这个开源Memoriki将 Karpathy卡帕西LLM Wiki 与Milla Jovovich的MemPalace MCP 合并后，Claude Code 现在能够记住所有会话的内容。
如果你用 Claude Code 处理过任何严肃的事情，你肯定知道其中的痛苦。每次新会话都意味着一张白纸。你的 CLAUDE.md 文件虽然有所帮助，但它是静态的。你做出的决定、探索过的想法、发现的联系，这些真实的上下文信息全都消失了。
有人开发了一个可以解决这个问题的系统。它叫做 Memoriki——一个结合了两个开源项目的模板：
第一层：LLM Wiki（Karpathy 的模式）
你将原始资料（文章、文字记录、笔记等等）放入文件夹。Claude Code 会读取这些资料并构建维基页面——包括实体、概念、来源和综合分析。所有内容都带有 [[wiki-links]]、YAML 前置元数据和索引。你可以把它想象成 Obsidian，只不过 LLM 会负责所有的编写工作。
关键在于：知识库只需编译一次并保持最新状态，无需像 RAG 那样每次查询都重新推导。
第二层：MemPalace MCP
精彩的部分来了。MemPalace补充道：
- 语义搜索——通过含义而非关键词查找内容。包含 856 个带有词嵌入的文本块。
- 知识图谱——通过类型化的关系和时间戳连接各个实体。查询“我使用哪些工具？”即可获得即时的结构化答案。
- 智能体日志——人工智能会记录每次会话中发生的事情。下次会话时，它会读取这些记录。
它们如何协同工作：
测试同一个问题用三种不同的方式提出：
- Grep（仅限维基）：找到了包含匹配词的文件。不得不手动打开 5-6 个文件才能拼凑出答案。
- MemPalace 搜索（无 wiki）：找到了语义相似的块，但返回了没有结构的原始片段。
- KG 查询（两者皆可）：一次通话，即可获得包含关系和日期等结构化信息的即时答案。
安装只需2分钟：
git clone https://github.com/AyanbekDos/memoriki.git |
摘要
Memoriki用LLM Wiki加MemPalace把AI变成长记性员工，知识不丢还能自己长大，干活像开挂。
SEO标题
AI记忆系统革命：从会话失忆到知识复利的结构化进化路径解析
冲击力标题
AI终于不再失忆了，人类第一次拥有可积累的外挂大脑
SEO Slug
期刊级别
计算机科学与人工智能应用研究级
作者背景
AI系统架构与认知工程研究者
核心结论：把“记忆”从一次性对话变成持续积累的生产力引擎
这套系统的本质非常简单但杀伤力极强：把大模型从“每次都失忆的临时工”，改造成“有记忆、有关系网、有成长轨迹的长期合作者”。传统用法里，每一次新会话都像清空大脑，之前所有决策、推理路径、踩坑经验全部归零，这直接导致效率指数级下降。
想象一下，你花三个小时教一个实习生搞定一个复杂报表，结果第二天他来上班，问你“报表是什么”。就是这种感觉，气得你想摔键盘。传统AI对话就是这种实习生，每次都得从头教，之前喂的所有经验、踩的所有坑、试过的所有骚操作，全被它忘得一干二净。
Memoriki做的事情不是提升模型智商，而是补上“记忆结构”这一块长期缺失的基础设施。通过LLM Wiki负责结构化知识，通过MemPalace负责语义检索和关系网络，两者叠加形成“可累积认知系统”，最终让知识不再重复生成，而是持续编译和复用。这个系统好比给AI装了个外挂硬盘，而且这个硬盘还会自己整理文件、建索引、画关系图，越用越顺手。
问题本质：大模型不是笨，而是每次都在失忆
用Claude Code做严肃任务时，一个致命问题反复出现：每次启动新session，就像刚认识一个完全陌生的人。即使有CLAUDE.md这种规则文件，也只是死的模板，无法承载真实决策过程、上下文变化和推理轨迹。这就好比给失忆症患者贴了个便条，上面写着“你叫张三，你是个程序员”，但他完全不记得昨天写过什么代码、为什么那样写、遇到了什么bug。
更麻烦的是，真正有价值的信息，从来不是“答案本身”，而是“你是怎么一步步走到这个答案的”。这些过程信息，包括试错路径、被否决的方案、临时灵感、上下文连接，在普通使用中全部丢失，相当于每次都在重复走迷宫。举个例子，你让AI写一段代码，它给了你五个方案，你选了第三个。但下次再问类似问题，AI又把这五个方案全部重新生成一遍，完全不知道你上次选的是第三个，更不知道为什么选第三个。
