NCA Social Media
Erstellt:
Aktualisiert:
Autor:
Roland Golla
Grüne isometrische Illustration MemPalace KI Memory System mit Frau und Pistolen

Was ist MemPalace?

MemPalace ist ein Open Source KI Memory System, das Gespräche mit KI Assistenten wortwörtlich und lokal auf dem eigenen Rechner speichert. Statt eine KI zusammenfassen zu lassen, was wichtig war, bleibt jedes Wort erhalten und wird per semantischer Suche wiedergefunden. Damit löst MemPalace die KI Amnesie: Große Sprachmodelle wie ChatGPT oder Claude vergessen nach jeder Session sämtliche Inhalte. Wer monatelang mit einer KI an einem Projekt arbeitet, startet sonst bei jedem Neustart wieder bei null.
Die Architektur folgt der antiken Method of Loci, dem Gedächtnispalast. Wings stehen für Themengebiete wie ein Projekt oder eine Person, Rooms für einzelne Themen, Drawers für den unveränderten Originalinhalt. Suchen lassen sich damit gezielt auf einen Bereich begrenzen, statt gegen einen flachen Textkorpus zu laufen. Die Suchschicht ist austauschbar: ChromaDB ist der Standard, daneben stehen SQLite, eine native Rust Engine, Milvus, Qdrant und pgvector zur Wahl.
Das Projekt steht unter MIT Lizenz auf GitHub, wurde im April 2026 veröffentlicht und hat inzwischen über 59.000 Stars. Für Teams, die auf DSGVO konforme KI Infrastruktur setzen, ist die vollständig lokale Datenhaltung der entscheidende Punkt: kein API Key, keine Cloud, keine Übertragung an Dritte. Ein Sicherheitshinweis gehört dazu: Offizielle Quellen sind ausschließlich das GitHub Repository, das PyPI Paket und die Dokumentation unter mempalaceofficial.com. Vor Domains mit ähnlichem Namen warnt das Projekt selbst, dort wurde Schadsoftware verteilt.
NCA KI Workshop für Developer

Agentic Coding im Team, nicht nur im Glossar

Ein Tag inhouse mit Benjamin Klein für Developer, Tester und Admins. Context Engineering, Harness, ADRs und zwei Hands on Blöcke mit KI Agenten in eurem Setup.

  1. 1
    Kostenloses Vorgespräch
    Stand, Rollen und Ziele klären
  2. 2
    Workshoptag bei euch
    Praxis am Vormittag, Hands on danach
  3. 3
    Praxistag optional
    Agenten im eigenen Projekt
Benjamin Klein
Benjamin Klein
Senior Consultant
Zum Workshop für Developer arrow_forward
CYPRESS.IO Ambassador und IT Consultant für QA Engenieering und Qualität in PHP Projekten.
NCA Vibe Coding Consulting

Roland Golla ist Entwickler aus Leidenschaft – seit über 20 Jahren. Er hat hunderte Projekte begleitet, von Legacy-Refactoring bis KI-Integration. Bei Vibe Coding verbindet er das Beste aus beiden Welten: Die Geschwindigkeit von KI-generiertem Code mit der Qualität professioneller Softwareentwicklung. Kein Bullshit, keine Agentur-Floskeln – direkte Hilfe von jemandem, der selbst täglich im Code steckt.

E-Mail Kontakt

MemPalace aktuelle Version: Was sich seit dem Release geändert hat

Aktuell ist MemPalace 3.9. Das Repository liegt bei rund 59.000 Stars, 7.600 Forks und knapp 2.000 Commits, Entwicklungszweig ist develop. Wer die Seite aus der ersten Release Welle im April 2026 kennt, findet heute ein deutlich anderes Projekt vor. Die wichtigsten Änderungen im Überblick:
  • Installation: uv und pipx statt nacktem pip, dazu ein Docker Image für amd64 und arm64
  • Setup über den Agent: drei Agent Skills übernehmen Installation, Recall und Task Delegation
  • Austauschbare Backends: ChromaDB bleibt Standard, daneben SQLite, Rust, Milvus, Qdrant und pgvector
  • Native Rust Engine: gleiche Datei auf der Platte, deutlich weniger Speicherbedarf
  • 45 MCP Tools für Palace, Knowledge Graph, Drawer Verwaltung und Agent Koordination
  • Auto Save Hooks für Claude Code, Codex CLI und Cursor IDE
  • Ehrlichere Benchmarks: der glatte Hundertwert ist raus, dafür gibt es eine zurückgehaltene Messreihe
Die Backend Auswahl ist der größte architektonische Schritt. Der Vertrag für Speicher Backends wird bewusst gegen sehr unterschiedliche Systeme getestet, damit er nicht versehentlich um einen Anbieter herum gebaut wird. Jedes Backend außer ChromaDB ist Opt in. Namespaces und lexikalische Suche bringen alle mit, konfiguriert wird per Flag, Umgebungsvariable oder config.json.
Code: 
          
