AI 대리인을 위한 Persistent semantic 기억. UXPA(사용자경험전문가협회)는 제품 및 서비스 UX를 리서치, 디자인, 평가하는 인력을 지원한다 의미로 검색, 그냥 키워드. 연결된 기억의 지식 그래프 구축. 모형, 인스턴스 및 공급자의 맞은편에 공유.

문제

AI 세션은 빈 슬레이트로 시작합니다. Context 창은 무한합니다. 세션 끝, 지식은 죽습니다.

현재 솔루션은 모든 공급 업체 잠금 장치입니다. ChatGPT의 메모리는 OpenAI에서만 작동합니다. Anthropic의 프로젝트는 Claude에서만 작동합니다. 스위치 공급자와 당신은 위에 시작합니다. 당신의 축적된 컨텍스트 — 결정, 선호 사항, 프로젝트 내역 — 당신에 속하지 않는 공급 업체에 속합니다.

한편, 더 큰 컨텍스트 창을 구축하는 산업 경주. 128K. 200K. 1M 토큰. 그러나 당신은 인간 amnesia를 해결하지 않습니다. Memory는 모델 내부에 속하지 않습니다.

Memory Palace는 MCP-compatible AI가 접근할 수 있는 영구적인 메모리 레이어입니다. 그것은 모델에서 메모리를 분리, 같은 방법 데이터베이스는 수십 년 전에 응용 프로그램에서 데이터를 분리. 컨텍스트 창은 작업 메모리가 됩니다. 기억 궁전은 장기 저장입니다. 실제 두뇌가 어떻게 작동하나요?

빠른 시작

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