这就解释了一个现象：很多人觉得LLM“时好时坏”，其实不是模型不稳定，而是上下文断裂导致的认知不连续。没有记忆，就没有复利，所有聪明都会被重置。你昨天跟AI讨论了一整天的项目架构，今天想接着聊，结果它一脸懵地跟你说“什么项目？我们聊过吗？”那种感觉，就像你辛辛苦苦存了一年的钱，结果银行每天早上把你的账户余额清零。这谁受得了？
LLM Wiki机制：把零散信息编译成结构化知识库
LLM Wiki这一层干的事情可以用一句话概括：把“原始材料”变成“可导航知识系统”。用户只需要把文章、笔记、访谈等内容丢进raw文件夹，模型自动生成结构化wiki，包括实体、概念、来源和综合分析。这个过程的牛逼之处在于，你不需要自己动手整理，AI帮你把一堆乱七八糟的原材料，自动变成一本有目录、有章节、有索引的工具书。
这个过程的关键突破点在于“知识编译”。传统RAG模式每次查询都要重新检索和拼接上下文，而LLM Wiki选择一次性整理并持续更新，避免重复计算。这种方式更像写书，而不是每次现场拼PPT。你想想，你是愿意每次做汇报都从零开始找资料拼PPT，还是愿意手里有一本已经写好的书，直接翻到相关章节？后者省的时间不是一点点。
结构设计也很有意思：entities存人和公司，concepts存思想模型，sources存来源总结，synthesis做跨文档分析。再配合[[wiki-links]]这种双向链接，直接把知识变成网络结构，而不是孤立文档。这个结构一旦形成，就具备自增长能力。你今天加一篇新文章，AI会自动把它跟已有的概念、实体、来源关联起来，该更新的更新，该补充的补充，整个知识库就像活的一样，自己会生长。
MemPalace机制：给知识加上“搜索能力”和“时间维度”
如果说LLM Wiki解决“知识怎么组织”，那MemPalace解决的是“知识怎么被找回”。它不是简单关键词搜索，而是语义搜索，直接基于embedding理解“意思”，而不是匹配“字面”。这意味着你不需要记住原文说了什么词，只需要记住大概的意思，系统就能帮你找到。比如你忘了“那个讲注意力机制的文章”具体标题是什么，你只需要搜“就是那个让模型关注重点的方法”，它就能找到。
语义搜索的价值在复杂问题中会被无限放大。用户问问题时，不需要记住原始笔记写了什么关键词，只要表达意思，系统就能找到相关内容。这一步直接把“记忆检索成本”从人工降到机器级别。以前你要翻十个文档、搜二十个关键词才能拼出一个答案，现在你只需要问一句人话，系统把相关内容直接怼到你面前。
更狠的是Knowledge Graph这一层。它不仅存信息，还存关系，而且是带时间戳的关系。用户问“我在用什么工具”，系统不是给一堆片段，而是返回结构化答案：工具名称、使用时间、上下文关系全部串起来。这已经不是搜索，而是“查询认知结构”。你问“我上个月为什么选了那个方案”，系统能告诉你：上个月你试了A、B、C三个方案，A跑不通，B太慢，C刚好，最后选了C，而且这个决策是在跟客户沟通之后做的。这哪里是AI，这简直是你失散多年的双胞胎兄弟，比你更了解你自己。
Agent Diary机制：让AI开始“记住自己干过什么”
Agent Diary是一个被严重低估的设计。它让AI在每次session结束时，自动写一份“工作日志”。下一次启动时，先读日志，再开始工作，这相当于给模型补上“连续记忆”。这个日志不是随便写两句废话，而是详细记录：这次会话干了什么、做了哪些决策、遇到了什么问题、当前进度到哪里、下一步打算做什么。就像程序员每天下班前写的日报，但AI写日报不用催，写得还特别详细。
这一步的意义非常直接：模型开始拥有“历史感”。它不再只是回答问题，而是知道之前做过什么决策、为什么这么做、现在处于哪个阶段。连续性一旦建立，很多复杂任务才真正可控。比如你让AI帮你重构一个项目，第一天它分析了代码结构，第二天你继续问，它能接着第一天的工作往下走，而不是问你“什么项目？什么重构？”。
没有这个机制，AI永远停留在“即时问答工具”。有了这个机制，AI才开始接近“长期项目合作者”。差别就像短期兼职和长期员工，完全不是一个层级。兼职员工你每次都要重新交代背景、重新说明需求、重新解释之前踩过的坑；长期员工知道项目历史、知道团队习惯、知道哪些方案已经被毙掉了。Memoriki就是把AI从兼职临时工，变成了跟你干了三年的老伙计。
