起猛了，今天在 GitHub 冲浪的时候，居然刷到了《生化危机》女主角的项目！

Milla Jovovich，那位曾饰演战神“爱丽丝”的知名女星，最近和资深程序员老友 Ben Sigman，以及大模型 Claude 一起，合力造出了一个本地 AI 记忆系统。

这个系统打磨数月，一亮相就直接在长期记忆基准测试 LongMemEval 中拿下了“公开可查史上最高分”——96.6%。而且，项目完全开源免费，普通人也能直接在本地跑起来。

当然，比跑分更让极客们兴奋的，是这个项目极具创意的底层逻辑。

把数据装进“记忆宫殿”，检索效率飙升34%

就像它的代号 MemPalace 一样，系统灵感来自古希腊演说家爱用的“记忆宫殿法”。这套玩法完全摒弃了传统的全局乱搜，而是让AI像人一样，通过“空间位置”来组织记忆。

根据开发者 Ben Sigman 晒出的硬核跑分图，目前市面上的AI记忆系统在这个“宫殿”面前多少都有点黯然失色：除了 RAW 模式拿下史上最高分，它还在侧重短期记忆的 ConvoMem 和超长记忆的 LoCoMo 测试中，分别斩获 92.9% 和 100% 的满分成绩！

它是怎么实现类人记忆的？核心在于建立一套空间导航结构：

  • Wing（翅膀）：代表一个人或一个大项目，是一个打底的独立空间。
  • Room（房间）：代表特定主题（如代码部署、账号计费）。
  • Hall（走廊）：连接房间，给信息打上“偏好”、“决策”等属性标签。
  • Closet & Drawer（衣柜与抽屉）：抽屉放几万字的原始对话，衣柜只放高度压缩的摘要。

如果在不同的人或项目间聊到了同一个话题，系统还会自动打通 Tunnel（隧道） 串联情报。根据作者在 2.2 万个真实对话中做的测试对比，一旦用上“ Wing + Room ”的精准定位，检索准确率相比全局搜索直接提升了约 34%！

把年花销从507美元砍到10美元

那么这套系统能省多少钱？作者搞了一套优先级极为分明的**“记忆堆栈”**。

核心设定就是：先用最小成本理解你，不够再局部补充，实在不行才全局深搜。

系统平时只常驻加载极小的核心档案（L0+L1），大约才 170 个 tokens。如果你给普通 AI 喂进去相当于 200 本书（约 1950 万 tokens）的连续半年聊天记录，传统大模型光是做文本压缩每年就要烧掉约 507 美元，还容易丢细节。

而在 MemPalace 的按需加载机制下，年成本被硬生生砍到了 10 美元左右，并且细节滴水不漏。

为了进一步提升 AI 认知的稳定性，他们甚至专门给大模型发明了一种叫 AAAK 的缩写语言和一套实时纠错工具。废话越少，AI 的抓取越精准。

不想当架构师的游戏人，不是好女演

回到大家最关心的八卦：一位好莱坞动作明星，怎么就玩起了硬核代码？

事情要追溯到 Milla 私下一直在搞的一个大型游戏项目。在开发过程中她痛苦地发现，如何管理和利用繁琐的灵感与信息，可能比写项目本身更让人头秃。

为了自救，她找到了相识 20 多年的好友 Ben Sigman。

半年前，Ben 给她安利了 Claude，Milla 瞬间开窍——原来 AI 可以跳过繁琐的编码环节，直接把创意落地为系统！两人一拍即合，“一个架构师主管框架设计 + 一个老兵程序员兜底 + Claude 当牛马跑代码”的神奇车队就此发车。

目前，MemPalace 在开源社区的热度正以恐怖的速度狂飙，GitHub 的 Star 数已经光速突破了 17.4k。

有手快的大佬甚至马上就利用该系统，通过 AI Agent 直接给这套架构糊了一个开源的可视化网页前端，知识图谱一目了然！

【编辑观察】 以前我们总觉得 AI 和代码是程序员的专属，但 Milla 的这波操作强势证明了：当大模型的编码能力成熟后，“创意和架构思维”将成为跨界人才最锋利的武器。一款由好莱坞明星主导优化的工具，不仅吊打了诸多原教旨开发者的产物，顺便还整顿了“高昂的大模型上下文成本”，这本身就是最具赛博朋克感的现实主义大片。