首页
/ MemPalace Antigravity Recall Skill:「先搜索再回答」回忆协议的完整实现解析

MemPalace Antigravity Recall Skill:「先搜索再回答」回忆协议的完整实现解析

2026-09-06 10:59:29作者：平淮齐Percy
mempalace
The best-benchmarked open-source AI memory system. And it's free.
项目地址：https://gitcode.com/GitHub_Trending/me/mempalace

本文围绕 MemPalace 的 Antigravity 插件中的召回技能文件 .antigravity-plugin/skills/mempalace-recall/SKILL.md 展开，完整解读「Search-before-answer（先搜索、再回答）」回忆协议的触发时机、六步流程、MCP 工具选择表与失败处理策略，并结合插件安装结构、PreInvocation 唤醒钩子脚本与 MCP 服务器源码，说明该协议在 IDE Agent 集成中的落地机制。读完后你将掌握：如何在 Agent 集成中定义回忆协议、如何通过钩子在会话首轮注入记忆、以及如何在召回、时间知识与日记续写之间正确选择 MCP 工具。

技能定位：一个只做「召回」的 Agent Skill

MemPalace 是一个面向 AI 的本地优先、逐字（verbatim）存储的记忆宫殿系统。它的 Antigravity 插件目录 .antigravity-plugin/ 在仓库中即安装到 ~/.gemini/config/plugins/mempalace/ 时的内容源头，目录结构如下：

.antigravity-plugin/
├── plugin.json            # marker manifest（最小 schema，name: "mempalace"）
├── mcp_config.json        # 自动注册 mempalace-mcp stdio 服务器
├── hooks.json.tmpl        # 钩子模板，安装器渲染为 hooks.json
├── skills/
│   ├── mempalace/
│   │   └── SKILL.md       # 运维技能：安装 / mine / status / CLI 委托
│   └── mempalace-recall/
│       └── SKILL.md       # 召回技能：search-before-answer 协议（本文主角）
├── rules/
│   └── mempalace-recall.md # 可选召回规则（与技能互补）
└── README.md

其中 plugin.json 仅包含 {"name": "mempalace"} 这一最小清单，mcp_config.json 则以 stdio 方式注册 mempalace-mcp 二进制：

{
  "mcpServers": {
    "mempalace": {
      "command": "mempalace-mcp"
    }
  }
}

mempalace-recall 技能文件的 YAML frontmatter 定义了技能的触发语义——name: mempalace-recall，描述中明确指出：当用户询问「当时决定了什么、之前发生过什么、某人是谁、上次讨论过什么」，或任何可能已归档进记忆宫殿的内容时应应用该技能；它补充覆盖 mempalace 技能（后者负责安装 / mine / status），自身只覆盖召回（recall）这一件事。

插件 README 总结了 MemPalace 的「三层召回」设计，从急切到按需递进，本文的技能是第二层：

  1. 唤醒钩子（Wake hook）：hooks/antigravity/mempal_wake_hook_antigravity.sh，挂在 PreInvocation 事件上、门禁为 invocationNum == 1。会话第一次模型调用时运行 mempalace wake-up，通过 Antigravity 的 injectSteps[].ephemeralMessage 输出逐字注入宫殿内容——与 Cursor 的 sessionStart additional_context 语义相当，区别在于它交付的是记忆本身，而非「去取记忆」的指令。
  2. 召回技能：即本文主角 skills/mempalace-recall/SKILL.md，定义 Agent 在某个回合具备召回相关性时遵循的搜索协议——工具选择、失败路径、反模式。
  3. 可选召回规则：rules/mempalace-recall.md，一个轻量 markdown 规则，在 Antigravity 的匹配器判定回合具有召回相关性时「轻推」Agent 先搜索。它刻意只做召回作用域（而非全局常开规则），避免给无记忆相关性的绿色场（greenfield）工作增加延迟，遵守 MemPalace「记忆应当感觉瞬时」的预算约束。

三层都指向同一份规范协议 integrations/shared/recall-protocol.md，保证技能与规则永不漂移。

Step 0 — 先验证 MemPalace 可用

技能的第一条规则是：在依赖召回之前，确认 MemPalace 已安装且可达。原文档给出的检查命令是：

mempalace --version

这里有一条重要的原则性约束：不要假设版本——当前构建的 MCP 工具集才是该安装版本支持什么的事实来源（source of truth）。这一设计与 mempalace 技能 中的「动态、版本正确的指令」思路一致：CLI 提供 mempalace instructions <command> 按操作返回与安装版本匹配的完整指引，技能文档明确要求「当 CLI 输出与技能文本不一致时，以 CLI 为准」。