三种查询方式对比：从拼碎片到直接拿答案
测试结果很直观地揭示了系统差异。使用grep时，只能找到关键词匹配文件，还需要手动打开多个文件拼接答案。这种方式本质还是“人肉检索”，效率极低。你搜“记忆系统”，grep给你列出所有包含“记忆”或“系统”的文件，然后你要一个一个打开看，自己判断哪些有用、哪些没用，最后自己拼出一个答案。这跟翻纸质书有什么区别？
只用MemPalace语义搜索时，可以找到相关内容，但返回的是碎片，没有结构。用户仍然需要自己整理逻辑，这一步的认知负担依然存在，只是比grep轻一点。你搜“记忆系统怎么工作”，它会返回几个相关的段落，但段落之间没有组织，你需要自己排序、自己归纳、自己总结。这就像有人帮你把相关的几页书找出来了，但书还是得你自己读、自己理解。
当Knowledge Graph和Wiki结合使用时，体验直接跃迁。一个查询返回结构化答案，带关系、带时间、带上下文。这个时候用户不再是“查资料”，而是“调用知识系统”。效率提升不是线性，而是质变。你问“记忆系统怎么工作”，它直接给你一个完整答案：包括定义、核心机制、组件关系、使用流程、注意事项，而且每部分都标注了来源和时间。这就像你请了个私人助理，你问一句，它给你一份完整的报告。这种体验一旦尝过，就再也回不去手动翻文件的日子了。
架构设计：简单文件结构背后的认知工程
memoriki/ |
整个项目结构看起来非常朴素，但每一层都在解决一个核心问题：
raw目录存原始输入，wiki目录存结构化知识，mempalace.yaml定义记忆系统规则，CLAUDE.md约束模型行为。
这种设计有一个关键特点：职责分离。
LLM负责生成和整理，MemPalace负责存储和检索，两者各司其职，没有混在一起。这种分层设计保证了系统可以持续扩展，而不会变成一坨不可维护的混乱状态。你可以在不影响检索的情况下改进知识生成，也可以在不影响生成的情况下优化检索算法，两边各自升级，互不干扰。
更重要的是，这个结构天然支持“长期积累”。每一次新增内容都会进入系统，而不是覆盖旧内容。知识库随着时间增长，价值呈指数级上升，这才是真正的“第二大脑”。你今天加一篇文章，明天加一段笔记，后天加一次会议记录，这些东西不是堆在那里吃灰，而是被自动整理、自动关联、自动索引，变成可以随时调用的结构化知识。三个月之后，这个知识库的价值比你刚建的时候翻了几十倍。
输入层与来源层：raw与sources形成“信息进入系统的双阶段过滤”
raw目录负责接收所有未经处理的信息，这一步强调“无门槛输入”。这是卡帕西在卡帕西提出用LLM构建个人知识库wiki的全流程拆解强调
sources目录则是raw的“结构化映射”。每一个原始文件都会被整理成一页总结，这一步相当于把“原材料”加工成“半成品”。如果没有这一层，后续分析会直接面对混乱文本，效率会迅速下降。
这两层组合起来形成一个稳定的输入机制：raw保证数量，sources保证质量。一个负责规模，一个负责可读性，两者缺一不可。
概念与实体分离：concepts与entities构建认知最小单元
entities目录专门存“具体对象”，比如人、公司、产品，这些是可以被唯一识别的节点。它们像地图上的城市，有明确边界和属性。
concepts目录存“抽象模型”，比如方法论、模式、思想框架。这些不是具体东西，但决定了如何理解世界。它们更像规则，而不是对象。
把这两者分开，是整个系统最关键的设计之一。如果混在一起，知识网络会变成一团糊。分开之后，就可以清晰表达“谁做了什么事，用了什么方法”，关系会变得非常干净。
关系与综合：synthesis让知识从堆积变成推理能力
synthesis目录承担的是“跨文档思考”。它不对应某一个输入，而是把多个sources、concepts、entities连接起来，形成新的结论。
这一层的存在，直接决定系统有没有“思考能力”。如果只有前面的结构，系统只是一个整理工具；有了synthesis，系统开始具备推理能力，因为它可以在不同信息之间建立联系。
长期来看，这一层会越来越值钱。因为单条信息价值有限，但信息之间的关系会不断复利增长。关系越多，洞察越深。
规则与配置：CLAUDE.md与mempalace.yaml决定系统上限
