🌐 语言 / Language
DSH 版本兼容矩阵
| DSH 版本 | settings 注册 API | 状态 |
|---|
| 0.1.1-rc.2 | settings.register()（live scope） | ✅ 已验证 |
| 0.1.2-rc.1 | settings.register()（回退可用） | ⚠️ 按框架文档推断，未实测 |
| 0.1.3-rc.1 | settings.register()（回退可用） | ⚠️ 未实测（0.1.3+ 命名空间已改字符串，本插件已兼容） |
| 0.1.5-rc.2 | settings.register()（回退可用） | ⚠️ 未实测；Session V3 surface 语义与输入栏/设置槽位待回归 |
兼容机制：settings 注册走运行时三分支（register → installSection 桥接 → 恒开降级），
详见 CHANGELOG.md 的 0.11.0 条目。dsh.plugin.json 声明
engines.dsh: ">=0.1.1-rc.2 <0.2.0-0"。
快速开始
需要 Node ≥ 22.16。两种调用方式任选（npx 前缀可替换下面任何 dsh 命令）：
# 方式一：npx 直接跑官方 CLI（无需预装 dsh；可 pin 版本，如 dsh-prime-memory@0.8.4）
npx -y @deepseek-ai/dsh plugin --profile web add dsh-prime-memory
# 方式二：已装 dsh CLI（dsh 是 pnpm 转发器，未装 pnpm 时先 npm i -g pnpm）
dsh plugin --profile web add dsh-prime-memory
# 包源备选：GitHub 仓库 / 本地路径（开发调试，link: 指向仓库，npm run build + 重启 dsh 即生效）
dsh plugin --profile web add https://github.com/drscrewdriver/dsh-prime-memory
dsh plugin --profile web add /path/to/dsh-prime-memory
让 Agent 安装（推荐）
如果当前 Agent 可以执行终端命令，把下面这段话完整发送给它：
请为 DeepSeek Harness 的 web Profile 安装 dsh-prime-memory 插件。
只执行下面两条命令，不要修改其他 Profile：
dsh plugin --profile web add dsh-prime-memory
dsh --profile web --dump-config
确认输出中出现 dsh-prime-memory 后告诉我安装结果。
不要替我关闭或重启正在运行的 DSH；安装完成后提醒我手动重启 DSH Web Host。
Agent 应当返回安装结果，并明确告诉你配置中是否已经出现 dsh-prime-memory。
本包声明了 dsh.bundle 组合包层（cordis.patch.yml），安装后会自动挂载插件行——
不需要再手改 $DSH_HOME/profiles/web/cordis.patch.yml。然后重启 DeepSeek Harness，
验证：~/.dsh/memory/ 下出现 conversations/ records/ scenes/ 目录和 memory.db
即插件 apply 成功；设置页出现"记忆"页面、输入栏出现档位 pill 即 client 半边就绪。
卸载：dsh plugin --profile web remove dsh-prime-memory + 重启。数据保留在
~/.dsh/memory/，不需要时手动删除整个目录即可。
从源码开发
git clone https://github.com/drscrewdriver/dsh-prime-memory
cd dsh-prime-memory
npm install && npm run build
dsh plugin --profile web add . # link: 安装，改代码后 npm run build + 重启 dsh 即生效
npm run smoke # 冒烟测试（先重编：见下方命令）
npx tsc src/smoke.ts --outDir dist-smoke --module nodenext --moduleResolution nodenext --target es2022 --strict --skipLibCheck --esModuleInterop
运行时数据流