失败路径同样被写死：如果 mempalace_* MCP 工具不可用，必须明确告诉用户服务器未连接，并指引其使用 mempalace 技能完成配置——绝不允许悄悄退化为用模型记忆作答。

Identity — 角色设定：资深 AI 记忆系统工程师

技能文档中用一段「Identity」为 Agent 设定行为人格：

扮演一名拥有数十年经验的资深 AI 记忆系统工程师，精通逐字召回、语义检索与时序知识图谱。来自宫殿的逐字召回永远胜过来自模型记忆的自信猜测——错误比慢更糟（Wrong is worse than slow）。

这句「Wrong is worse than slow」是整个协议的价值底座：宁可多花一次工具调用的延迟去查宫殿，也不要用可能过时的模型记忆生成一个自信的错误答案。

何时召回、何时不召回

这是协议中最容易被忽视但最影响体验的部分。技能文档规定，只要用户问到的内容可能已归档，就在回答前搜索：

  • 过往工作或先前决策——「我们当时决定 / 尝试 / 做了什么？」
  • 某个人的、项目的、实体的——「谁是谁」「这是什么」
  • 更早的会话——「记得我们……」「上次……」「我们讨论过的那个」
  • 可能随时间变化的偏好、事实或关系

反过来，纯绿色场工作不做召回（如「重命名这个变量」「修这个错别字」）。原文档的表述很关键：

Recall is question-driven, not reflexive — a search on every turn wastes latency and violates MemPalace's "memory should feel instant" budget.

（召回是问题驱动的，不是反射性的——每一轮都搜索会浪费延迟，并违反 MemPalace「记忆应当感觉瞬时」的预算。）

这与可选规则文件 rules/mempalace-recall.md 的结尾呼应：「Skip recall for pure greenfield work with no memory relevance... Recall is question-driven, not reflexive.」两者共享同一条 规范协议，该协议同样声明自己是跨所有 MemPalace 集成（Cursor、Antigravity、Claude Code、Codex、OpenClaw）的单一事实来源，服务于「100% recall, verbatim, never guess」的基础承诺。

六步召回协议（Protocol）

技能文档的核心是六步协议，规范协议中逐条对应：

  1. 唤醒注入（On wake-up）：MemPalace 的 PreInvocation 钩子在会话第一次模型调用时，通过 injectSteps[].ephemeralMessage 注入逐字的宫殿内容。如果记忆已被注入，先从它出发，再决定是否进一步搜索。
  2. 回答前搜索（Before responding）：在回答任何关于人物、项目、历史事件或先前决策的问题之前，先调用 mempalace_search。对于关系型或时间型事实（「三月时谁向谁汇报」「当时什么状态是真的」），改用 mempalace_kg_query 或同时使用。
  3. 不确定时（If unsure）：对事实（姓名、年龄、关系、偏好）拿不准时，说出「let me check the palace」然后查询。错误比慢更糟。
  4. 逐字返回（Return verbatim）：引用抽屉（drawer）存储的原始文字。绝不总结、改写或有损压缩宫殿返回的内容——这正是整个系统的意义所在。
  5. 实质性会话之后：用 mempalace_diary_write 记录会话连续性。注意括号里的告诫：后台钩子可能已经做了这件事——不要重复归档（do not double-file）。
  6. 事实变化时：选择能保留时间历史的写操作：
    • mempalace_kg_supersede —— 单值事实替换（型号、雇主、所有者、地址、当前状态）；
    • mempalace_kg_invalidate —— 无替代地结束的事实；
    • mempalace_kg_add —— 相互独立 / 共存的事实。

唤醒注入的源码级实现

第 1 步并非纸面协议。hooks/antigravity/mempal_wake_hook_antigravity.sh 展示了完整实现，其中有几个值得注意的工程细节：

