dsh-memory 🧠
为 DeepSeek Harness（dsh）开发的跨会话记忆插件。
基于 YAML 存储的 remember / recall / view / list / forget / pin 工具，支持 embedding 语义检索、标题优先注入与两级（session/auto）自动注入——智能体"天生带着"记忆，无需记得调用工具。
English | 中文
🎯 注入策略：精准、克制、缓存友好
| 设计原则 | 说明 |
|---|
| 首轮注入，后续复用 | 固定记忆只在会话第一步注入一次，之后随对话历史自然携带——不再每轮重复渲染 |
| 标题优先，按需展开 | 注入的是精简标题（带 id），全文细节通过 view 工具按需展开——prompt 紧凑 |
| 动态记忆独立于固定集 | auto 级别记忆按话题检索，不污染固定记忆的注入集，避免重复 |
| 不破坏前缀缓存 | 记忆注入后进入历史消息，后续轮次的 system prompt + 历史前缀不变——LLM 的 KV cache 命中率不受影响 |
| 来源隔离标注 | 注入记忆带前缀 Retrieved memories from the memory store (not conversation history)，模型不会误认为对话历史 |
📊 与其他方案对比
| 方案 | 每轮注入 | 缓存影响 | Token 消耗 |
|---|
| 每轮全量注入 | ❌ 每轮重复 | ❌ 破坏缓存 | 高 |
| 本插件 | ✅ 首轮一次 | ✅ 零影响 | 低 |
✨ 特性
| 特性 | 说明 |
|---|
| 六个工具 | remember（写）/ recall（语义检索）/ view（按 id 展开全文）/ list（标题列表）/ forget（软删除）/ pin（强制注入） |
| 标题优先注入 | 记忆以总结标题（带 id）注入而非全文——prompt 精简；细节用 view 工具按需展开 |
| 两级注入 | injectLevel: session 的记忆会话级常驻（首轮注入一次）；auto 记忆按话题动态检索 |
| 首轮一次注入 | 固定记忆只在会话第一步注入一次，之后随历史携带——不再每轮重复渲染（省 token、前缀缓存友好） |
| Embedding 检索 | HybridSearch（关键词 2-gram + 本地 ollama embedding，RRF 融合）——能命中关键词检索漏掉的口语化表达 |
| 匹配调优 | 泛词降权（文件/测试/文档…）、关键词至少 2 词命中、检索门控跳过测试性话语（"别管/只是测试"） |
| 来源标注 | 注入记忆带前缀 "Retrieved memories from the memory store (not conversation history)"，模型不会误认为是对话历史 |
| 数据安全 | 串行写入队列（无丢失更新）、损坏文件隔离备份、原子写入、mtime 缓存失效 |
📦 安装
# 方式一：从 GitHub 安装（源码，需 prepare 构建）
dsh plugin --profile <name> add github:towzai/dsh-memory
# 方式二：本地路径安装
dsh plugin --profile <name> add ./dsh-memory
# 方式三：npm 包（如已发布）
dsh plugin --profile <name> add @towzai/dsh-memory
首次 git 安装若被 pnpm 拒绝运行 prepare，按提示把包键加入该 profile 的 pnpm-workspace.yaml：
allowBuilds:
'@towzai/dsh-memory': true
依赖：本地 ollama 实例 + embedding 模型（默认 qwen3-embedding:0.6b，可用环境变量 DSH_MEMORY_EMBED_MODEL 覆盖）。没有 ollama 时自动降级为纯关键词检索。
⚙️ 配置
- id: dsh-memory
config:
file: /path/to/memory.yaml # 记忆文件位置
injectLimit: 8 # 会话级注入条数上限
embedProvider: ollama # ollama（本地，默认）| nous（OpenAI 兼容云端）
embedApiKeyFile: '' # 从文件里读第一个 sk-… 当密钥（密钥不进配置/仓库）
embedApiKey: '' # 或直接给密钥（优先级最高）
embedBaseUrl: '' # 云端 base URL（默认 https://inference-api.nousresearch.com/v1）
embedModel: '' # 云端模型（默认 qwen/qwen3-embedding-8b，4096 维）
minSimilarity: 0.65 # 语义召回相似度门槛
⚠️ 换嵌入模型或后端会让已存向量失效。维度不匹配会被检测并打 warn（不会静默返回空），需重新 embed 或把模型换回去。
🛠️ 工具
| 工具 | 作用 |
|---|
remember | 保存记忆（content / title / category / tags / importance / forceInject / injectLevel / source） |
recall | 混合检索（关键词 + embedding）top-N |
view | 按 id 展开一条记忆的完整内容（标题优先注入的细节入口） |
list | 标题列表（支持分类/标签/重要性过滤，full 看全文） |
forget | 软删除（标记 retired，保留历史） |
pin | 切换 forceInject——行为铁则，始终常驻 |
🗂️ 存储
单个 YAML 文件（默认 memory.yaml）。每条记忆：
- id: MEM-20260814-001
title: "总结标题（缺省自动推导）" # 注入时显示标题
content: "..."
category: preference | project | lesson | fact
tags: [tag1, tag2]
importance: high | normal | low
created: 2026-08-14
updated: 2026-08-14
source: user | agent | conversation
retired: false
forceInject: false # 行为铁则：始终常驻
injectLevel: session | auto # 会话级常驻 vs 按需检索
vector: [...] # 1024 维 embedding，写入时自动计算
⚠️ 记忆文件是你的私有数据——请加入 .gitignore，不要提交到仓库。
🔧 架构
src/
├── index.ts # 插件入口：工具 + 会话首轮注入 + pre-step 监听
├── storage.ts # Storage 接口 + YamlStorage（写队列、mtime 缓存、损坏隔离）
├── search.ts # KeywordSearch / EmbeddingSearch / HybridSearch（RRF）/ OllamaEmbedder
├── inject.ts # selectForInjection / renderSection（标题优先）/ deriveTitle / entryTitle
├── dynamic.ts # DynamicInjector（按会话去重 + 检索门控 + 固定集排除）
└── types.ts # 数据模型（预留 vector/scope/weight 字段）
架构说明：docs/architecture.md · 更新日志：CHANGELOG.md。
🗺️ 规划中
计划中的后续功能（尚未实现）：
| 功能 | 说明 |
|---|
反馈评分（weight） | 从隐性信号（使用频率、被忽略、agent 反馈）中学习，按"有用程度"给记忆排序，替代静态的 importance |
多作用域隔离（scope） | 按项目/工作区隔离记忆命名空间，互不串味 |
| 自动学习 | 自动从会话中提炼新记忆（需人工确认），而不是只靠显式调用 remember |
| 更多存储后端 | 基于现有 Storage 接口扩展 SQLite / JSON |
| Web 界面 | 在 dsh WebUI 中浏览、编辑、管理记忆（目前只有 agent 侧的 view 工具） |
| 测试套件 | 扩充存储、检索、注入逻辑的自动化测试覆盖 |
⚠️ 注意事项
- 更换 embedding 模型会使已存向量失效（维度不匹配会被检测并告警）
- 插件针对 dsh
v0.1.0-rc.5 开发，peerDependencies 版本范围可能需要随 dsh 升级调整
- 依赖本地 ollama——无 ollama 时自动降级为纯关键词检索
🔗 相关引用
本插件属于 DeepSeek Harness（dsh）插件生态。
📄 许可证
MIT
