Милла Йовович и Бен Сигман выложили MemPalace — систему памяти для LLM, которая не фильтрует данные, а сохраняет весь поток работы и раскладывает его по жёсткой архитектуре. Проект работает локально, хранит исходные формулировки без пересказа и использует собственный текстовый диалект AAAK для сильного сжатия.
Система уже доступна как open source на GitHub под MIT-лицензией. Базовый режим — полностью локальный, без API и облачных моделей. Но заявленные максимальные метрики достигаются только в гибридной конфигурации с дополнительным реранкером. Подробнее в материале Postium.
Читайте также: Рейтинг лучших чат-ботов для работы
MemPalace — что это и как работает
MemPalace строит память как иерархию. «Крылья» — это пользователи или проекты. «Комнаты» — темы. «Залы» — типы информации: факты, события, предпочтения. Внутри — «ящики» с оригинальным текстом и «шкафы» с его сжатыми версиями.
Ключевая идея — не извлекать «важное», а хранить всё как есть. Поиск идёт по этой структуре плюс через эмбеддинги. Ничего не теряется на этапе записи.
AAAK — отдельный слой. Это «машинный диалект», в который переводится текст. Авторы утверждают, что он остаётся читаемым для LLM и при этом даёт сжатие примерно в 8–30 раз. За счёт этого большой массив памяти можно держать прямо в контексте модели.
Главная фича — отказ от саммари-подхода. Вместо «сжали → потеряли детали» здесь «сохранили всё → сжали форму → ищем при необходимости». Это другой класс памяти, ближе к файловой системе, чем к заметкам.
Как скачать и установить MemPalace
MemPalace — инструмент для разработчиков. Его можно подключить к агентам или локальным LLM, как отдельный слой памяти поверх проекта.
Скачать можно напрямую из GitHub-репозитория MemPalace. Проект доступен как Python-пакет, поэтому базовая установка — через pip: достаточно установить пакет mempalace в окружение, где работает ваш агент или модель. Также можно просто склонировать репозиторий и запускать из исходников, если нужен полный контроль над кодом.
После установки есть два основных сценария. Первый — загрузить в модель «wake-up контекст»: это сжатая память в формате AAAK, которую подают в промпт при старте, чтобы модель «помнила» ключевые факты.
Второй — делать поисковые запросы к хранилищу MemPalace и подмешивать найденные фрагменты в каждый новый запрос к модели. Это работает как RAG, но без предварительной фильтрации данных.
У системы есть CLI и MCP-инструменты. Через них можно смотреть структуру «дворца» (крылья, комнаты, залы), искать по памяти, читать и записывать данные, а также обходить связи между сущностями. Это позволяет использовать MemPalace не только как бэкенд, но и как отдельный инструмент для навигации по накопленной информации.
Почему это важно? MemPalace бьёт по базовой логике большинства memory-систем для LLM. Сейчас рынок строится вокруг идеи «сначала понять, что важно, потом сохранить». Здесь подход обратный — «ничего не решать заранее». Это снимает зависимость от качества саммаризации и уменьшает риск потери контекста. Плюс даёт приватность: всё остаётся локально.
Последние месяцы память для LLM усложняется: графы знаний, слои абстракций, агрессивная фильтрация и саммаризация.
MemPalace идёт в противоположную сторону. Он упрощает запись и усложняет поиск. Делает ставку на хранение полного следа взаимодействия вместо «очищенной» версии. Авторы прямо противопоставляют себя решениям вроде Mem0 и другим memory-слоям, где нейросеть сама решает, что оставить.
Итог: MemPalace уже работает как локальная память нового типа — без отбора данных, с сильным сжатием и агрессивными метриками, которые ещё предстоит проверить на практике.