  • 门禁：PreInvocation 事件在每次模型调用前触发，脚本通过 invocationNum == 1 判定「会话第一次模型调用」，并用原子 mkdir 标记（antigravity_woke_${CONVERSATION_ID}）保证每个会话只注入一次，避免逐轮注入带来的开销与视觉噪音；
  • 逐字保证：脚本以内嵌 Python 以 subprocess.run([sys.executable, "-m", "mempalace", "wake-up", "--wing", wing], timeout=0.5) 调用 CLI，把 stdout 原样包进 {"injectSteps": [{"ephemeralMessage": body}]} 输出——json.dumps 负责正确转义，不做任何改写；
  • 500ms 硬超时与 fail-open：超时、非零退出、解析失败一律输出 {} 并放行——错过注入预算严格优于阻塞用户（脚本注释中说明：比 100ms 的启动注入预算更宽松，因为冷 ChromaDB 连接可能占大头）；
  • Wing 推断：从 stdin 的 workspacePaths[0]（第一个绝对工作区路径）推断 wing 作用域，多工作区会话以第一个为准；
  • 防护：脚本刻意不启用 set -e（fail-open 是强制要求），并有一条防御性检查——PreInvocation 钩子绝不输出 Stop 事件专用的 decision 字段，防止未来编辑引入 Stop 形状的 JSON 导致 Agent 陷入死循环。

该钩子与 Stop 钩子在 hooks.json.tmpl 中注册，安装器把 __PLUGIN_DIR__ 占位符渲染为绝对安装路径：

{
  "mempalace-save": {
    "Stop": [
      { "type": "command",
        "command": "__PLUGIN_DIR__/hooks/mempal_save_hook_antigravity.sh",
        "timeout": 30 }
    ]
  },
  "mempalace-wake": {
    "PreInvocation": [
      { "type": "command",
        "command": "__PLUGIN_DIR__/hooks/mempal_wake_hook_antigravity.sh",
        "timeout": 5 }
    ]
  }
}

其中 Stop 钩子（mempalace-save）负责后台挖掘会话记录——这解释了协议第 5 步「不要 double-file」：保存钩子可能已经替你归档了。

MCP 工具选择表（Tool Selection）

技能文档给出了一张明确的「需求 → 工具」映射表，这是 Agent 选工具的唯一依据：

你需要 工具
按语义找任意记忆 mempalace_search（从这里开始）
关于实体的关系型 / 时间约束事实 mempalace_kg_query
替换单值事实 mempalace_kg_supersede
一个实体的时间线故事 mempalace_kg_timeline
近期会话连续性 mempalace_diary_read
有哪些 wings / rooms（作用域未知时） mempalace_list_wings, mempalace_list_rooms
记录本次会话 mempalace_diary_write

关于 mempalace_search 的入参，技能文档特别强调了 query 的写法：短小的自然语言（关键词或一个问句——不是系统提示词、不是粘贴的整段对话），外加可选的 wing / room 过滤器和 limit（默认 5）。

从 mempalace/mcp_server.py 源码看，工具面比这张表更大：除召回技能列出的工具外，服务器还提供只读的 mempalace_status（总抽屉数与 wing/room 分布）、mempalace_get_taxonomy（完整 wing → room → count 树）、mempalace_check_duplicate（归档前查重），以及写工具 mempalace_add_drawer、mempalace_delete_drawer、mempalace_delete_by_source 和维护工具 mempalace_reconnect。召回技能刻意只暴露「回忆路径」上需要的子集，写路径则由技能/规则与钩子分工承担。另外从源码结构看，MCP 服务器在导入重依赖（chromadb → onnxruntime 等）前会把 stdout 重定向到 stderr——因为 MCP 协议在 stdio 上多路复用 JSON-RPC，任何第三方库打印到 stdout 的横幅都会破坏解析器；这一细节解释了「工具报错时应原样上报而不是猜测」背后服务器可能存在的 stdio 健壮性设计。

失败路径（Unhappy Paths）

技能文档把三类失败情形显式写成协议的一部分，每条都给出「不该做什么」：

  • 空结果（Empty results）：如实说宫殿里没有这条记忆；不要编造答案来填空。可以建议放宽搜索（去掉 wing 过滤）或把新信息归档进去。
  • MCP 不可用 / 工具报错（MCP unavailable / tool error）：把错误原样呈现，建议用户检查服务器状态（mempalace status，或重跑安装器 hooks/antigravity/install.sh）。不要悄悄退化为模型记忆猜测。
  • 过时或冲突事实（Stale or conflicting facts）：优先采用知识图谱的时间有效答案；按事实类型选择 mempalace_kg_supersede（单值替换）、mempalace_kg_invalidate（无替代地结束）、mempalace_kg_add（独立共存）。

