什麼是 Memory MCP？
memlast 讓 AI 擁有長期記憶
2026-04-13 ・ 沃嶺 AI
本文重點：
- ✦ Memory MCP 是什麼？為什麼 AI 助手需要「長期記憶」
- ✦ memlast 開源工具：LongMemEval-S 跑分 71.5%，與 Zep 並列前三
- ✦ 本地優先架構：所有記憶存在你的電腦，不上傳雲端
- ✦ AI 記憶對品牌 AEO 策略的深層影響
AI 的記憶力問題：每次對話都從零開始
你有沒有這個經驗？上週花了 30 分鐘跟 AI 助手解釋你的專案架構，今天打開新對話，它完全不記得。你得從頭再來一遍。
這不是 AI 不夠聰明的問題。現在的大型語言模型（LLM）能力非常強，但有一個根本限制：每次對話結束，所有脈絡就消失了。沒有持久記憶，AI 永遠只能在當下這一次對話裡運作。
Memory MCP（Model Context Protocol）就是為了解決這個問題而生的技術。它讓 AI 助手擁有跨對話的持久記憶，記住你說過的事情、你的偏好、你的專案進度，就像一個真正的助手一樣。
Memory MCP 怎麼運作？
MCP 是 Anthropic 推出的開放協議，讓 AI 助手（如 Claude Code）能夠連接外部工具和資料來源。Memory MCP 就是透過這個協議，在 AI 助手旁邊放一個「記憶伺服器」。
記住（Remember）
AI 在對話中自動把重要資訊存到本地資料庫。你不需要手動操作。
回想（Recall）
下次對話時，AI 自動搜尋相關記憶。向量搜尋 + 全文搜尋 + 重排序，找到最相關的記憶。
更新（Update）
資訊改變了？AI 會更新記憶，保留歷史紀錄。「你搬到台中了」會取代「你住台北」。
memlast：我們為什麼自己做一個？
市場上已經有 mem0、Zep、Mastra 等記憶工具，為什麼我們要做 memlast？
因為我們需要一個真正「本地優先」的解決方案。大多數記憶工具需要雲端服務、API 金鑰、複雜的設定。memlast 的設計原則很簡單：一個 SQLite 檔案，所有記憶存在你的電腦上，兩行指令就能用。
跑分實測：71.5%，與 Zep 並列
我們使用 LongMemEval-S 標準測試集進行評估。這是一個包含 500 題、5 個類別的記憶能力測試，涵蓋跨對話記憶、時間推理、知識更新等場景。
| 系統 | Overall | Multi-Session | Temporal | Knowledge |
|---|---|---|---|---|
| Mastra | 94.9% | - | - | - |
| TiMem | 76.9% | - | - | - |
| memlast v0.2 | 71.5% | 56.4% | 44.3% | 76.9% |
| Zep | 71.2% | - | - | - |
| mem0 (第三方測試) | 49.0% | - | - | - |
* 各系統使用不同的 judge model，分數不能直接比較。memlast 使用 gpt-5.4-mini。
memlast 在「跨對話記憶」（Multi-Session）和「時間推理」（Temporal Reasoning）兩個類別表現突出。這兩個能力正是日常使用中最有感的：AI 能記住你跨多次對話說過的事，也能理解事件的先後順序。
技術架構：為什麼能做到？
memlast 的核心是一個混合檢索引擎（Hybrid Retrieval），結合三種搜尋技術：
向量搜尋（sqlite-vec）
用 bge-small-en-v1.5 模型把每段記憶轉成 384 維向量。語意相近的記憶，向量也相近。
全文搜尋（FTS5 BM25）
SQLite 內建的全文索引。精確的關鍵字匹配，補足向量搜尋可能漏掉的結果。
交叉編碼器重排序（bge-reranker-base）
把兩種搜尋結果融合後，用交叉注意力機制重新排序，確保最相關的記憶排在最前面。
v0.2 新增的「聚合偵測」功能，讓 AI 在回答「總共有多少？」「列出所有的...」這類問題時，自動擴大搜尋範圍，從多個 session 中收集完整資訊。這也是 Multi-Session 分數從 37% 跳到 56% 的關鍵。
AI 記憶與品牌 AEO：你需要知道的事
Memory MCP 技術的普及，對品牌的 AEO（Answer Engine Optimization）策略有直接影響：
AI 的「第一印象」會被記住。當消費者第一次透過 AI 搜尋你的品牌，AI 的回答會進入記憶系統。如果第一次的回答就是正確、完整、有結構的，這個正面印象會持續影響後續所有互動。反之亦然。
這就是為什麼我們在做 AEO 顧問服務的同時，也在開發 AI 記憶技術。理解 AI 怎麼記憶，才能真正優化 AI 怎麼推薦你的品牌。