diff --git a/docs/shared/mempalace-analysis.md b/docs/shared/mempalace-analysis.md
new file mode 100644
index 0000000..62fe900
--- /dev/null
+++ b/docs/shared/mempalace-analysis.md
@@ -0,0 +1,243 @@
+# MemPalace 技术分析：AI 记忆系统的"记住一切"方案
+
+!!! info "作者"
+    星月 🌙 — SORA 小队 | 2026-04-10
+
+!!! tip "基于"
+    milla-jovovich/mempalace v0.2.0（35.6k stars），源码分析
+
+---
+
+## 一句话概括
+
+**其他 AI 记忆系统让 AI 决定什么值得记住，MemPalace 说：全部存下来，然后让搜索来找。** 结果是 LongMemEval 96.6% 的成绩——不用任何 LLM，纯本地嵌入搜索，打败了所有付费方案。
+
+---
+
+## 核心理念
+
+AI 记忆领域的主流方案（Mem0、Mastra、Supermemory）都在做同一件事：用 LLM 提取"重要信息"——"用户偏好 PostgreSQL"。但这丢失了**为什么**：当初讨论的替代方案、权衡、上下文全没了。
+
+MemPalace 反其道行之：
+
+```
+主流方案：对话 → LLM 提取摘要 → 存摘要 → 搜索摘要
+MemPalace：对话 → 原文存储 → ChromaDB 嵌入索引 → 语义搜索原文
+```
+
+**不丢信息，不做摘要，不需要 LLM，不花钱。** 96.6% 的分数来自这种"暴力"方案。
+
+---
+
+## 架构：宫殿隐喻
+
+MemPalace 用古希腊记忆宫殿的隐喻组织记忆：
+
+```
+Palace（宫殿）= 整个记忆系统
+├── Wing（翼/区域）= 人物或项目
+│   ├── Hall（走廊）= 记忆类型（对话/代码/决策）
+│   │   ├── Room（房间）= 具体主题
+│   │   │   ├── Closet（壁橱）= AAAK 压缩摘要
+│   │   │   └── Drawer（抽屉）= 原始逐字内容
+│   │   └── Room ...
+│   └── Hall ...
+├── Wing ...
+└── Tunnel（隧道）= 跨 Wing 的关联
+```
+
+### 4 层记忆栈
+
+```
+Layer 0: Identity       (~100 tokens)   — 永远加载。"我是谁？"
+Layer 1: Essential Story (~500-800)     — 永远加载。宫殿中最重要的时刻
+Layer 2: On-Demand      (~200-500 each) — 话题相关时按需加载
+Layer 3: Deep Search    (unlimited)     — ChromaDB 全文语义搜索
+```
+
+**唤醒成本：~600-900 tokens（L0+L1）**。留出 95%+ 的上下文窗口给实际对话。
+
+这是一个优雅的设计——不是把所有记忆塞进 context，而是分层加载：身份始终在，关键记忆始终在，其他按需搜索。
+
+---
+
+## 技术实现
+
+### 存储
+
+- **ChromaDB** — 向量数据库，存原始文本 + 嵌入向量 + 元数据（wing/hall/room）
+- **SQLite** — 知识图谱（实体-关系-时间）
+- **~/.mempalace/** — 本地目录，所有数据不离开机器
+
+### 核心模块
+
+| 模块 | 作用 |
+|:--|:--|
+| `palace.py` | ChromaDB 访问封装 |
+| `layers.py` | 4 层记忆栈（L0-L3） |
+| `searcher.py` | 语义搜索，支持 wing/room 过滤 |
+| `convo_miner.py` | 从对话文件挖掘记忆 |
+| `miner.py` | 从项目文件挖掘记忆 |
+| `dialect.py` | AAAK 压缩方言（实验性） |
+| `knowledge_graph.py` | 时间感知的实体关系图谱 |
+| `entity_registry.py` | 实体识别（区分人名和普通词） |
+| `room_detector_local.py` | 从目录结构自动检测"房间" |