共享的 规范协议文档 在此基础上还多覆盖了一类失败：宫殿索引损坏 / 压缩器错误。当服务器返回涉及 HNSW segment writer、ChromaDB 压缩失败或写后卡死在「Not connected」状态的错误时，磁盘向量索引已与 chroma.sqlite3 失同步——但抽屉行完好保存在 SQLite 中。恢复方式是引导用户走 CLI 重建（停掉 MCP 服务器 → 可选备份宫殿目录 → mempalace repair --mode from-sqlite --archive-existing --yes → mempalace repair-status 确认 divergence 为 0 → 重启服务器），而不是重新挖掘（re-mining 会丢掉经 MCP 服务器和日记写入、没有源文件的抽屉），也不要在 Agent 进程内自行修复（可能破坏其他活跃客户端）。这一节说明失败处理是分层设计的：技能层保持简洁，深层恢复流程由规范协议统一承载。

反模式清单（Anti-patterns — never do these）

技能文档末尾给出四条「绝不做」清单，与规范协议及规则文件逐条一致：

  1. 宫殿可能知道时，用模型记忆回答过往工作、人物或决策——应该先搜索；
  2. 对存储内容做改写或总结，而不是逐字引用；
  3. 每一轮都反射性搜索，包括无记忆相关性的纯绿色场编码；
  4. 把整段对话或系统提示词粘进 query 参数——保持查询短小、关键词驱动。

这四条与前文的协议步骤互为镜像：第 2 条对应第 4 步的 verbatim 要求，第 3 条对应「何时不召回」一节，第 4 条对应 mempalace_search 入参约束。

安装、验证与延伸阅读

技能文件本身不携带安装逻辑——它属于 mempalace 技能 的职责（uv tool install mempalace 或 pip install mempalace，mempalace --version 验证）。但召回协议的生效依赖插件整体安装，用户侧入口为：

bash hooks/antigravity/install.sh            # 安装（幂等）
bash hooks/antigravity/install.sh --dry-run # 预演
bash hooks/antigravity/install.sh --uninstall

安装器幂等（cmp 门控的复制跳过内容一致的文件，可安全用于 CI），卸载器按 basename 匹配并有双重防护（目录名必须恰为 mempalace 且 plugin.json 的 name 为 "mempalace"），防止误删无关目录。

完整用户文档见 website/guide/antigravity.md，其中还涵盖：钩子如何解析 mempalace 安装所用的 Python 解释器（MEMPAL_PYTHON → console 脚本 shebang → python3 的解析顺序）、kill switch 开关表（MEMPAL_DISABLE_HOOK、MEMPALACE_HOOKS_AUTO_SAVE、~/.mempalace/config.json 的 hooks.auto_save 等）、性能预算（kill switch 触发或门禁失败时钩子应 <100ms 返回；wake 钩子 500ms 硬上限）以及安装后的验证命令（mempalace-mcp --version、检查 ~/.mempalace/hook_state/antigravity_hook.log 中 [event=preInvocation] 日志行）。

进一步深入时，建议按以下路径阅读：

mempalace
The best-benchmarked open-source AI memory system. And it's free.
项目地址：https://gitcode.com/GitHub_Trending/me/mempalace
登录后查看全文
热门项目推荐
相关项目推荐

项目优选

收起
kernelkernel
deepin linux kernel
C
33
18
pytorchpytorch
作为 Ascend for PyTorch 社区的核心组件，TorchNPU 是昇腾专为 PyTorch 打造的深度学习适配插件，使 PyTorch 框架能够直接调用昇腾 NPU，为开发者提供昇腾 AI 处理器的超强算力。
Python
854
1.34 K
ops-transformerops-transformer
本项目是CANN提供的transformer类大模型算子库，实现网络在NPU上加速计算。
C++
1.12 K
2.72 K
kernelkernel
openEuler内核是openEuler操作系统的核心，既是系统性能与稳定性的基石，也是连接处理器、设备与服务的桥梁。
C
528
589
ops-nnops-nn
本项目是CANN提供的神经网络类计算算子库，实现网络在NPU上加速计算。
C++
906
1.83 K
jiuwenswarmjiuwenswarm
JiuwenSwarm 是一款基于openJiuwen开发的智能AI Agent，它能够将大语言模型的强大能力，通过你日常使用的各类通讯应用，直接延伸至你的指尖。
Python
3.53 K
1.01 K
cann-learning-hubcann-learning-hub
CANN 学习中心仓，支持在线互动运行、边学边练，提供教程、示例与优化方案，一站式助力昇腾开发者快速上手。
Jupyter Notebook
990
508
ops-mathops-math
本项目是CANN提供的数学类基础计算算子库，实现网络在NPU上加速计算。
C++
1.34 K
1.45 K
docsdocs
暂无描述
Markdown
892
5.79 K
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
213
313