dsh-prime-memory 运行时数据流：左侧 User 与 Assistant 的会话事件流入插件（L0 捕获、L1–L3 蒸馏、检索召回、记忆工具），插件经 agent/pre-step 把相关记忆注入右侧 DSH 核心；蒸馏复用核心的 ctx.llm，数据双写 ~/.dsh/memory/
插件挂在 dsh 原生事件上（session/event 捕获、agent/pre-step 注入），蒸馏调用复用宿主 ctx.llm。召回以消息侧注入呈现：相关记忆作为一条合成消息排在用户新消息之前，会话流里显示为**"上下文注入 · memory"**行（点开看命中内容）——用户能直接看到"记忆生效了"；注入内容有长度预算与时间预算，超限截断/超时跳过，绝不拖慢对话。同会话去重：已注入过的记忆不再重复注入（模型上下文里已经有了，追问同类问题时省 token）；上下文被 /compact 压缩或清空时自动重置，记忆可重新注入；被更新的记忆（内容变化换新 id）不受旧压制。时效加权：召回排序按 相关度 × max(0.5, 0.5^(距上次更新天数/30)) 软加权——相关度相近的候选之间新鲜记忆优先（名额自然轮转），相关度足够高的老记忆照常召回（地板保证最多损失一半排序分，长期事实不沉底）；recall.decayHalfLifeDays 可调，0=关闭。
成本看板：每次蒸馏 LLM 调用（抽取/去重/L2/L3）的 token 成本按 provider/model 写入
SQLite 明细表（保留期可配置，默认 365 天，写入时滚动清理；记账失败只告警、绝不阻塞蒸馏），
设置页 → 记忆 → 成本 Tab 可视化：按模型分色的趋势折线（日/周/月粒度 + 近 N 天窗口 +
L1/L2/L3 层级过滤）、层级 × 时间窗口表格（调用数 / 输出与思考 token / 均值 / 中位数）、
按模型累计——蒸馏开销一目了然。输入按字符计（dsh 流式 usage 不含输入 token），
输出与思考按 token 计。
记忆工具(3):
-
memory_search
-
conversation_search
-
memory_read_scene
真机实录：召回注入与工具调用在对话里的样子——"上下文注入 · memory"行先带出相关记忆，模型再按需调 memory_read_scene 读取场景块，凭记忆直接作答：
对话界面实录（浅色主题）：用户消息
在只开放代码执行入口的受限会话中，模型经由 run_code 间接调用记忆工具（轨迹视图中的 SUBTOOL 嵌套）：
工具调用轨迹视图：顶部彩色时间线与左侧步骤列表（SYSTEM/CONTEXT/USER/ASSISTANT/TOOL/SUBTOOL 彩色标签），run_code 工具步骤内嵌套 5 次 memory_read_scene 子工具调用（SUBTOOL 标记），右侧为所选步骤的详情面板
分层记忆（L0–L3）
分层记忆四层（自左上向右下逐层精炼）：L0 原始对话（对话气泡）→ L1 原子记忆（发光事实粒子）→ L2 场景块（玻璃文档板）→ L3 核心画像（发光晶核）；层间由 LLM 提取/整合/蒸馏光束相连，宽度递减表示数据逐层精炼
会话级记忆档位
会话级记忆档位：一条玻璃胶囊滑轨四个停点（日常·工作·智能·关闭），发光圆球停在智能（默认）档；各档上方微场景——日常为个人聊天气泡、工作为代码文档窗格、智能为双流合流最亮、关闭为暗淡虚线幽灵泡
-
控件：输入栏内、模式选择器右侧的 pill（记忆·自动），点击在上方浮出档位滑块深浅主题自适应；
-
悬浮板下半部是会话信息区：召回命中（命中/检索轮次与累计条数）、攒批进度
（本会话切片 x/生效阈值；关闭档显示挂起切片数）、本会话产出记忆条数、会话消息数，
外加异常状态行（存储降级 / 向量检索不可用）与全局摘要（待蒸馏条数、上次蒸馏时间）；
数据走 dsh-memory/session-stats 端点（纯内存注册表 + 索引 COUNT，零文件 I/O），
打开期间自适应轮询（忙 2s / 静 5s），关闭即停；
-
每会话的选择按 sessionId 持久化到 session-modes.json，重启/恢复会话不丢；
与全局开关叠加（全局是总闸）；L2/L3 完全分类，分类内容不渗透。
-
只写不读（#38）：悬浮板内「注入」三态开关（跟随全局 / 开 / 关）——设为「关」
即只写会话：捕获与蒸馏照常（对话照常沉淀为 L0→L1→L2/L3），但不向本会话注入
任何记忆（召回注入、画像/导航稳定区、工具指南一并停止；memory_search 等读工具
返回只写提示）。pill 面文换作 记忆·只写 提示状态；覆盖按会话持久化，切回
「跟随全局」即清除、跟随设置页召回开关；适合调试/评测/敏感会话「只吸收不干扰」。
与 off 档正交：off 仍是完全隐身（连捕获都关），只写保留「进」关「出」。
界面预览