CLAUDE.md本质是“行为协议”，它规定LLM在处理信息时必须遵守的规则，包括格式、结构、命名方式等。这一步保证所有输出一致，不会随着时间推移变形。
mempalace.yaml则是“记忆引擎配置”，它控制语义搜索、知识图谱、embedding等底层机制。可以理解为大脑的“神经连接方式”，决定信息如何被检索和关联。
这两个文件一个管“思考方式”，一个管“记忆方式”。如果缺任何一个，系统都会退化。只有两者同时存在，AI才既有结构，又有记忆。
日志与索引：index.md与log.md构成“可追溯认知历史”
index.md负责导航，它让整个wiki变成一个可浏览系统，而不是一堆文件。用户可以快速定位信息，而不需要靠记忆路径。
log.md记录所有操作，而且是只追加。这一点非常重要，因为它保证历史不会被覆盖。所有知识演化过程都被记录下来，可以随时回看。
这两者组合的意义在于：系统不仅知道“现在有什么”，还知道“这些东西是怎么来的”。这让知识具备时间维度，而不是静态快照。
参考源头：idea-file.md锁定系统设计的原始意图
idea-file.md很多人会忽略，但它的作用是防止系统“跑偏”。随着不断扩展，使用者很容易偏离最初设计，而这个文件记录了原始理念，可以随时校准方向。
它相当于系统的“设计宪法”。当出现冲突或不确定时，可以回到这里判断什么是核心原则，什么是可以调整的细节。
长期来看，这种设计能避免系统变成杂乱拼接的工具集合，而是保持一致的认知哲学。
操作流程：从两分钟搭建到长期复利
git clone https://github.com/AyanbekDos/memoriki.git
pip install mempalace && mempalace init .
claude mcp add mempalace -- python -m mempalace.mcp_server
整个初始化过程极其简单，这也是它能推广的关键原因。复杂系统如果搭建成本太高，基本注定失败，而这个方案在可用性上做了很好的平衡。你不需要懂什么复杂架构，不需要配置什么数据库，不需要部署什么服务，就这三行命令，两分钟搞定。门槛低到这个程度，才有人愿意试。
# > Read raw/some-article.md and ingest it into the wiki
核心操作也只有三个：导入、查询、检查。导入负责积累知识，查询负责调用知识，检查负责修复问题。这种极简流程背后，是复杂系统被很好地封装起来，用户只需要关注结果。你不需要关心知识是怎么被编译的、索引是怎么建的、关系是怎么推理的，你只需要知道：把东西丢进去，需要的时候问一下，它给你答案。就这么简单。
长期使用的复利效应极其恐怖。你第一天用，可能觉得“也没什么特别的”。你第一个月用，开始发现有些问题不用重复问了。你第一年用，发现你的知识库已经大到你自己都记不清里面有什么，但系统比你还清楚。你问任何问题，它都能在几秒内给出基于几百篇文章、几千条笔记、上百次决策的答案。这种能力，单靠人脑根本做不到。
本质升级：从工具使用到认知系统构建
这套方案真正的价值不在技术，而在思维方式的转变。传统用法是“用AI解决问题”，而这里变成“用AI构建认知系统”。一个是短期效率，一个是长期复利。前者是今天搞定一个任务就完了，后者是今天做的事情让明天更高效、后天更高效、一年后还更高效。差别就像打工和创业，一个是卖时间，一个是建资产。
一旦开始用这种方式工作，很多行为会自然改变。用户会更重视记录、更重视结构、更重视长期积累，因为这些东西都会被系统放大，而不是白费力气。你今天记的一条笔记，可能三个月后被用来回答一个重要问题；你今天做的一个决策，可能半年后被用来支撑另一个关键判断。这种“延迟回报”的激励机制，会让你越来越愿意花时间把东西记好、整理好。
简单说，这不是让AI更聪明，而是让人的思考被“外部化”和“系统化”。一旦这个过程跑起来，个人能力的上限会被明显抬高。你不再只是靠脑子记东西、靠脑子做推理，而是有了一个外部系统帮你记、帮你整理、帮你关联、帮你检索。你的脑子只需要做最高级的创造和决策，剩下的脏活累活，全部交给系统。这才是真正的“人机协作”，不是人伺候AI，而是AI伺候人，而且越伺候越顺手。
总结一句话：
Memoriki用LLM Wiki加MemPalace把AI变成长记性员工，知识不丢还能自己长大，干活像开挂。