# Backend per Flag oder Umgebungsvariable
mempalace search "OAuth Entscheidung" --backend rust_exact

export MEMPALACE_BACKEND=qdrant
export MEMPALACE_QDRANT_URL=http://localhost:6333

# Postgres im eigenen Netz
export MEMPALACE_BACKEND=pgvector
export MEMPALACE_PGVECTOR_DSN=postgresql://user:pass@db:5432/mempalace
Die Rust Engine nutzt exakt dieselbe SQLite Datei wie das Python Backend, eine Migration entfällt also. In den im Repository dokumentierten Windows Messungen mit 334.000 Einträgen sank der Speicherverbrauch von 2.430 MB auf 557 MB, die warme Abfragezeit im Median von 14,7 ms auf 7,2 bis 11,8 ms. Die Standalone CLI ohne Python liegt nochmal leicht darunter. Diese Messungen stammen aus einer früheren Runde und wurden nach den Korrekturen am Code nicht wiederholt, sie sind also ein Anhaltspunkt und kein Abnahmewert.
Für den Alltag am wichtigsten sind die Auto Save Hooks. Sie speichern periodisch und vor jeder Kontext Komprimierung, für Claude Code, Codex CLI und Cursor. Ohne diese Hooks verfallen Claude Code Sessions nach 30 Tagen, der Kontext ist dann weg. Bestehende JSONL Transkripte lassen sich vorher mit mine nachziehen, für Recall auf Ebene einzelner Nachrichten gibt es zusätzlich den sweep Befehl, der pro Nachricht einen eigenen Drawer anlegt und wiederholbar durchläuft.

Wie funktioniert MemPalace?

Die meisten KI Memory Systeme wie Mem0 oder Zep extrahieren Zusammenfassungen aus Gesprächen. Eine KI entscheidet also, was wichtig ist, und verwirft den Rest. MemPalace geht den umgekehrten Weg und legt jedes Wort unverändert ab. Die Suche übernimmt anschließend eine Vektordatenbank, die semantisch ähnliche Passagen findet. Der Index ist dabei strukturiert, nicht flach.
  • Wings bündeln Themengebiete: ein Projekt, eine Person, ein Wissensbereich
  • Rooms gruppieren Themen innerhalb eines Wings
  • Drawers enthalten den Originalinhalt, wortwörtlich und durchsuchbar
  • Agents bekommen jeweils ein eigenes Wing mit eigenem Tagebuch, abrufbar zur Laufzeit statt fest im System Prompt
Dazu kommt ein Knowledge Graph mit zeitlichen Entity Relationship Triples und Gültigkeitsfenstern, gespeichert in lokalem SQLite. Einträge lassen sich anlegen, abfragen, ungültig setzen und als Zeitstrahl ausgeben. Damit werden Fragen beantwortbar wie: Woran hat Person X im Januar gearbeitet? Wann wurde Entscheidung Y getroffen und wann wurde sie kassiert?
Die Embeddings entstehen standardmäßig lokal. Zur Wahl stehen embeddinggemma-300m für über 100 Sprachen und all-MiniLM-L6-v2 für reines Englisch. Wer mehr Rechenleistung braucht, kann jeden OpenAI kompatiblen Endpunkt eintragen, etwa Ollama, LM Studio, llama.cpp oder vLLM. Läuft der Endpunkt im eigenen Netz, verlässt kein Inhalt das Haus. Welches Modell wofür passt, zeigt unser Überblick zu Embedding Modellen für RAG.

