Стойкая семантическая память для агентов ИИ. Храните факты, решения, идеи и контекст в разговорах. Поиск по смыслу, а не только по ключевым словам. Создайте график знаний связанных воспоминаний. Делитесь между моделями, экземплярами и поставщиками.

##Проблема

Каждый сеанс ИИ начинается с чистого листа. Контекстные окна конечны. Сессии заканчиваются, знания умирают.

Текущие решения заблокированы: память ChatGPT работает только с OpenAI. Проекты Антропика работают только с Клодом. Переключайтесь с провайдерами и начинайте все сначала. Ваш накопленный контекст — решения, предпочтения, история проекта — принадлежит продавцу, а не вам.

Между тем, индустрия стремится построить более крупные контекстные окна. 128K. 200K. 1M токены. Но вы не решаете человеческую амнезию, предоставляя кому-то большую доску. Память не находится внутри модели — она находится рядом с ней.

Дворец памяти — это постоянный семантический слой памяти, к которому может получить доступ любой MCP-совместимый ИИ. Он отделяет память от модели, так же, как базы данных отделяли данные от приложений десятилетия назад. Окно контекста становится рабочей памятью. Дворец памяти является долговременным хранилищем. Вот как работают настоящие мозги.

Быстрый старт

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