MemPalace/mempalace
The best-benchmarked open-source AI memory system. And it's free.
Hızlı değerlendirme
Özet
MemPalace, AI konuşma geçmişini yerel olarak özgün metin halinde saklayıp semantic search ile gerektiğinde geri çağıran bir memory sistemi sunuyor.
Profiline uyum
MCP ve semantik aramayla agent'lara kalıcı hafıza sağlaması, kullandığın agent, RAG ve vektör arama yaklaşımlarına doğrudan dokunuyor.
Neden yükseliyor
AI agent’larda kalıcı memory ihtiyacına doğrudan odaklanması ve local-first yaklaşımı ilgi çekiyor; 176 günde 59 binden fazla yıldız dikkat çekici bir görünürlük gösteriyor. Son 28 gündeki 132 commit ve 22 farklı yazar da kayda değer geliştirme hareketliliğine işaret ediyor; ancak yıldızlar benimseme veya kaliteyi tek başına kanıtlamaz.
Problem
AI agent’ların önceki konuşmalardaki kişi, proje ve kararları unutması; geçmiş bilgiyi özetleme veya dış servislere gönderme olmadan yeniden bulmanın zor olması.
Çözüm
Konuşma geçmişini verbatim saklıyor; people ve projects için wings, topics için rooms, özgün içerik için drawers kullanan hiyerarşik bir yapı üzerinde semantic search sağlıyor. Retrieval backend’i değiştirilebilir; varsayılan backend ChromaDB ve sistem MCP üzerinden agent’lara bağlanabiliyor.
Yenilik
Özet üretmek yerine özgün konuşma metnini saklayıp hiyerarşik bir indeksle arama yaklaşımı belirgin bir ürün tercihi. Bunun ne ölçüde retrieval kalitesi üstünlüğü sağladığı, README’deki LongMemEval için 96.6% R@5 iddiasından bağımsız olarak bu bilgilerle doğrulanamıyor.
Teknolojiler
- Python
- ChromaDB
- MCP
- ONNX Runtime
- Docker
- uv
- pipx
Riskler
- 96.6% R@5 ve “best-benchmarked” ifadeleri README iddiasıdır; benchmark koşulları ve bağımsız doğrulama bu içerikte görünmüyor.
- Verbatim geçmiş saklamak hassas konuşma verilerinin yerel diskte uzun süre tutulması anlamına gelir; erişim, yedekleme ve silme politikaları ayrıca değerlendirilmelidir.
- Claude Code oturumları için otomatik kayıt hook’ları kurulmazsa geçmiş 30 gün içinde sona erebilir; kalıcılık varsayılan olarak garanti değil.
- ChromaDB ve embedding bağımlılıkları ilk çalıştırmada model indirme gerektirebilir; Android/Termux için yerel kurulum desteklenmiyor.
- AI memory alanında retrieval kalitesi kullanılan embedding modeli, indeksleme ve arama ayarlarına bağlıdır; proje tanıtımındaki sonuçlar farklı kullanım koşullarına doğrudan genellenemez.
Detaylı değerlendirme
Uyum profiline göre: bu işime yarar mı?
Ne yapar
MemPalace, AI agent ve developer tool session'larinin conversation history'sini verbatim olarak saklayip semantic search ile geri getiren local-first bir memory sistemi. Icerigi summarize veya paraphrase etmek yerine kaynak metni koruyor; people ve projects icin wing, topic icin room, ham icerik icin drawer hiyerarsisini kullaniyor. CLI, MCP server, auto-save hooks, knowledge graph ve agent diary/coordination ozellikleri de sunuyor.
Nasıl çalışır
Varsayilan olarak local ChromaDB ve local embedding model kullaniyor; boylece temel akis icin API key veya cloud servisi gerekmiyor. Icerik `mempalace mine` veya conversation hook'lariyla indexleniyor, `mempalace search` ya da MCP tools ile aranıyor, `mempalace wake-up` ile yeni session'a context yukleniyor. Retrieval backend'i degistirilebilir; ChromaDB disinda SQLite exact search, Rust native search, Milvus, Qdrant ve pgvector backend'leri bulunuyor. MCP katmani palace, knowledge graph, drawer, diary ve agent coordination islemleri icin 45 tool bildiriyor. Ayrica temporal validity windows kullanan local SQLite tabanli bir knowledge graph var.