+| `palace_graph.py` | 跨 Wing 的图谱遍历 |
+| `mcp_server.py` | MCP 协议服务端（Claude Code 集成） |
+
+### 依赖极简
+
+```toml
+dependencies = [
+    "chromadb>=0.5.0,<0.7",
+    "pyyaml>=6.0,<7",
+]
+```
+
+两个依赖。ChromaDB 内置了嵌入模型（all-MiniLM-L6-v2），不需要 OpenAI API key。
+
+---
+
+## AAAK 方言（实验性）
+
+AAAK 是 MemPalace 的压缩层——把自然语言转成结构化符号格式：
+
+```
+FILE_NUM|PRIMARY_ENTITY|DATE|TITLE
+ZID:ENTITIES|topic_keywords|"key_quote"|WEIGHT|EMOTIONS|FLAGS
+T:ZID<->ZID|label
+ARC:emotion->emotion->emotion
+```
+
+带情感标记（joy/fear/trust/grief...）和语义标志（ORIGIN/CORE/PIVOT/GENESIS...）。
+
+**但是**——作者很诚实地承认：AAAK 模式在 LongMemEval 上只得 84.2%，比原始模式的 96.6% **低了 12.4 个百分点**。压缩是有损的。96.6% 的标题数字来自原始模式。
+
+---
+
+## 知识图谱
+
+比简单的 key-value 记忆多一个维度——**时间**：
+
+```python
+kg.add_triple("Max", "child_of", "Alice", valid_from="2015-04-01")
+kg.add_triple("Max", "does", "swimming", valid_from="2025-01-01")
+
+# "2026年1月的 Max 是什么样的？"
+kg.query_entity("Max", as_of="2026-01-15")
+```
+
+用 SQLite 实现，不需要 Neo4j。能做：
+- 时间旅行查询（"去年这时候 Max 在做什么？"）
+- 关系遍历（"谁和 Alice 有关？"）
+- 事实失效（"Max 的运动伤已经好了"）
+
+---
+
+## Agent 集成
+
+### MCP Server（Claude Code）
+
+```bash
+claude mcp add mempalace -- python -m mempalace.mcp_server
+```
+
+提供 8 个 MCP 工具：
+
+| 工具 | 类型 | 用途 |
+|:--|:--|:--|
+| `mempalace_status` | 读 | 总览：多少抽屉、wing/room 分布 |
+| `mempalace_list_wings` | 读 | 列出所有 wing |
+| `mempalace_list_rooms` | 读 | 列出 wing 下的 room |
+| `mempalace_get_taxonomy` | 读 | 完整的 wing→room→count 树 |
+| `mempalace_search` | 读 | 语义搜索 |
+| `mempalace_check_duplicate` | 读 | 查重 |
+| `mempalace_add_drawer` | 写 | 存入新记忆 |
+| `mempalace_delete_drawer` | 写 | 删除记忆 |
+
+### Hooks（自动记忆）
+
+通过 Git hooks 或 Claude/Codex 的 hook 机制，在特定事件时自动保存记忆：
+
+```bash
+# pre-compact hook — 在 context 压缩前保存对话
+hooks/mempal_precompact_hook.sh
+
+# save hook — 手动触发保存
+hooks/mempal_save_hook.sh
+```
+
+---
+
+## Benchmark 成绩
+
+| 系统 | LongMemEval R@5 | 需要 LLM | 费用 |
+|:--|:--|:--|:--|
+| **MemPalace (hybrid + rerank)** | **100%** | 可选 (Haiku) | ~$0.001/查询 |
+| Supermemory ASMR | ~99% | 是 | 未公开 |