深色主题下的设置页记忆浏览器概览：状态卡（插件版本、捕获/蒸馏/召回开关状态、FTS 与向量能力、L1 记忆计数、蒸馏模型）与统计瓦片，玻璃质感控件与冷蓝强调色
浅色主题下的同一设置页记忆浏览器概览：同款布局与信息，浅色卡片底与同套强调色，主题切换无需重载
实测对比（DSH-MemBench：自动化基准）
图文回答"长什么样"，这一节用自动化基准的实测数字回答"开了到底有什么用"（bench/，一条命令可复现）。方法：同场景库、逐字相同输入，A 组（记忆开）跑 3 次取合并值，B 组（记忆关）跑 1 次（无记忆的长任务每场景要吞数倍 token，成本护栏）；对话赛道只跑 A 组（B 组会话独立无记忆必然失败，对照无信息量，已下线）。对话赛道环境：DeepSeek 官方 deepseek-v4-flash、插件 0.8.5（判卷与被测同源，答案原文全部留痕可人工复核）、Windows；题型设计借鉴 LongMemEval / LoCoMo / AMB，扩展题型与生命周期赛道参照 MemoryAgentBench / GoodAI LTM / BEAM。
对话赛道为 0.8.5 新基线（修复版插件 + 修正后的判卷口径）；工作流赛道数字仍为 0.8.3 存档（0.8.5 起场景库扩至 8 个，新增前瞻记忆场景，重跑待做）。
对话赛道（20 场景 × 10 题型 × 3 次 = 420 题）：答得准吗
0.8.5 基线（A 组数据；对话赛道 B 组已下线，只跑 A 组）。
DSH-MemBench 对话赛道准确率图（A 组·记忆开）：总准确率 95.2%（400/420）；核心六题型各 60 题——抽取 58/60、多跳 60/60、时序 56/60、更新 55/60、场景回忆 52/60、拒答 60/60 且 0 编造；扩展四题型各 15 题——增量积累 15/15、连锁更新 15/15、事件排序 14/15、同义改写 15/15
召回双通道（A 组）：被动注入召回率 78.1%（该题要点出现在召回注入中，281/360），其余多数由模型主动调用记忆工具查回——106 题主动查询、75 题靠工具兜底答对；端到端 95.2% 是两通道 + 模型利用的合成结果。记忆库跨场景全程累积下，探针召回注入混入其他场景记忆 295 次（已如实计数），总准确率反而前段 92.8% → 后段 97.7%——抗干扰能力经受住了膨胀记忆库的考验（离线灌水再灌 600 条合成噪声，检索层 recall@5 也只降 2.8pp）。
分层看短板：检索层离线指标（recall@5 受控复现）总 73.3%，其中事件排序 0%、场景回忆 50%——端到端仍 93%+ 靠的是注入邻近记忆后模型的鲁棒性；效率三角（记忆的开销）：注入非但不加延迟（注入轮响应比无注入轮平均快 210ms）、注入占每轮输入约 10.3%，蒸馏全链路摊到每条捕获消息 ≈2727 输入 / 240 输出 token（1172 次调用 0 失败）。
工作流赛道（0.8.3 存档 · 7 场景版 · A 组 3 次 / B 组 1 次，真实工具沙箱）：做得对、做得省吗
DSH-MemBench 工作流赛道 A/B 对照图：探针段完成度 A 组 59/69（85.5%）对 B 组 10/23（43.5%）；成本对比（B 组为满格基准，每场景均值）——步骤 24.3 对 41.4（B +70%）、工具调用 37.7 对 62.1（B +65%）、输入 token 266k 对 1.81M（B 6.8 倍）；风格规范场景探针 A 12/12 对 B 0/4；长任务每场景输入 token A 266k 对 B 1.81M
探针段完成度 85.5% vs 43.5%（+42pp）：教学/变更段两组都有现场上下文，探针段（新会话延续任务）才是纯记忆窗口——A 组三个新考法场景（流程知识更新 / 双胞胎消歧 / 风格规范延续）全部 12/12 满分且三轮一致；B 组在风格规范场景探针 0/4（命名/结构/千分位/页脚约定只存记忆，沙箱探不出来），在流程更新场景则能靠读脚本逆向（判别力受沙箱可供性限制，已如实标注）。
长任务成本：B 组每场景输入 token 是 A 组的 6.8 倍（1.81M vs 266k）——无记忆时 agent 靠重新探索前进，high 思考档下甚至会自建工程去探测本可用一条脚本约定完成的流程；输出 token 3 倍（46.2k vs 15.4k）、步骤 +70%。这正是记忆的核心价值：省掉的不是任务难度，是无谓的往返与重复探索。
方法论与复现
node bench/harness/run.mjs --arm A --repeats 3 --provider deepseek-official --model deepseek-v4-flash # 对话赛道（只跑 A 组）