Kullanım alanları
- Claude Code, Codex CLI veya Cursor session memory ve context compression sonrasi recovery
- Birden fazla agent arasinda diary, event ve artifact handoff
- Proje dosyalari ve conversation transcript'leri icin local semantic search
- Uzun sureli user/project preference ve karar hafizasi
- MCP destekli coding agent'lara search-before-answer context saglama
- Supabase/PostgreSQL tarafinda pgvector backend'iyle merkezi memory servisi kurmayi deneme
Alternatifler
- Mem0
- Zep
- Hindsight
- Supermemory
- Mastra
Kimler için
Local-first memory isteyen coding-agent ve MCP kullanan ekipler icin. Ozellikle Claude Code veya benzeri CLI transcript'lerini otomatik kaydetmek, onceki teknik kararlar ve session context'ini geri getirmek isteyen gelistirici ekiplerine hitap ediyor. Next.js request path'inde dogrudan calisacak bir kutuphane degil; ayri bir Python CLI/MCP server veya servis olarak konumlanmali.
Olgunluk
Core local CLI, MCP server ve backend abstraction'i aktif gelistiriliyor gibi gorunuyor: version 3.9.0, son 28 gunde 216 commit, 23 farkli yazar ve 17 release var. README benchmark komutlarini ve per-question result dosyalarini repo icinde belirtiyor; bu olumlu. Ancak proje sadece 164 gunluk ve README'deki LongMemEval sonuclarinin urun akisina, veri izolasyonuna ve production multi-tenant yukune nasil genellenecegi acik degil. Bu nedenle local developer tooling icin erken uretim kullanimi makul, Kaliwa'nin production memory katmani icin ise once sinirli pilot seviyesinde degerlendirilmeli.
Kurulum
En kolay deneme `uv tool install mempalace` ve `mempalace init ~/projects/myapp` ile yapiliyor. Claude Code benzeri bir client icin `npx skills add MemPalace/mempalace` ile guided setup veya Docker uzerinden stdio MCP server kullanilabiliyor. Ilk embedding kullaniminda model indiriliyor; secilen modele gore yaklasik 80-300 MB disk ve ilk istekte network gerekiyor. Python 3.9+, ChromaDB, NumPy, grpcio ve ONNX Runtime gibi bagimliliklar var. Supabase entegrasyonu icin `pgvector` extra kurulumu, PostgreSQL DSN, schema/namespace davranisi ve index rebuild testi ayrica yapilmali. Dar kapsamli bir PoC birkac saatlik; production'a alinmasi ise auth, tenancy, retention, backup ve operasyon katmanlari nedeniyle belirgin sekilde daha zahmetli.
Bizim için
Somut kullanım
Ilk somut deneme, bir gelistiricinin Claude Code session transcript'lerini `mempalace mine ~/.claude/projects/ --mode convos` ile indexlemek ve MCP server'i yeni session'lara baglamak. Olculecek metrikler: onceki mimari kararlarin bulunma orani, context compression sonrasi recovery basarisi, arama latency'si ve local disk/PostgreSQL maliyeti. Ikinci asamada Supabase PostgreSQL + pgvector backend'i ile merkezi, ekip icinde paylasilan bir palace denenebilir. Ancak bunu dogrudan Kaliwa'nin son kullanici memory'si yapmayin; Python servisini ayri bir internal service olarak calistirin ve Next.js/Edge Functions tarafina sadece kendi auth ve authorization katmaninizdan gecen dar bir API verin.
Uyum gerekçesi
Konu uyumu yuksek: ekip LLM, RAG, MCP, ai-agents ve pgvector kullaniyor; MemPalace de bu akislarin kesistigi bir memory ve retrieval katmani sunuyor. pgvector backend'i Supabase/PostgreSQL yiginina teorik olarak iyi oturuyor, MCP entegrasyonu da takip ettigimiz agent mimarileriyle uyumlu. Buna karsin ana implementasyon Python, local process ve ChromaDB/native embedding bagimliliklari uzerine kurulu; Next.js, TypeScript, Deno Edge Functions ve Vercel'e dogrudan paket olarak oturmuyor. Bu nedenle developer-agent memory PoC'si icin iyi, Kaliwa product runtime'inin genel memory altyapisi icin orta seviyede uygun.