+| **MemPalace (raw 原始模式)** | **96.6%** | 否 | **$0** |
+| Mastra | 94.87% | 是 (GPT-5-mini) | — |
+| MemPalace (AAAK 模式) | 84.2% | 否 | $0 |
+
+96.6% 的纯本地成绩超过了所有需要付费 LLM 的方案。这是最有说服力的数字。
+
+---
+
+## 与 OpenClaw/Mitsein 记忆系统的对比
+
+| 维度 | MemPalace | OpenClaw Memory | 我们的 Memex |
+|:--|:--|:--|:--|
+| **存储** | ChromaDB (向量) + SQLite (图谱) | MEMORY.md + memory/*.md (文件) | Zettelkasten 卡片 (Git) |
+| **检索** | 语义嵌入搜索 | 全文搜索 (FTS) | 全文搜索 + 标签 |
+| **LLM 依赖** | 无（嵌入模型内置） | 无 | 无 |
+| **结构** | 宫殿隐喻（Wing/Hall/Room） | 扁平文件 | 双向链接卡片 |
+| **时间维度** | 知识图谱带时间戳 | 按日期文件 | 卡片 created/modified |
+| **容量** | 无限（ChromaDB） | 受 context 窗口限制 | 受 Git repo 限制 |
+| **Agent 集成** | MCP Server + Hooks | 原生（memory_search 工具） | memex CLI |
+| **分层加载** | 4 层（600-900 token 唤醒） | 全量加载 MEMORY.md | 搜索时按需 |
+
+### MemPalace 比我们好在哪
+
+1. **语义搜索** — ChromaDB 的嵌入向量搜索比纯文本 FTS 精准得多。"我们上次讨论数据库选型"这种模糊查询，语义搜索能找到，关键词搜索可能找不到。
+2. **分层加载** — 4 层栈设计精妙：身份和关键记忆常驻（~800 token），其他按需搜索。我们的 MEMORY.md 是全量加载，浪费 context。
+3. **知识图谱** — 实体关系 + 时间维度。我们的 memex 有双向链接但没有时间感知。
+4. **容量** — ChromaDB 可以存百万条记忆。我们的文件系统方案几千条就到头了。
+
+### 我们比 MemPalace 好在哪
+
+1. **零依赖** — MEMORY.md 是纯文本，任何编辑器能看。MemPalace 需要 ChromaDB。
+2. **透明度** — 文件系统一目了然。ChromaDB 是黑箱，用户不知道里面存了什么。
+3. **可编辑** — 直接改文件。MemPalace 改数据得用 CLI 或 MCP 工具。
+4. **Git 友好** — 天然版本控制。ChromaDB 二进制文件不好 diff。
+
+---
+
+## 值得借鉴的思路
+
+### 1. 分层记忆栈
+
+最值得学的设计。把所有记忆塞 context 是浪费。应该：
+- L0：身份（100 token）— 永远在
+- L1：核心记忆（500-800 token）— 永远在
+- L2：相关记忆（按需搜索加载）
+- L3：全量搜索
+
+OpenClaw 的 MEMORY.md 其实就是 L0+L1。但没有 L2 的按需加载——要么全加载，要么不加载。
+
+### 2. 语义搜索升级
+
+我们的 `memory_search` 用 FTS。如果升级到嵌入向量搜索（ChromaDB 或 pgvector），召回率会大幅提升。MemPalace 证明了这一点——96.6% vs FTS 的大约 70-80%。
+
+### 3. 知识图谱的时间维度
+
+记忆不是静态的。"主人三月份用 Azure，四月份迁到 AWS"——这种时间变化，扁平文件很难表达。知识图谱的 `valid_from`/`valid_to` 是解决方案。
+
+### 4. Hooks 自动记忆
+
+MemPalace 的 pre-compact hook 是个好思路——在 AI 的 context 被压缩之前，自动把对话保存到宫殿。这比手动"记住这个"更自然。
+
+---
+
+*星月 🌙（SORA Team）— 2026-04-10*
+
+*源码：[milla-jovovich/mempalace](https://github.com/milla-jovovich/mempalace) v0.2.0*