node bench/harness/run.mjs --track workflow --arm AB --repeats 3 ... # 工作流赛道（A/B 双组并行）
node bench/harness/run.mjs --track lifecycle --arm A ... # 生命周期赛道（门控/off/rebuild/遗忘）
node bench/harness/report.mjs --latest [dialog|workflow] # 汇总报告
node bench/harness/retrieval-metrics.mjs <runDir> --flood 200,600 # 检索层指标 + 灌水曲线
-
判分：contains-all 程序判 + 判卷模型按要点判（答案原文与判分理由全部留痕 result.json 可人工复核）；带 stale 的题（更新/连锁/遗忘）"旧值当作现状陈述"才判负、拒答题允许引用真实背景解释"不知道被问点"；工作流完成度为产物文件 + 关键内容程序化校验（四型判据：正检查/禁词/产物缺席/存在性）；
-
指标面：准确率总表（6 核心 + 4 扩展题型）之外，自动产出检索层离线指标（recall@5 / 注入精度 / 作废泄漏）、效率三角（注入开销差分 / 注入占比 / 蒸馏记账摊到每消息）、规模位置分析（库容膨胀下的准确率/污染）与生命周期赛道专属节（分族门控矩阵 / off 双断言 / rebuild 保真 / 遗忘）；
-
实时进度：跑基准时自动拉起本地进度面板并打开浏览器（--no-panel 关闭）——A/B 双臂场景/阶段/消息粒度进度、心跳与活动新鲜度（直判"卡住 vs 进程挂了"）、累计成本随跑随涨；
-
指标全部来自供应商上报 usage（输入含缓存命中拆分）与会话事件折叠；稳态缓存率剔除每会话首请求（0.8.5 基线：89.1%——记忆注入不伤缓存）；
-
回归用途：改插件前后各跑一遍，compare.mjs 出对比表（环境头校验含 gitSha + B 组对照组漂移告警 + 检索层指标对比）；
-
局限（诚实声明）：单机；A 组 ×3 合并、B 组 ×1（成本护栏，噪声更大）；判卷与被测模型：对话 0.8.5 基线同源、工作流存档跑为异构（glm-5.3 判 v4-flash）；作者自建场景库（倾向记忆优势场景，欢迎自行复现）；沙箱文件的可供性会部分泄露流程（B 组可读脚本逆向，判别力受限处已如实标注）；工具审计双档（严格违规判负/宽松提示），实测双方 0 违规。
完整报告与逐题数据：bench/baseline/。
存储布局
存储布局：双写架构（JSONL 事实源只增不改 + memory.db 主检索库）；文件形态含 conversations/records/scenes/persona/state/pending/session-modes/embedding-source/模型目录/推理运行时/日志与重建归档；检索三策略 keyword/embedding/hybrid（RRF k=60）；降级链保证永不阻塞宿主
向量能力默认关闭（纯 FTS）。DSH 的 ctx.llm 无 embeddings 端点，语义检索由
三态嵌入源提供（关闭 / 远程 / 本地），设置页可运行时切换——见下节。
语义检索（嵌入源）
设置页（记忆 → 概览 → 语义检索）选择嵌入源，即时生效、无需改配置重启：
设置页语义检索（嵌入源）面板（浅色主题）：三态选择器（关闭/本地/远程，本地选中）显示当前嵌入源与首次启用自动安装运行时提示；下方本地模型目录列出 BGE small 中文（使用中/已就绪）、EmbeddingGemma 300M（下载 316MB）、BGE-M3（下载 560MB）三款模型的维度/上下文/体积/特点与下载入口
三种嵌入源：关闭（默认，纯 BM25 关键词检索）、远程（自备任意 OpenAI 兼容
/embeddings 服务，embedding.* 四件套配齐才可选）、本地（内置模型目录选一款，
ONNX 量化 CPU 推理——无需 API Key，数据不出本机）。本地模型目录是插件内置
白名单（每款锁定 revision + 每文件 sha256，不可下载任意仓库）。
-
下载：模型卡一键下载（默认镜像 hf-mirror.com，断点续传 + sha256 完整性
校验；直连不可达时可走代理——默认自动探测 HTTPS_PROXY/ALL_PROXY 等环境
变量，见 embedding.proxy）。单文件失败自动重试且换缓存键（?dshmem-retry=N，
绕开镜像 CDN 偶发的坏缓存对象），校验失配从零重下、网络错误保留断点续传；
落盘数据目录 models/<id>/，不用了随时在设置页删除；
-
按需运行时：首次切换本地档才安装推理运行时（transformers.js，约 100~200MB，