Engeller
- Python 3.9+ runtime ve ChromaDB, NumPy, grpcio, ONNX Runtime gibi bagimliliklar Kaliwa'nin TypeScript/Deno/Vercel akisina dogrudan uymuyor.
- Supabase Edge Functions icinde bu Python/native dependency stack'ini calistirmak uygun degil; ayri process veya servis gerektirir.
- MCP stdio server'in production Vercel request modeliyle entegrasyonu dogrudan degil.
- Multi-tenant authorization, row-level security, tenant isolation ve production retention/silme politikalari README'de yeterince aciklanmiyor.
- Local embedding model icin ilk download, model secimi ve farkli embedding model'lerine geciste index rebuild gereksinimi var.
- 45 MCP tool genis bir yetki alani sunuyor; Kaliwa icin tool bazli least-privilege politikasi tasarlanmasi gerekir.
- Benchmarklar retrieval recall olcuyor; Kaliwa'nin end-to-end RAG cevap kalitesini, maliyetini veya latency'sini kanitlamiyor.
- Proje cok yeni olmasina ragmen cok yuksek yildiz ve iddiali benchmark sonuclari bildiriyor; bagimsiz yeniden uretim ve kendi verimizle dogrulama gerekli.
Ne zaman kullanılır
Kaliwa ekibinin coding-agent session'larinda onceki kararlarin, repo context'inin ve kullanici tercihlerinin local ya da kendi PostgreSQL altyapisinda aranmasi gerektiğinde kullanilir. Ilk deneme icin Claude Code transcript'lerini MCP ile indexleyip yeni session'da teknik kararlarin geri bulunmasini olcmek uygun. Ayrica mevcut Supabase PostgreSQL ve pgvector altyapisi uzerinde MemPalace'in retrieval kalitesini, local ChromaDB'ye karsi karsilastirmak icin kullanilabilir.
Ne zaman kullanılmaz
Kaliwa web uygulamasinin Next.js veya Supabase Edge Functions icinde dusuk latency'li, tenant izolasyonlu, auth ile entegre bir production memory API'si gerekiyorsa dogrudan kullanilmamali. Python runtime, ChromaDB/ONNX gibi native bagimliliklar ve Edge Functions'in Deno runtime'iyle uyumsuzluk yaratir. Hassas conversation'larin otomatik olarak uzun sureli saklanmasi, silme/retention garantisi, ayrintili authorization veya Vercel request path icinde deterministik latency gerekiyorsa mevcut README kaniti yeterli degil. README'deki benchmark sonuclarini kendi domain verinizde end-to-end answer quality olarak kabul etmemek gerekir.
Dikkat edilecekler
- MIT lisans olumlu; ancak embedding model lisansini ve secilen backend'in ayri lisans/operasyon sartlarini da kontrol edin.
- README'nin benchmark iddialarini benchmark komutlariyla yeniden calistirin; ozellikle LongMemEval'in hangi preprocessing ve chunking ile kullanildigini inceleyin.
- Kaliwa'nin PostgreSQL/Supabase kullanimi icin `pgvector` backend'inin schema, migration, connection pooling ve index stratejisini kod seviyesinde dogrulayin.
- Conversation verisi icin retention, kullanici silme, export, encryption ve PII redaction politikalari eklenmeden merkezi deployment yapmayin.
- MCP tools'u once read-only veya dar yetkili bir wrapper arkasinda sunun; agent coordination ve write operasyonlarini varsayilan olarak acmayin.
- ChromaDB local path ve embedding model cache'inin backup/restore davranisini test edin.
- Local-first modda birden fazla developer arasinda ortak memory beklemeyin; shared-brain hub ve client deployment modelini ayri test edin.
- PoC'de retrieval recall kadar yeni session'a eklenen token miktarini, p95 latency'yi ve yanlis/eskimis memory oranini da olcun.