palacelite 0.5.0

轻量级 AI 记忆系统

PalaceLite

[]

轻量级 AI 记忆系统，灵感来自记忆宫殿。默认离线运行，数据完全本地化。

安装

pip install palacelite

首次使用需下载嵌入模型（约 100MB），添加 --online 参数即可自动下载，之后可永久离线运行：

palacelite chat -m /path/to/model.gguf --online

核心概念

采用三层结构组织记忆：

• Wing：项目或人
• Room：具体话题
• Drawer：记忆条目

每条记忆存储原文和向量，支持混合检索（向量相似度 + 时间衰减 + 重要性加权）。

快速开始

CLI 命令

# 添加记忆
palacelite add -w default -r chat -c "用户喜欢 PostgreSQL"

# 搜索记忆
palacelite search -q "数据库"

# 带记忆对话
palacelite chat -m /path/to/model.gguf -w default -r chat

# 列出活跃记忆
palacelite list

# 统计信息
palacelite stats

# 列出所有 Wing
palacelite wings

# 列出指定 Wing 下的 Room
palacelite rooms default

Python API

from palacelite import PalaceLite

p = PalaceLite()  # 默认离线，offline=False 可联网下载模型

# 添加记忆
p.add_memory("用户喜欢 PostgreSQL", "default", "chat")

# 搜索
results = p.search("数据库")

# 构建 LLM 上下文
context = p.build_context("数据库选型")

对话模式

# 首次使用（下载嵌入模型）
palacelite chat -m /path/to/model.gguf --online

# 日常使用
palacelite chat -m /path/to/model.gguf

# 指定 GPU 层数
palacelite chat -m /path/to/model.gguf -g 30

# 使用提炼模型压缩记忆
palacelite chat -m /path/to/model.gguf --distiller-model /path/to/small.gguf

对话命令：/help、/mem <关键词>、/list、/stats、/clear、/quit。

记忆维护

归档旧记忆

# 归档超过 90 天且重要性低于 2 的记忆
palacelite archive-old --days 90 --importance 2

# 列出已归档记忆
palacelite list-archived

# 导出归档记忆到 JSON
palacelite export-archived

# 永久删除归档记忆
palacelite delete-archived

数据清洗与重建

# 清洗导出数据（用于微调）
python scripts/clean_memories.py ~/backup.json ~/cleaned.json

# 更换嵌入模型后重建向量库
python scripts/rebuild_embeddings.py

命令速查

命令	说明
add -w <wing> -r <room> -c <内容>	添加记忆
search -q <关键词>	搜索记忆
chat -m <模型路径>	启动对话
list [-w wing] [-r room]	列出活跃记忆
stats	显示统计信息
wings	列出所有 Wing
rooms <wing>	列出 Wing 下的 Room
archive-old [--days 90] [--importance 2]	批量归档
list-archived	列出已归档记忆
export-archived [-o 路径]	导出归档
delete-archived	删除归档

配置

环境变量	默认值	说明
PALACE_MODEL_PATH	-	GGUF 模型文件路径
PALACE_MODEL_DIR	~/Public/ai/models	模型存放目录
GPU_LAYERS	20	GPU 加速层数

工作目录默认为 ~/.palacelite，可通过 PalaceLite(workspace="/path") 自定义。

架构

当前版本 (0.5.0) 已完成：

• SQLite-vec 向量存储，无需外部向量数据库
• 异步记忆提炼，不阻塞主对话
• 关系图谱 Schema（relations、patrol_queue），为后续版本做准备
• 混合检索：向量相似度 + 时间衰减 + 重要性加权
• 记忆归档与导出

路线图详见 ROADMAP1.md 和 ROADMAP2.md。

许可证

MIT