點點學院 banner
推薦課程平台
前往點點學院，查看更多 AI 與實戰課程
如果你喜歡這篇內容，可以直接到點點學院延伸閱讀更多工具教學、工作流與實作型課程。
立即前往 →
← 回到課程總覽
Agent Memory Architecture

MemPalace 教學大綱

以「記憶宮殿」設計 Agent 記憶體：從架構、資料流到檢索策略

🧠 課程簡介

這份教學大綱根據 MemPalace 官方公開內容與相關說明整理，聚焦在「如何為 AI Agent 建立可持續、可搜尋、可演化的記憶體架構」。

核心觀念不是讓模型先摘要再記住，而是盡量保留原始內容，透過空間結構、分層記憶與檢索策略，讓記憶變得可用。

適合對象：AI 產品經理、Agent 系統設計者、知識管理工作者、MCP / RAG / 長期記憶系統開發者。

→ 先看補充頁：概念對照篇（L0-L3 vs Wing / Hall / Room / Closet / Drawer）

課程定位

架構導向課程，重點在設計思維、資料組織、檢索流程與工程取捨，而不是單純安裝教學。

核心問題

AI 對話結束後為什麼會失憶？如何讓決策、偏好、脈絡與原始推理過程被保存並能再次找回？

學習成果

完成後你可以規劃一套屬於自己產品或團隊的 Agent 記憶系統藍圖。

01

問題定義：Agent 為什麼需要長期記憶？

From ephemeral chat to durable memory
1.1
AI 對話的脆弱性
每次 session 結束，決策、除錯過程、偏好與上下文就可能消失。
1.2
摘要式記憶的侷限
當系統只抽取「重要資訊」，原始脈絡與理由往往一起被丟掉。
1.3
MemPalace 的核心主張
不是先刪掉資訊，而是先保留，再透過結構讓它可檢索。
02

記憶宮殿結構：Wing / Hall / Room / Closet / Drawer

Spatial organization as retrieval design
2.1
Wing：以人物、專案、主題為記憶入口
每個 wing 對應一個主要脈絡來源，例如某個人、某個產品或某個任務域。
2.2
Hall 與 Room：用類型與主題細分記憶
Hall 可對應 facts、events、discoveries、preferences、advice；Room 則對應 auth-migration、deploy、pricing 等具體概念。
2.3
Closet 與 Drawer：摘要索引與原始內容共存
Closet 指向原始 Drawer，讓 agent 能先定位，再回到 verbatim source。
2.4
Tunnel：跨 wing 的關聯
同一主題在不同人物、專案之間形成交叉連結，支援跨情境回憶。
03

分層記憶栈：L0 到 L3

What should always be loaded, and what should stay on demand?
3.1
L0：Identity
Agent 是誰、服務誰、要遵守什麼邊界與角色設定。
3.2
L1：Critical facts
團隊、專案、偏好、固定規則等常駐記憶，通常以極小 token 成本長駐。
3.3
L2：Room recall
當前主題的最近上下文，針對正在進行的工作動態載入。
3.4
L3：Deep search
面對明確提問時，再跨所有記憶做 semantic search，避免把所有資料塞進上下文。
(補充)

概念對照篇：兩套模型怎麼一起運作？

L0-L3 vs Wing / Hall / Room / Closet / Drawer
補充 1
概念對照篇
理解分層記憶（L0-L3）與空間結構（Wing / Hall / Room / Closet / Drawer）之間的差異與協作方式。
04

資料攝入：怎麼把世界裝進 Agent 記憶體？

Mining projects, conversations, and general memory
4.1
Projects 模式
從 code、docs、notes 建立專案記憶，保留決策與演化軌跡。
4.2
Convos 模式
把 Claude、ChatGPT、Slack 等對話輸入記憶系統，避免 chat window 蒸發。
4.3
General extraction 模式
把 decisions、milestones、problems、preferences 等分類整理成可搜尋知識。
05

檢索流程：從問題到答案的回憶鏈

Wake-up, search, rerank, return to source
5.1
Wake-up context
先載入小而關鍵的記憶，讓 agent 一醒來就知道你是誰、目前在做什麼。
5.2
搜尋策略
從 wing、hall、room 開始縮小範圍，再進入深度搜尋，避免昂貴且雜訊多的全域查詢。
5.3
Verbatim-first 回源原則
讓系統最終回到原始對話或原始文件，降低摘要失真的風險。
06

AAAK 壓縮方言：壓縮，不等於無損

Compression trade-offs for agent memory
6.1
AAAK 是什麼
一種給 LLM 讀的文字壓縮方言，用於高重複實體與大規模場景。
6.2
AAAK 的優點與適用情境
當資料量巨大、人物與專案大量重複時，token 成本可能明顯下降。
6.3
AAAK 的限制與誠實分析
官方也承認 AAAK 是 lossy，不適合被神化成萬能壓縮；小規模文字甚至可能更耗 token。
07

與 MCP / CLI / 本地模型整合

Making memory usable by real agents
7.1
MCP 工具整合
讓 Claude 或其他支援 MCP 的 agent 能自動呼叫記憶搜尋工具。
7.2
CLI 與 wake-up 檔案
對不支援 MCP 的本地模型，可先用 wake-up text 或查詢結果餵回 prompt。
7.3
離線、本地、可移植
資料不出機器，記憶系統不依賴雲端 API，這對企業、個人與敏感資料都很關鍵。
08

基準測試與工程現實

Benchmarks, honesty, and what numbers really mean
8.1
LongMemEval 指標怎麼看
理解 raw mode、AAAK mode、rooms mode 的差異，不被單一 headline 誤導。
8.2
高分不代表沒有 trade-off
檢索精度、token 成本、結構複雜度、維護成本之間永遠需要平衡。
8.3
開源專案的誠實修正
MemPalace 官方對 README 中誇大敘述進行更正，本身就是很好的工程教育案例。
09

實戰應用：為自己的 Agent 設計記憶系統

From concept to your own memory architecture
9.1
先定義你的 wing 與 hall
你的 agent 是以使用者、客戶、專案、產品線，還是任務類型作為主要入口？
9.2
決定哪些記憶要常駐，哪些要按需檢索
如果把所有東西都常駐，成本會爆；如果都不常駐，agent 就像失憶。
9.3
規劃回源與驗證機制
重要回答能否回到原始來源？能否檢查矛盾與過期資訊？
9.4
建立你的版本 1 記憶藍圖
用最小可行結構先上線，再逐步增加壓縮、圖譜、重排序與自動化。

⚠️ 教學觀點補充

這份大綱刻意保留了一個重要觀點：Agent 記憶不是只有「存」的問題，更是「怎麼找回來」的問題。

因此課程會把重點放在結構設計、回源機制、分層上下文與資料誠實性，而不是只談向量資料庫或 benchmark 分數。

🔗 相關來源與延伸閱讀

以下是本大綱整理時參考的主要公開來源：

MemPalace 分析書：zhanghandong.github.io/memplace-book/ MemPalace GitHub Repository MemPalace Releases MemPalace README
點點學院 banner
延伸閱讀
喜歡這篇內容？到點點學院看更多完整課程
從工具理解到實戰應用，點點學院整理了更多 AI、工作流與教學型內容，適合繼續往下學。
前往點點學院 →