MemPalace: wörtliche KI-Gesprächsspeicherung mit semantischer Suche
Das am besten bewertete Open-Source-KI-Speichersystem. Und es ist kostenlos.
Auf einen Blick
- Was ist das?
- MemPalace legt Konversationsverlauf als wörtlichen Text ab und findet ihn per semantischer Suche wieder, ohne zu summarisieren. Der Text ordnet die Backend-Schnittstelle, die Installationswege, die benchmarkbasierten Kennzahlen und die Grenzen von Projekt und Lizenz ein.
- Für wen ist es gedacht?
- MemPalace passt für Teams, die Gesprächshistorie unverändert aufbewahren und über semantische Suche wiederfinden wollen, zum Beispiel Claude-Code-Sitzungen mit angeschlossenen Auto-Save-Hooks. Weniger geeignet ist es, wenn Zwischenmodelle oder Zusammenfassungen erwartet werden, denn genau das schließt das README aus.
- Darf ich es kommerziell nutzen?
- Ja. MIT ist eine freizügige Lizenz: Sie dürfen darauf aufbauende Software nutzen, verändern und verkaufen, solange Sie die Urheberrechts- und Lizenzhinweise beibehalten.
- Wird es noch gepflegt?
- Ja. Das Repository hat innerhalb des letzten Tages neue Commits erhalten.
- In welcher Sprache ist es geschrieben?
- Hauptsächlich Python, laut der Sprachstatistik von GitHub.
Die Antworten beruhen auf den GitHub-Daten des Projekts (zuletzt abgeglichen am 15. September 2026) und auf unserer Analyse. Sie sind keine Rechtsberatung.
TIEFGEHENDE OPEN-SOURCE-ANALYSE
Wings, Rooms und Drawers: wie MemPalace den Index aufbaut
MemPalace speichert Konversationsverlauf als wörtlichen Text und ruft ihn über semantische Suche ab. Das README stellt ausdrücklich klar, dass das Programm nichts zusammenfasst, nichts extrahiert und nichts paraphrasiert. Der Index ist zweckmäßig gegliedert: Personen und Projekte werden zu wings, Themen zu rooms, und die ursprünglichen Inhalte liegen in drawers. Suchanfragen lassen sich so auf einen Teil des Korpus beschränken, statt gegen eine flache Gesamtmenge zu laufen.
Die Abrufschicht ist als austauschbares Modul angelegt. Die Schnittstelle liegt in mempalace/backends/base.py, der aktuelle Standard ist ChromaDB. Wer ein anderes Backend einsetzen möchte, kann es ergänzen, ohne den Rest des Systems anzufassen. Für die Datensouveränität nennt das README eine einfache Regel: nichts verlässt den eigenen Rechner, außer man stimmt ausdrücklich zu. Eine ausführliche Beschreibung von Architektur und Begriffen verweist auf die Seite mempalaceofficial.com/concepts/the-palace.
Installationswege: Skill, CLI, Docker und die Termux-Lücke
Das README bietet mehrere Einstiege. Wer einen Coding-Agenten führen will, kann zuerst die MemPalace-Skills installieren: npx skills add MemPalace/mempalace. Das Repository stellt drei Skills bereit: mempalace für geführte Installation und Betrieb, mempalace-recall für die Suche vor der Antwort und mempalace-task für die Weitergabe an Logstreams. Eine Skill-Installation allein bringt noch keine CLI oder einen MCP-Server mit; der Setup-Skill übernimmt diese Systemänderungen und prüft die Verbindung.
Für die Handarbeit empfiehlt das README eine isolierte Umgebung. uv tool install mempalace bringt die mempalace-CLI ohne Kollisionen in den PATH; pipx funktioniert analog. Reines pip soll nur in einer aktivierten virtuellen Umgebung laufen, um PEP-668-Fehler auf Debian-, Ubuntu- und Homebrew-Python zu vermeiden. Docker ist der dritte Weg: docker pull ghcr.io/mempalace/mempalace:latest liefert eine Multi-Arch-Version, alles wird unter /data persistiert, und der MCP-Server läuft etwa mit docker run -i --rm -v mempalace-data:/data ghcr.io/mempalace/mempalace. Für Android im Termux gibt es laut README keine native Unterstützung, weil ChromaDB und ONNX Runtime keine Android-Wheels ausliefern; der beschriebene Umweg ist ein isolierter Debian-PRoot-Container.
Fünf Speicher-Backends hinter einer Schnittstelle
Der austauschbare Vertrag aus mempalace/backends/base.py wird von fünf Backends bedient. ChromaDB ist der Standard und arbeitet ohne Konfiguration. sqlite_exact ist enthalten und liefert exakte lokale Suche. Milvus und pgvector installiert man als Extras über mempalace[milvus] beziehungsweise mempalace[pgvector]; qdrant ist enthalten und läuft als Server über REST. Die README-Tabelle listet für jedes Backend auf, ob Namensräume und Lexik-Suche unterstützt werden.