MemPalace installieren und einrichten

MemPalace braucht Python 3.9 oder höher und bringt eine eigene CLI mit. Deshalb gehört die Installation in eine isolierte Umgebung, sonst gibt es auf Debian, Ubuntu und Homebrew Pythons PEP 668 Fehler. Empfohlen wird uv, pipx funktioniert genauso.
Code: 
          
# Empfohlen: isolierte Installation mit uv
uv tool install mempalace
mempalace init ~/projects/meinprojekt

# Alternative
pipx install mempalace
Der zweite Weg läuft über den Coding Agent selbst. Das Repository stellt drei Agent Skills bereit: mempalace für Installation und Betrieb, mempalace-recall für die Suche vor jeder Antwort und mempalace-task für die Delegation von Aufgaben. Der Setup Skill erkennt das System, installiert das Paket, konfiguriert MCP und fragt, ob ein privater lokaler Palace, ein geteilter Hub oder ein Client an einem bestehenden Hub entstehen soll.
Code: 
          
# Skills installieren, danach den Agent das Setup fahren lassen
npx skills add MemPalace/mempalace

# Ohne lokales Python: Container Image, amd64 und arm64
docker pull ghcr.io/mempalace/mempalace:latest
docker run -i --rm -v mempalace-data:/data ghcr.io/mempalace/mempalace
Im Container liegt alles unter /data, also Palace, Konfiguration und das gecachte Embedding Modell. Ein Volume dorthin spart den erneuten Download. Unter Linux gilt: Das Image läuft als uid 1000, ein gemountetes Verzeichnis muss für diese uid lesbar sein, sonst kommt ein PermissionError statt einer Docker Meldung.
Code: 
          
# Inhalte in den Palace holen
mempalace mine ~/projects/meinprojekt
mempalace mine ~/.claude/projects/ --mode convos

# Suchen und Kontext laden
mempalace search "warum haben wir auf GraphQL gewechselt"
mempalace wake-up
Für Android gibt es keine native Termux Installation, weil ChromaDB und ONNX Runtime keine Android Wheels veröffentlichen. Der dokumentierte Weg führt über einen Debian PRoot Container. Der praktisch wichtigste Hinweis steht im Repository ganz oben: Claude Code Sessions laufen nach 30 Tagen ab, wenn keine Auto Save Hooks eingerichtet sind. Wer erst danach anfängt zu speichern, hat den Kontext bereits verloren.

MemPalace im Vergleich: Mem0, Zep und lokale Alternativen

MemPalace verzichtet bewusst auf den direkten Benchmark Vergleich mit Mem0, Mastra, Hindsight, Supermemory oder Zep. Die Begründung im Repository ist sauber: Diese Projekte veröffentlichen andere Metriken auf anderen Splits, und Retrieval Recall neben End to End QA Accuracy zu stellen wäre kein ehrlicher Vergleich. Was sich vergleichen lässt, ist der Ansatz.
  • Speicheransatz: Mem0 und Zep extrahieren Zusammenfassungen. MemPalace speichert die vollständige Konversation, in der eine Entscheidung begründet wurde
  • Kosten: MemPalace ist MIT lizenziert und kostenlos, der Kern läuft ohne API Key
  • Datenhaltung: MemPalace läuft lokal, die Cloud Dienste liegen auf fremden Servern
  • Reife: Die SaaS Anbieter sind länger am Markt und bringen mehr fertige Integrationen mit
  • Betrieb: MemPalace bringt den Betrieb ins eigene Team, inklusive Backup, Updates und Index Pflege
Die Zahlen stammen aus dem Repository und sind mit den dort dokumentierten Kommandos reproduzierbar. Auf LongMemEval erreicht der reine semantische Modus 96,6 Prozent Recall bei fünf Treffern, ohne Heuristik, ohne LLM, ohne API Aufruf. Die Hybrid Pipeline mit Keyword und Zeitnähe Boosting kommt auf 98,4 Prozent, gemessen auf 450 zurückgehaltenen Fragen. Mit zusätzlichem LLM Rerank sind es mindestens 99 Prozent. Auf einen glatten Hundertwert verzichtet das Projekt ausdrücklich, weil der letzte halbe Prozentpunkt durch Analyse einzelner Fehlversuche entstanden wäre. Weitere Benchmarks: LoCoMo 88,9 Prozent im Hybrid Modus, ConvoMem 92,9 Prozent, MemBench 80,3 Prozent.

