DeepSeek Harness Plugin Hub

发布与管理完整 Harness Profiles,发现适合你的插件。

探索

插件目录环境预设文档中心动态

社区

发布插件联系我们报告问题

相关链接

Plugin Hub GitHubDeepSeek Harness 官方项目系统状态隐私说明
© 2026 DeepSeek Harness Plugin HubPowered byPaxTech

独立、非官方社区项目,与 DeepSeek 官方无隶属、授权或背书关系。

DeepSeek Harness Plugin Hub
ProfilesPlugins分类动态文档登录管理 Profiles
ProfilesPlugins分类动态文档登录
← Plugins
L

dsh-love

Love

把每天的聊天过程蒸馏成可更新的角色卡与跨会话感情模块,持续训练角色卡(保留说话习惯与关键记忆)。

插件会安装到这里;不确定时保持 web。

npx -y @deepseek-ai/dsh plugin --profile web add github:LIU118117/dsh-love#62fa3d6515286e4e912ddf4c8a0efce6e3dd777a
README兼容性版本

兼容性与来源证明

Love 以 dsh-love 发布,当前版本为 1.0.0。Plugin Hub 会校验它的 manifest,并保存精确安装来源,便于复现安装结果。

DSH 兼容范围
*
运行环境
any
发布来源
github
Registry 更新时间
2026/10/28

版本

1.0.0stable
2026/10/28

相关插件

正在加载相关插件…

最新版
1.0.0
DSH
*
HMR
重启进程
Tree shaking
未声明可安全裁剪
解包体积
未提供
文件数
未提供
Surface
any
许可证
MIT
发布源
github
GitHub
★ 0
周下载
0
最近提交
2026/10/28
查看源码 ↗
README Badge

点击下方 Badge 复制 Markdown,粘贴到 README 即可。

这是你的 Plugin?认领权益 · 优先安全扫描

验证 package.json 声明的 GitHub 仓库,即可管理这个公开页面。认领后,Hub 会优先安排当前版本的安全扫描,并在通过后公开展示结果。

认领这个 Plugin →
报告问题

相关插件

继续浏览 memory-context 分类下经过校验的插件。

Hindsight Coding Agents@vectorize-io/hindsight-coding-agents面向编程代理的仅反思式 Hindsight 长期记忆(可插拔支持多种运行框架:opencode、……),自动在后台导入(无需设置 CLI)。Contextdsh-context用于上下文洞察和管理的 DeepSeek Harness 插件,提供上下文仪表板和上下文命令,帮助了解上下文的构成及其演变过程。Memory Plugin@openviking/dsh-memory-plugin适用于 DeepSeek Harness 的 OpenViking 记忆与上下文套件Mnemondsh-mnemon面向 DeepSeek Harness 的可组合、基于视图的上下文。开箱即用的可插拔来源与策略、分层记忆和自我演进技能。

README

dsh-love

把 每天的聊天过程 蒸馏成 可更新的角色卡 与 跨会话感情模块,持续训练角色卡(重点是保留说话习惯、保住关键记忆点)。

DeepSeek Harness(Cordis)插件。装好之后:

  • 自动记录:AI 的 QQ 发言、读到的对话上下文会自动写进 logs/YYYY-MM-DD.jsonl(不记录 token 等敏感字段,量有上限,只存本机)。
  • 每天蒸馏(训练):桌面会话里调用 love_distill,把当天聊天提炼成说话习惯(带权重)、口头禅、关键记忆点,合并进角色卡——自动去重、限量、备份旧版、可回滚。
  • 每个会话生效:压缩版角色卡 + 感情模块被注册成全局系统提示词小节,所有会话(含 QQ 仿真会话)每次装配都会带上,所以下一个 AI 一定知道上一个 AI 的习惯。
  • 独立感情模块:情绪状态(正负/强度/起因)、情绪表达规则、关系热度单独存一份 emotion.json,跨会话持久,按半衰期衰减回基线;QQ 聊天里就能用 love_emotion 更新。
  • 训练共享人格卡:蒸馏后自动把生成节同步进共享人格卡文件(标记替换、留 .dsh-love.bak 备份),douyin 人格卡等读它的系统立刻拿到新习惯。

