一句話版本
Store everything, then make it findable.
這幾乎可以當作 MemPalace 的設計宣言：不要太早讓 AI 替你決定什麼重要，而是先把原始內容留住，再透過記憶宮殿結構、分層載入與搜尋機制，讓未來需要時找得回來。
1. 為什麼這個主張重要？
因為多數 Agent 記憶系統的預設思路是：先過濾、先抽取、先濃縮。MemPalace 則反過來想：如果資訊在進入記憶之前就被刪掉，那你未來根本沒有機會重新理解它。
這種思路的關鍵不是「永遠不要整理」，而是不要在太早的階段做不可逆刪除。
2. 核心設計支柱
支柱一：Verbatim-first
盡量保留原始對話與原始文件，避免只剩抽象結論。
支柱二：Structure over guesswork
不是讓模型猜什麼重要，而是用 wing、hall、room 這類結構讓記憶有明確位置。
支柱三：Layered memory
不是把全部內容永遠塞進上下文，而是分層載入：常駐少量關鍵記憶，按需搜索深層內容。
支柱四：Return to source
摘要可以當索引，但重要回答應該能回到原始 drawer 或原始對話驗證。
3. 這跟一般 RAG / memory 有什麼不同？
3.1 一般做法
很多系統會把內容切 chunk、做 embedding、存進向量資料庫，然後在查詢時抓最像的片段。這種方法有效，但常常偏平面化：你知道資料「語意相近」，卻不知道它在整體脈絡中的位置。
3.2 MemPalace 的差異
MemPalace 額外強調空間式組織。記憶不是一團片段，而是被放在可導航的宮殿裡。人物是一個 wing，專案是一個 wing；決策、事件、偏好是 hall；具體主題則是 rooms。這讓搜尋不只靠 similarity，也能靠結構縮小範圍。
4. 這個主張解決了什麼痛點？
- 痛點一：重複解釋 → 因為過去對話沒有被穩定記住。
- 痛點二：決策蒸發 → 因為只記住結果，沒保留背景與原因。
- 痛點三：搜尋很慢、很亂 → 因為資料只有語意相似度，缺少結構脈絡。
- 痛點四：模型不可信 → 因為回答無法回源，使用者不知道它根據什麼在說。
真正的價值
MemPalace 想做的，不只是「讓 AI 記得更多」，而是讓 AI 的記憶變得可導航、可追溯、可驗證、可延續。
5. 這種主張的代價是什麼？
這種設計不是沒有成本。它通常會帶來：
- 更高的資料管理複雜度
- 需要更好的結構設計與命名規則
- 需要思考哪些內容常駐、哪些按需載入
- 在壓縮與忠實保留之間持續取捨
但它換來的是更高的可持續性。對真正會被長期使用的 Agent 來說，這通常值得。
6. 你可以如何把這個主張用在自己的系統？
- 先保留原始資料，不要一開始就只存摘要。
- 替資料建立明確的「位置結構」，例如使用者、專案、主題、決策類型。
- 讓重要回答可以附帶來源，必要時能回查。
- 把摘要當成索引層，而不是唯一事實層。
- 設計常駐記憶與深度搜尋兩種路徑，不要把所有資訊都塞給模型。
7. 第一章總結
第一章其實在講一件事：Agent 想要真正有記憶，就不能只靠聊天當下的上下文，也不能只靠事後濃縮的摘要。它需要一種能保存原始內容、又能有效找回的架構。
這正是 MemPalace 的起點：記憶不是一份摘要，而是一座可以行走、定位、回查的宮殿。
本章重點整理
- 長期記憶是 Agent 從工具走向系統的關鍵。
- 摘要有用，但不能取代原始記憶。
- MemPalace 的主張是先保留，再透過結構與搜尋讓記憶可用。
- 好的 Agent memory 應該兼具可檢索、可回源、可延續三個特性。