DSGVO und lokale KI Memory Systeme

Für europäische Unternehmen ist Datensouveränität bei KI Memory geschäftskritisch. Wer Konversationen, Projektentscheidungen oder Kundenkommunikation in einem Cloud Memory ablegt, überträgt genau die sensiblen Inhalte an Dritte, die er sonst schützt. Welche Szenarien lokale Verarbeitung erzwingen, zeigt unser Überblick zu lokaler KI für Compliance.
MemPalace adressiert das durch vollständig lokalen Betrieb. Alle Daten bleiben auf dem eigenen Rechner oder Server, es gibt keinen Upload und keine externe Speicher API. Typische Einsatzfelder:
  • Interne Wissensbasen mit vertraulichen Projektinformationen, ergänzend zu Obsidian oder Logseq
  • Entwicklungsteams, die Sprint Entscheidungen und Code Reviews über Monate nachvollziehen müssen
  • Agenturen und Freelancer mit mehreren Kundenprojekten parallel
  • Agenten Setups, die Kontext brauchen, aber unter Kontrolle bleiben sollen, siehe Governed Agent Loop
Ein Punkt bleibt offen und gehört ehrlich benannt: Mehr Memory macht einen Agenten nicht automatisch besser. Ein Palace, der alles speichert, liefert auch alles zurück, wenn Scope und Freigaben fehlen. NCA ordnet Memory Systeme deshalb zusammen mit MCP RBAC, Quality Gates und klaren Regeln ein, statt sie als Einzellösung zu verkaufen. Die Anbindung an lokale Modelle über Ollama und Open WebUI gehört genauso dazu wie die Frage, welche Inhalte überhaupt in den Index dürfen.

This seems to be a general approach, so scaling it does not seem to be a problem.

Sean Ren, Professor of Computer Science, USC / CEO Sahara AI – via Decrypt

AI only knows what's already been done. It's the humans running it that actually create something unique and different.

Milla Jovovich, Schauspielerin, MemPalace Co-Autorin – via Instagram / Decrypt

Häufige Fragen zu MemPalace

Die wichtigsten Fragen und Antworten rund um MemPalace: aktuelle Version, Installation, Speicher Backends, Benchmarks und der Einsatz als lokales KI Memory System in der Praxis.
Was ist MemPalace 2026?

MemPalace ist ein Open Source KI Memory System unter MIT Lizenz. Es speichert Konversationen mit KI Assistenten wortwörtlich und lokal, statt sie zusammenfassen zu lassen, und findet sie per semantischer Suche wieder. Die Struktur folgt der Gedächtnispalast Technik mit Wings, Rooms und Drawers. Damit bleibt Kontext über Monate erhalten, ohne dass Daten das eigene System verlassen.

Welche MemPalace Version ist 2026 aktuell?

Aktuell ist Version 3.9. Seit dem Release im April 2026 sind austauschbare Speicher Backends, eine native Rust Engine, 45 MCP Tools, ein temporaler Knowledge Graph und Auto Save Hooks für Claude Code, Codex CLI und Cursor dazugekommen. Das Repository liegt bei rund 59.000 Stars. Entwicklungszweig ist develop, veröffentlichte Stände kommen über PyPI und das Container Image.

Wie installiere ich MemPalace 2026?

Empfohlen ist eine isolierte Installation mit uv über uv tool install mempalace, alternativ pipx. Plain pip gehört nur in ein aktiviertes virtuelles Environment, sonst gibt es PEP 668 Fehler. Wer kein lokales Python will, nimmt das Container Image von ghcr.io. Der dritte Weg läuft über npx skills add und lässt den Coding Agent das Setup inklusive MCP Konfiguration übernehmen.

Welche Benchmark Ergebnisse erreicht MemPalace 2026?

Auf LongMemEval erreicht der reine semantische Modus 96,6 Prozent Recall bei fünf Treffern, ganz ohne LLM und API Aufruf. Die Hybrid Pipeline kommt auf 98,4 Prozent, gemessen auf 450 zurückgehaltenen Fragen, mit zusätzlichem LLM Rerank auf mindestens 99 Prozent. Dazu kommen LoCoMo mit 88,9 Prozent, ConvoMem mit 92,9 Prozent und MemBench mit 80,3 Prozent.

