストを保存します。 キーワードではなく、意味で検索します。 接続された記憶の知識グラフを作成する。 モデル、インスタンス、プロバイダ間で共有します。

問題

あらゆるAIセッションが空白のスレートとして始まります。 コンテキストウィンドウは有限です。 セッション終了、ナレッジダイ。

現在のソリューションは、ChatGPT のメモリのみ OpenAI で動作します。 AnthropicのプロジェクトはClaudeでのみ機能します。 プロバイダーを切り替え、起動します。 蓄積されたコンテキスト — 決定、好み、プロジェクト履歴 — ベンダーに属します。

一方、業界はより大きなコンテキストウィンドウを構築するために競争しています。 128K. 200K. 1Mトークン。 しかし、あなたは、より大きなホワイトボードを与えることによって、人間のアンネシアを解決しません。 メモリはモデル内部に所属しません。

メモリパレスは、MCPに対応したAIがアクセスできる持続的なセマンティックメモリ層です。 これは、モデルからメモリを分離します。, 同じ方法は、データベースは、アプリケーションから10年前にデータを分離します。. コンテキストウィンドウは作業メモリになります。 記憶宮殿は長期貯蔵です。 実際の脳の働き方です。

クイックスタート

Memory Palace

Persistent semantic memory for AI agents. Store facts, decisions, insights, and context across conversations. Search by meaning, not just keywords. Build a knowledge graph of connected memories. Share across models, instances, and providers.

The Problem

Every AI session starts as a blank slate. Context windows are finite. Sessions end, knowledge dies.

Current solutions are all vendor-locked: ChatGPT’s memory only works with OpenAI. Anthropic’s projects only work with Claude. Switch providers and you start over. Your accumulated context — decisions, preferences, project history — belongs to the vendor, not to you.

Meanwhile, the industry races to build bigger context windows. 128K. 200K. 1M tokens. But you don’t solve human amnesia by giving someone a bigger whiteboard. Memory doesn’t belong inside the model — it belongs alongside it.

Memory Palace is a persistent semantic memory layer that any MCP-compatible AI can access. It separates memory from the model, the same way databases separated data from applications decades ago. The context window becomes working memory. Memory Palace is long-term storage. That’s how actual brains work.

Quick Start

# Clone and install
git clone https://github.com/jeffpierce/memory-palace.git
cd memory-palace
pip install -e .

# Run setup wizard (detects GPU, downloads models)
python -m setup.first_run

Platform-specific installers are also available: install.bat / install.ps1 (Windows), ./install.sh (macOS/Linux).

See docs/README.md for detailed installation and configuration instructions.

Requirements

• Python 3.10+
• Ollama (local model serving)
• NVIDIA GPU with 4GB+ VRAM (recommended, not required)

Model Selection

Models are auto-detected by the setup wizard. Defaults are chosen to run everywhere:

See docs/models.md for the full model guide with VRAM budgets and upgrade paths.

Features

• Semantic Search — Find memories by meaning using local embedding models via Ollama
• Knowledge Graph — Typed, weighted, directional edges between memories with automatic graph context in retrieval
• Centrality-Weighted Ranking — Retrieval scores combine semantic similarity, access frequency, and graph centrality
• Auto-Linking — New memories automatically link to similar existing ones (configurable thresholds)
• Multi-Project Support — Memories can belong to multiple projects simultaneously