安装

本插件是一个 Host-only bundle。在 DSH 里:

plugin_manager  install_bundle  <本仓库绝对路径>

(或把仓库目录作为 install_bundle 的 target。)不需要构建、没有依赖。

数据目录

默认 <DSH_HOME>/dsh-love/(Windows 上是 C:\Users\<你>\.dsh\dsh-love\):

文件内容
card.json角色卡:说话习惯 / 口头禅 / 语气 / 黑名单表达 / 关键记忆 / 按人印象 / 训练版本
emotion.json感情模块:基线、当前情绪、衰减参数、表达规则、事件史、关系热度
logs/YYYY-MM-DD.jsonl每天聊天日志(自动捕获 + love_log 补记),保留 30 天
training/backups/card-v<N>.json每次蒸馏前的旧卡备份(love_card rollback 回滚用)
role-card.md渲染出的完整角色卡(可人工查看 / 复制到别处)

工具

工具用途
love_status看训练版本、今日样本统计、当前情绪
love_log补记一段重要对话到今天的日志
love_distill每日训练:把一天聊天蒸馏进角色卡 + 更新感情模块 + 同步共享人格卡
love_emotion读/更新感情模块(情绪、事件、关系热度、表达规则、基线)
love_card直接读/改角色卡节,或回滚到历史版本
love_export把整卡+感情模块导出成 Markdown / JSON

每日工作流(训练循环)

  1. 白天:QQ 聊天自动落日志;AI 情绪波动时自己调 love_emotion。
  2. 每天结束(桌面会话):调 love_distill,带上当天提炼出的:
    • speechHabits(说话习惯,重要度 1~5)与过时习惯的 dropHabits
    • catchphrases、tone、banned
    • keyMemories(关键记忆点,重要度 1~5)与 dropMemories
    • people(对群友/群组的印象、关系热度)、emotion(当天情绪总结)
  3. 插件自动:统计当天样本(平均句长、表情频率、高频词)→ 合并去重限量 → 备份旧卡 → 版本 +1 → 重渲染 role-card.md → 同步共享人格卡。
  4. 下一个会话开始时,系统提示词里自动带上新卡(说话习惯、关键记忆、当前情绪)。

与 QQ 桥接(SnowLuma)配合

QQ 仿真会话(qq-chat-v2 等预设)是普通 DSH 会话,因此本插件的系统提示词小节会自动进入每个 QQ 会话 —— 角色卡与感情模块随每次装配生效,不占桥接每消息 6000 字符的人格卡预算。

要在 QQ 会话内更新感情模块,桥接守卫需要放行三个只读/只写本店数据的工具。在 qq-tool-restrict 的 SAFE_EXACT 里加:

const SAFE_EXACT = new Set([
  'ask_user_question',
  'todo_write',
  'love_status', 'love_emotion', 'love_log', // dsh-love
])

并建议在守卫里把训练工具留在桌面会话:

try { ctx.tools.restrict({ deny: ['love_distill', 'love_card', 'love_export'] }) } catch {}

配置(cordis.patch.yml 行 config)

键默认说明
dataDir''数据目录,空 = <DSH_HOME>/dsh-love
captureSendstrue自动记录 AI 的 QQ 发言
captureReadstrue自动记录读到的对话上下文
autoSynctrue蒸馏后同步共享人格卡
syncTargets[]同步目标文件列表;空 = 自动找 <DSH_HOME>/douyin-browser/memory/persona/role-card.md
sectionOrder300系统提示词小节顺序(0 与 500 之间 = 人格前缀之后)
maxInjectedChars2200注入每个会话的最大字符数
logKeepDays30聊天日志保留天数

隐私与安全

  • 聊天日志只写本机 <DSH_HOME>/dsh-love/,不上传任何地方。
  • 捕获时会剔除 token / password / secret 等敏感字段。
  • 每份日志有大小/条数上限,超限自动剪头保尾。
  • 蒸馏只做本机文件读写,不调用任何模型 API;提炼由调用 love_distill 的 AI 完成。

License

MIT