装进数据目录 runtime/——不进插件依赖树，不碰插件安装目录）；模型加载与推理在
独立 worker 线程执行，不冻结宿主事件循环（嵌入计算期间对话与页面交互照常）；
-
活切换：一键换源——自动后台全量重嵌（进度可见、可取消，期间检索自动降级
关键词，不影响对话；维度变化时向量表按新维度重建）；切换失败保持旧源，重启仍按原源运行；
-
生效规则 = 部署上限 AND 运行时选择：embedding.allowLocalModels=false 可整体
禁用本地档、未配 embedding.* 四件套则远程档不可选（企业部署可收口），状态持久
化在 embedding-source.json。
配置
覆盖配置写在 profile 自己的 cordis.patch.yml，用顶层裸 patch 条目（直接 id:，
不要包在 insert: 里——insert 与 bundle 层同 id 追加会导致 duplicate loader entry id
启动失败）：
- id: dsh-memory
name: dsh-prime-memory
config: # 键按行整体替换（不深合并），按需写全要保留的键
family: auto # 新会话默认档：auto | chat | work
llm: # 蒸馏模型静态路由（双字段齐 = 部署 pin，优先于设置页路由链；
provider: '' # 留空则跟随设置页路由链主路由或当前默认模型）
model: ''
| 字段 | 默认 | 说明 |
|---|
family | auto | 新会话默认记忆档位：auto（双族自动）| chat（个人）| work（工作）；会话内可用输入栏控件临时切换 |
dataDir | $DSH_HOME/memory | 数据目录 |
capture.enabled | true | L0 捕获 |
capture.stripCodeBlocks | true | 助手消息剥离代码块 |
capture.maxMessageChars | 4000 | 单条消息最大字符数 |
extract.enabled | true | L1 抽取 |
extract.minMessages | 6 | 稳态触发阈值：单会话攒够 N 条新消息跑一次 L1 抽取。起步阶段生效阈值从 1 翻倍爬坡到此值（首轮即出记忆，随后自动攒批省调用） |
extract.idleSeconds | 300 | 闲置兜底：会话静默 N 秒后把未蒸馏切片落袋（接住"没攒够阈值用户就离开"）；0 关闭 |
extract.backgroundMessages | 10 | 抽取时附带的背景消息条数（按会话从 L0 现查，会话间互不污染） |
extract.candidatePool | 5 | 去重候选池大小 |
l2.enabled | true | L2 场景整合 |
l2.minNewMemories | 5 | 距上次 L2 整合的新记忆阈值 |
l2.maxScenes | 12 | 场景块数量上限 |
l2.sceneContextLimit | 3 | L2 prompt 附带的相似场景全文上限 |
l3.enabled | true | L3 画像蒸馏 |
l3.interval | 20 | L3 蒸馏间隔（新记忆条数） |
recall.enabled | true | 自动召回 |
recall.maxResults | 5 | 每条新用户消息前注入的 L1 条数上限 |
recall.maxCharsPerMemory | |
蒸馏回退链与慢 TTFT 模型
部分推理供应商的免费/慢速档位首 token 延迟（TTFT）可达 20 秒以上，而部分上游网关会在连接静默约 20 秒时掐断——蒸馏调用以固定 ~20s 失败（llm aborted），插件侧 120s 超时根本轮不到生效（#31 的实测场景）。三层缓解按需取用：
-
换路由（最直接）：设置页 → 记忆 → 概览 → 蒸馏参数的路由链编辑器即时改主路由（或把快路由排到链首），或静态 pin llm.provider/llm.model。
-
回退链（自动降级）：主路由失败时按序自动换备用路由，无需人工干预：
llm:
provider: opencode-go # 主路由（也可不 pin，跟随设置页路由链主路由/默认模型）
model: ox-alpha-free
fallbacks: # 条目顺序 = 降级优先级；不配置 = 单路由行为不变
- provider: opencode-go
model: deepseek-v4-flash
reasoningEffort: low # 可选：该路由的档位覆盖（缺省跟随全局）
- provider: deepseek-official
model: deepseek-v4-flash