Die Auswahl steuert man über --backend, die Umgebungsvariable MEMPALACE_BACKEND oder den Schlüssel backend in config.json. Standardmäßig gilt: jedes nicht standardmäßige Backend ist eine bewusste Zusatzentscheidung. Das erleichtert das Ausprobieren, verlangt aber auch, dass man weiß, welches Backend einem laufenden Palace zugrunde liegt, bevor man es wechselt.
Die Benchmark-Zahlen aus dem README und ihre Grenzen
Das README liefert Kennzahlen und nennt zugleich die Bedingungen, unter denen sie entstehen. Bei LongMemEval erreicht die rohe semantische Suche laut README 96,6 Prozent R@5 ohne Heuristiken und ohne Sprachmodell. Die Pipeline hybrid-v4, an 50 Entwicklungsfragen abgestimmt und auf 450 zurückgehaltene Fragen ausgewertet, kommt auf 98,4 Prozent; mit einem LLM-Reranking führt das README mindestens 99 Prozent auf allen 500 Fragen an. LoCoMo wird mit 60,3 Prozent R@10 roh und 88,9 Prozent mit hybrid v5 beziffert, ConvoMem im Mittel mit 92,9 Prozent Recall und MemBench mit 80,3 Prozent R@5.
Diese Werte sind Selbstauskünfte des Projekts, abrufbar über die Befehle in benchmarks/BENCHMARKS.md; Ergebnisse pro Frage sind unter benchmarks/results_* eingecheckt. Ausdrücklich verzichtet das README auf einen Seitenvergleich mit Mem0, Mastra, Hindsight, Supermemory oder Zep, weil unterschiedliche Metriken auf unterschiedlichen Splits keinen ehrlichen Vergleich ermöglichten. Wer eigene Zahlen will, muss den Benchmark-Pfad selbst fahren; der braucht laut README keinen API-Schlüssel.
Falschseiten-Warnung und die 30-Tage-Regel für Claude Code
Die erste Warnung im README betrifft nicht die Software, sondern das Ökosystem. Offiziell sind nur dieses GitHub-Repository, das PyPI-Paket mempalace und die Dokumentation unter mempalaceofficial.com. Jede andere Domain, einschließlich Varianten auf .tech, .net oder anderen .com-Endungen, sei ein Imitator, der Schadsoftware verteilen könne; Details und die Chronologie stehen in docs/HISTORY.md. Wer das Paket installiert, sollte daher den Paketnamen und die Bezugsquelle prüfen.
Der zweite Hinweis ist praktisch: Claude-Code-Sitzungen laufen nach 30 Tagen ab, wenn keine Auto-Save-Hooks angeschlossen sind. Das README verweist auf eine Diskussionsseite und auf eine Checkliste unter mempalaceofficial.com/guide/claude-code-retention.html. Auto-Save-Hooks sind laut README für Claude Code, Codex CLI und Cursor IDE verfügbar, während mempalace sweep pro Benutzer- oder Assistenten-Nachricht einen wörtlichen drawer idempotent ablegt. Das zeigt, wofür das Projekt gedacht ist: Speicherung, die regelmäßig gefüttert werden muss.
Wissensgraph, Modellauswahl und Lizenz
Zur Laufzeit unterstützt MemPalace einen zeitlichen Entitäts-Beziehungs-Graph auf lokalem SQLite mit Hinzufügen, Abfragen, Ungültigmachen und Zeitachsen über Gültigkeitsfenster. Spezialisierte Agenten bekommen einen eigenen wing und ein Tagebuch im Palace; zur Laufzeit sind sie über mempalace_list_agents auffindbar. Der MCP-Server stellt laut README 36 Werkzeuge bereit, verteilt auf Palace-Lese- und Schreibzugriffe, Wissensgraph-Operationen, Navigation und drawer-Verwaltung.
Voraussetzungen sind Python 3.9 oder neuer, ein Vektor-Backend und Speicherplatz für das Einbettungsmodell. Das Onboarding bietet embeddinggemma-300m für mehr als 100 Sprachen oder all-MiniLM-L6-v2 nur für Englisch mit kleinerem Bedarf. Das Projekt steht unter der MIT-Lizenz, die Nutzung, Kopie, Änderung und Verbreitung erlaubt und Gewährleistung ausschließt; Aussagen über Sicherheitsgarantien oder Support macht sie nicht. Die jüngste veröffentlichte Version ist v3.8.0 vom 23. August 2026.
Redaktionelles Fazit
MemPalace passt für Teams, die Gesprächshistorie unverändert aufbewahren und über semantische Suche wiederfinden wollen, zum Beispiel Claude-Code-Sitzungen mit angeschlossenen Auto-Save-Hooks. Weniger geeignet ist es, wenn Zwischenmodelle oder Zusammenfassungen erwartet werden, denn genau das schließt das README aus. Vor der Einführung sollte der eigene Benchmark-Lauf nach benchmarks/BENCHMARKS.md laufen, weil Kennzahlen wie 96,6 Prozent R@5 nur in dem dort beschriebenen Setup gelten, und die MIT-Lizenz gibt keine Gewährleistung.
Community-Notizen