Läuft MemPalace 2026 unter Windows?

Das Repository dokumentiert inzwischen Windows Messungen der Rust Engine, Windows kommt dort also vor. Wer keine lokale Python Toolchain aufsetzen will, nimmt das Container Image, das für amd64 und arm64 gebaut ist. Nicht unterstützt ist die native Installation unter Android Termux, weil ChromaDB und ONNX Runtime keine Android Wheels liefern. Dort führt der Weg über einen Debian PRoot Container.

Welche Speicher Backends unterstützt MemPalace?

ChromaDB ist der Standard und braucht keine Konfiguration. Daneben stehen sqlite_exact, die native Rust Variante rust_exact, Milvus, Qdrant und pgvector zur Verfügung. Alle bringen lexikalische Suche mit, Milvus, Qdrant und pgvector zusätzlich Namespaces. Ausgewählt wird per Flag, Umgebungsvariable oder config.json. Rust und SQLite teilen sich dieselbe Datei auf der Platte, eine Migration entfällt.

Was ist der Unterschied zwischen MemPalace und Mem0?

Mem0 extrahiert Zusammenfassungen aus Konversationen und legt sie in der Cloud ab. MemPalace speichert den vollständigen Wortlaut lokal, inklusive der Begründung hinter einer Entscheidung. Einen direkten Benchmark Vergleich lehnt das Projekt bewusst ab, weil beide Seiten unterschiedliche Metriken auf unterschiedlichen Datensätzen messen. Mem0 bringt dafür mehr fertige Integrationen und längere Marktreife mit.

Wozu brauche ich die Auto Save Hooks?

Ohne Hooks laufen Claude Code Sessions nach 30 Tagen ab, der Kontext ist dann verloren. Die Hooks speichern periodisch und vor jeder Kontext Komprimierung, verfügbar für Claude Code, Codex CLI und Cursor IDE. Bestehende Transkripte lassen sich vorher mit dem mine Befehl nachziehen. Für Recall auf Ebene einzelner Nachrichten legt der sweep Befehl pro Nachricht einen eigenen Drawer an.

Braucht MemPalace einen API Key?

Nein. Der Kernpfad inklusive der 96,6 Prozent auf LongMemEval läuft komplett ohne API Key, ohne Cloud und ohne LLM. Die Embeddings entstehen lokal mit embeddinggemma-300m für über 100 Sprachen oder all-MiniLM-L6-v2 für Englisch. Nur der optionale Rerank Schritt braucht ein Sprachmodell, und auch das darf ein selbst gehostetes oder europäisches Modell sein.

Ist MemPalace DSGVO konform?

MemPalace läuft vollständig lokal, es gibt keinen Upload und keine externe Speicher API. Damit bleiben die Daten in der eigenen Verantwortung, was die Grundlage für eine DSGVO konforme Verarbeitung ist. Konformität entsteht aber erst durch das Gesamtsetup: Zugriffsrechte, Löschkonzept, Backups und die Frage, welche Inhalte überhaupt in den Index wandern dürfen. Eine individuelle Datenschutzprüfung bleibt notwendig.

Wer hat MemPalace entwickelt?

Öffentlich wurde das Projekt im April 2026 mit den Namen Milla Jovovich und Ben Sigman verbunden, entwickelt mit KI Unterstützung. Das README nennt heute keine Autoren mehr, sondern verweist auf die Organisation MemPalace auf GitHub und die Beiträge der Community. Die Weiterentwicklung läuft offen über Pull Requests, Issues und Discussions unter MIT Lizenz.

Woran erkenne ich die echte MemPalace Quelle?

Offiziell sind nur drei Quellen: das GitHub Repository der Organisation MemPalace, das Paket mempalace auf PyPI und die Dokumentation unter mempalaceofficial.com. Das Projekt warnt selbst vor Nachahmer Domains mit anderen Endungen, über die Schadsoftware verteilt wurde. Wer per Kommando installiert, sollte den Paketnamen prüfen und keine Installationsskripte von fremden Seiten ausführen.