รีวิว MemPalace — ระบบความจำให้ AI ที่รันบนเครื่อง เก็บบทสนทนาแบบคำต่อคำ

คืออะไร

MemPalace เป็นระบบความจำ (memory) สำหรับ AI แบบ local-first ที่เก็บประวัติการสนทนาเป็นข้อความต้นฉบับ (verbatim) แล้วค้นด้วย semantic search — เจ้าของ repo ระบุชัดว่า "MemPalace stores your conversation history as verbatim text" และ "It does not summarize, extract, or paraphrase." เท่ากับไม่มีการย่อเนื้อหาให้เหลือแต่สรุป

โครงสร้างข้อมูลไม่ได้เป็น flat corpus แต่จัดเป็นชั้น: คนและโปรเจกต์ เป็น wings, หัวข้อเป็น rooms, เนื้อหาดั้งเดิมอยู่ใน drawers — ค้นแบบ scope ได้

ชั้น retrieval เป็น pluggable ค่า default ปัจจุบันคือ ChromaDB และ interface ถูกนิยามไว้ที่ mempalace/backends/base.py สลับ backend ได้โดยไม่ต้องแตะส่วนอื่นของระบบ และ README ระบุด้วยว่า "Nothing leaves your machine unless you opt in."

เขียนด้วย Python, license MIT, ดาว 59.4k / fork 7.6k (ข้อมูล ณ 3 ต.ค. 2026)

จุดเด่น

• เก็บ verbatim ไม่ summary ไม่ paraphrase
• เลือก backend ได้ 6 ตัว: chroma (default), sqlite_exact, rust_exact, milvus, qdrant, pgvector — ทุกตัวนอกจาก default เป็น opt-in
• Knowledge graph แบบ temporal entity-relationship มี validity windows (add, query, invalidate, timeline) รันบน SQLite ในเครื่อง
• MCP server มี 45 tools ครอบ palace read/write, knowledge graph, cross-wing navigation, drawer management, agent diaries และ agent coordination (logstream events + artifact handoffs)
• Agent แต่ละตัวได้ wing และ diary ของตัวเอง ค้นเจอตอน runtime ผ่าน mempalace_list_agents ไม่ต้องยัดรายชื่อ agent ทั้งหมดลง system prompt
• Auto-save hooks รองรับ Claude Code, Codex CLI และ Cursor IDE (บันทึกเป็นระยะและก่อน context ถูกบีบอัด)
• ตัวเลข benchmark ระบุไว้ชัดและ reproduce ได้จาก repo: LongMemEval raw R@5 96.6% (ไม่ต้องมี LLM), hybrid v4 held-out 450q 98.4%, +LLM rerank ≥99%; LoCoMo R@10 60.3% (raw) / 88.9% (hybrid v5), ConvoMem 92.9%, MemBench 80.3%
• มี Docker image multi-arch (amd64 + arm64) รันบน Apple Silicon ได้ และมี docker-compose.yml กับไฟล์สำหรับตั้ง team server
• README บอกเหตุผลที่ไม่ทำตารางเทียบกับ Mem0, Mastra, Hindsight, Supermemory, Zep ไว้เองเพราะแต่ละโปรเจกต์ใช้ metric กับ split ต่างกัน

เหมาะกับใคร

• คนที่ใช้ Claude Code / Codex CLI / Cursor แล้วอยากให้ session เก่ากลับมาช่วยตอบคำถามเดิม
• ทีมที่อยากมี memory กลาง (shared-brain hub) หรือ client ต่อเข้า hub ที่มีอยู่แล้ว
• คนที่ไม่อยากให้ข้อมูลออกจากเครื่อง เพราะทุกอย่างรัน local
• สายที่อยากลองเปรียบเทียบ ChromaDB / Qdrant / Milvus / pgvector ใน framework เดียวกัน

เริ่มต้นใช้งาน

แบบให้ coding agent ช่วย setup (skill จะตรวจระบบ ติดตั้งแพ็กเกจ Python ตั้งค่า MCP และถามว่าจะทำ palace ส่วนตัว, shared-brain hub หรือ client ที่ต่อ hub เดิม):

npx skills add MemPalace/mempalace

แบบติดตั้ง CLI ตรง — README แนะนำ uv tool install เพื่อแยก environment ไม่ให้ dependency ชนกับของในเครื่อง:

uv tool install mempalace
mempalace init ~/projects/myapp

ถ้าชอบ pipx: pipx install mempalace | ถ้าต้องการ import mempalace: pip install mempalace ใน venv

Docker:

docker pull ghcr.io/mempalace/mempalace:latest

Quickstart:

# Mine content into the palace
mempalace mine ~/projects/myapp                    # project files
mempalace mine ~/.claude/projects/ --mode convos   # Claude Code sessions (scope with --wing per project)

# Search
mempalace search "why did we switch to GraphQL"

# Load context for a new session
mempalace wake-up

# Score how well organized the palace is (read-only, safe while the MCP server runs)
mempalace audit

ข้อควรรู้

License: MIT License — ใช้เชิงพาณิชย์ได้ตามเงื่อนไขของ MIT

ความสดใหม่: push ล่าสุด 3 ต.ค. 2026, โปรเจกต์สร้างเมื่อ 5 เม.ย. 2026 คืออายุ ยังไม่ถึง 6 เดือน และยังมี open issues 777 ราย (ณ 3 ต.ค. 2026)

ข้อจำกัดที่ README ระบุไว้เอง

• Android / Termux ยังไม่รองรับแบบ native เพราะ ChromaDB และ ONNX Runtime ปล่อยเฉพาะ Linux wheels — ทางออกคือรัน Linux package ใน Debian PRoot container
• คำสั่งแรกที่ต้องใช้ embedding จะดาวน์โหลดโมเดล ลง /data (~80 MB สำหรับ minilm, ~300 MB สำหรับ embeddinggemma) และต้องมีเน็ต ครั้งเดียว ถ้า volume ยังอยู่ แต่ครั้งแรกจะช้า
• บน Linux image รันเป็น uid 1000 bind mount ต้องอ่านได้ด้วย uid นี้ โฟลเดอร์แบบ 0700 จะพัง และอาการคือ PermissionError: [Errno 13] README บอกชัดว่าอย่า work around ด้วย --user เพราะจะเขียน palace ไม่ได้เลย (macOS/Windows ผ่าน Docker Desktop ที่ map uid ให้)
• GPU image ไม่ได้ publish ต้อง build เอง และ build ได้เฉพาะ x86_64 (Apple Silicon / ARM จะติด error ตอน resolve dependency)
• rust_exact และ mempalace-native README ระบุตรงๆ ว่า "No benchmark figures are published for this release" ต้องวัดเองด้วย mempalace-native bench --db <sqlite_exact.sqlite3>
• build จาก clone จะได้ branch ที่เช็กออกมา และ default branch คือ develop ถ้าอยากได้เวอร์ชันที่ปล่อยจริงให้ pull image ที่ publish แทน
• README เตือนเรื่องเว็บปลอม: official มีเจ้าเดียวคือ repo GitHub, แพ็กเกจ PyPI และ docs ที่ mempalaceofficial.com โดเมนอื่น (รวมถึง .tech, .net, .com ตัวอื่น) อาจเป็น impostor และแจก malware

🔗 https://github.com/MemPalace/mempalace

ข้อมูลจาก GitHub ณ 3 ต.ค. 2026: ⭐ 59,388 | ภาษา Python | license MIT