-
按层路由（各走各的通道）：不同蒸馏层对模型诉求不同（L1 高频要便宜快稳、
L3 低频可容忍慢首包但要强能力），可给差异层单独配链——每层一条完整回退链，
未配置的层照走全局链：
llm:
layerRoutes: # 按层独立路由（#34）；头行必须显式 provider+model
l1: # l1 同管抽取 + 去重两个调用点：配条便宜快稳的链
- provider: opencode-go
model: deepseek-v4-flash
reasoningEffort: low
- provider: deepseek-official # 层内回退：L1 故障只降级到这里，不落全局链
model: deepseek-v4-flash
l3: # L3 画像蒸馏：低频大输入，配强能力链
- provider: deepseek-official
model: deepseek-v4-flash
reasoningEffort: high
也可在设置页 → 记忆 → 概览 → 蒸馏参数的分段面板（全局默认 / L1 / L2 / L3）
里按层运行时编辑，层内优先级：运行时层链 > 本 YAML 静态层链 > 全局默认链，
逐级兜底。
失败 = 报错 / 被掐断 / 网络异常 / 空输出（流正常结束但 0 字符——对蒸馏而言必然在解析阶段报废，改判为该路由失败而非返回空串）；调用方主动取消不降级；每条路由各享全额 llm.timeoutMs（共享预算会让慢 TTFT 的回退路由拿到的窗口小于它真实需要的首包时间，回退链形同虚设）；token 成本逐次尝试记账（失败尝试也计一行，含流中断前已到的 token），成功调用归因到实际服务的路由。路由链也可在设置页 → 记忆 → 概览 → 蒸馏参数的「蒸馏路由链」编辑器里运行时调整（无需改配置重启）；本 YAML 适合部署者固化静态链。
-
调高超时：llm.timeoutMs 只在路由确实慢但网关不掐时有用；网关 20s 掐断的场景调插件超时无效，请用前两层。
日志与故障排查
dsh 宿主把插件日志打到控制台；插件另把 info 级以上镜像到数据目录的 memory.log。
一轮对话的典型日志路径：L0 捕获 → L0 落盘 → 蒸馏管线开始 → LLM 调用（输入/输出 字符数、耗时） → L1 阶段完成 → 管线结束；下一轮开头是 召回注入 N 条 L1。LLM 空输出
带完整诊断（finish reason / token 计数 / reasoning 摘录）；JSON 解析失败记录模型原始输出
前 400 字符；所有失败告警带堆栈首帧。JSONL 事实源按轮次追加、依赖操作系统写回（不做逐条
fsync），断电等极端崩溃最多丢最后一小段尾部，检索库可用「重建记忆」从事实源全量重导。
与 MemoryCore 的差异
-
内嵌完整管线（不依赖外部 Gateway），蒸馏复用 DSH 自己的 LLM；
-
L2/L3 由"LLM 操作文件工具"改为"LLM 输出操作 JSON / 完整文档，工程侧执行"；
-
召回注入点在 agent/pre-step（消息侧合成消息，官方 pre-step 替换语义）+ agent 作用域 systemPrompt.context（画像/导航稳定区，DSH 原生事件/服务）；
-
存储/检索即官方 sqlite 后端的单机裁剪版（裁掉多租户隔离列、TCVDB 云后端、审计表；
分词与官方一致用 jieba——@node-rs/jieba 预编译二进制 + CJK 二元组并集，
词元供 BM25 精确整词命中、二元组保子词召回；加载失败自动回退纯二元组，
FTS 索引按分词器版本戳自动重建）。
路线图
以下为规划中的功能，欢迎在 Issues 反馈需求与优先级：
致谢
本仓库的直接上游是 JunNanLYS/dsh-layered-memory
——DSH 侧的分层蒸馏记忆插件。感谢原作者 JunNanLYS 开放该项目：本仓库在其基础上重写了实现层
（首个提交 0b506b8 即「净室重写清场——移除旧实现与构建产物」），文档、图片与模块架构沿用上游。
相对上游，本仓库新增了面向 Agent 的 10 个记忆工具（含高权限写入 memory_add / memory_delete /
memory_import、反刍控制 memory_ruminate 系列、记忆图谱 memory_search_graph /
memory_expand_graph_node）、skills/memport 跨工具记忆搬运，以及商店截图声明。
记忆核心能力（分层蒸馏管线、Prompt 设计、双写存储架构）参考自
TencentCloud/TencentDB-Agent-Memory
项目中的 MemoryCore，感谢原项目开放的设计与实现。
License
MIT
