前言¶

在 DeepSeek Harness（DSH）里做 Agent，常见做法是依赖会话上下文或简单的 KEY→VALUE 存储来「记住」用户偏好。这类方案能应付单轮问答，但跨会话后 Agent 往往像每次重新开机：没有稳定的自我表征，经验也难以沉淀为可复用的知识，行为边界也缺少可审计的留痕。

下面介绍 @furongjun1999/dsh-memory（GitHub：FuRongJun-1999/dsh-memory）。维护者 FuRongJun-1999 将其定位为 AGI 研究向的长期记忆基础设施，把灵枢（AEIS）的时空记忆引擎与 DSH 对接，而非普通 SQLite 记忆插件。项目遵循「智能论 v3.3」协议，当前 npm 包版本为 0.3.0，GitHub 约 31 stars，MIT 许可证。

这是什么¶

一句话：dsh-memory 是 DSH 插件形态的灵枢大脑接入层，为 Agent 提供跨会话记忆、知识飞轮、自我认知与可审计信任机制。

灵枢（AEIS）在插件侧通过手写 stdio MCP 桥与 Python 子进程通信，运行时动态拉取工具清单；Python 侧以 aeis 包提供记忆图、白箱推理与角色扮演等能力。目标用户是对 AGI、可解释性与记忆机制有研究需求的开发者，不是面向普通用户的消费级记忆工具。

与普通记忆插件的差异可以概括为：

核心功能¶

以下能力均来自项目 README 与 package.json，按模块归纳。

跨会话自我连续性¶

Agent 可通过 lingshu_recall、lingshu_search、lingshu_timeline 等 MCP 工具，在不同对话、会话乃至子代理之间共享同一份持续记忆。记忆按语义与时空关系组织，支持检索、去重与关联，而非简单堆叠历史文本。

知识飞轮与自演化¶

distill、flywheel、learn、induce 等工具把经验经验证、归纳、联想后蒸馏为可复用模式，随使用持续演化。对话内容可自动沉淀进记忆库（见 package.json 描述）。

白箱智能管线¶

知识类查询走确定性白箱路径，不依赖 LLM 生成答案。流程为：条件化知识单元 → 方向推理与组合生成 → 三层自校验（方向一致性、因果链完整性、事实一致性）→ 校验通过后固化为直答。README 称知识问答白箱率为 100%，LLM 仅作外部校验器降级使用。

已覆盖域包括物态变化、密度浮力、热传导、摩擦、角色条件与编程规律等；tools: all 时可暴露 71 个 MCP 工具，含 wisdom_verify、wisdom_analyze、wisdom_compose 等白箱族。

自我认知（brain 模式）¶

在 tools: 'brain' 配置下，可使用 cognition、cognition_report、self_reliability、emotional_bias、recursive_reflect 等工具，供 Agent 反思认知状态与情绪倾向。

角色扮演引擎（v3.3）¶

基于扮演论实现：自我锚点（SELF 层 no_forget 不可遗忘）、特化价值观（条件触发）、跨会话角色记忆、世界认知（子知识）、自定义翻译（现实↔虚拟名词表）。v0.2.8+ 起插件将 /roleplay 挂载到 DSH webServer，与 GUI 同源（默认 127.0.0.1:3080）；亦可独立运行 python -m aeis.roleplay_web 或通过 MCP 工具 roleplay_chat 等接入。

可审计信任¶

护栏宪章 v2 约束对外行为；工具调用、记忆写入、自校验判定全链路留痕。协议层强调减少信息差（D_norm）、对抗信号下不反击（隔离、留痕、上报），设计者保留终裁权。内容分级门控对「未成年人特征词 + 性内容词」组合做服务端硬拦截（route=refused）。

工程特性¶

• 零运行时外部依赖的 stdio MCP 桥；Python 子进程崩溃后指数退避自动重启。
• 启动竞态时 2s 轮询补注册工具，避免 Python 未就绪导致工具永久缺失。
• 动态 schema：灵枢升级后 DSH 侧无需改代码即可拉取新工具清单。

安装与启用¶

安装分两步：先装灵枢 Python 包，再通过 DSH profile 命令装插件。README 强调必须用 dsh plugin --profile 安装，不要用裸 npm install 装进 profile 的 node_modules，否则会引入错误版本的 @deepseek-ai peer 包。

① 安装灵枢大脑（Python）

pip install aeis-0.3.0-py3-none-any.whl

也可按 README 使用 git+ 在线安装；具体 wheel 或仓库地址以 GitHub 发布页为准。

② 安装 DSH 插件（web profile 示例）

dsh plugin --profile web add @furongjun1999/dsh-memory

③ 在 cordis.yml 中启用

- id: lingshu-memory
  name: '@furongjun1999/dsh-memory'
  config:
    dbPath: 'data/lingshu.db'
    identity: '灵枢'
    tools: 'brain'      # 'brain' 全心智 | 'core' 精选 | 'all' 含 wisdom_* 全工具

环境要求：package.json 指定 Node >=22.19；peer 依赖包括 @deepseek-ai/cordis ^4.0.1 等，由 profile 的 pnpm 协调解析。

若需改源码：克隆仓库后执行 npm install && npm run build，再用 dsh plugin add <本地路径> 部署。

典型用法¶

记忆召回¶

插件加载后，Agent 在对话中可调用灵枢暴露的 MCP 工具。常用入口包括：

• lingshu_recall：按语义召回历史记忆
• lingshu_search：搜索记忆图
• lingshu_timeline：按时间线浏览事件

具体参数以运行时动态 schema 为准；灵枢升级后工具列表会自动更新。

知识学习与蒸馏¶

需要把对话经验固化为可复用知识时，可调用 learn、induce、distill、flywheel 等工具，走验证→归纳→联想→蒸馏链路。

角色扮演网页¶

DSH web profile 启用插件后，访问同源 /roleplay（GUI 首页右上角有「角色扮演」入口）。功能包括角色选择/创建、完整对话转录（JSONL 持久化）、双向翻译面板、记忆/锚点/价值观三导入 UI。

独立部署示例：

python -m aeis.roleplay_web --port 8793 --data-dir roleplay_data

编辑类写接口需设置环境变量 ROLEPLAY_EDIT_KEY，请求时携带 x-edit-key 头；未设置时本地开发默认开放。

白箱知识查询¶

配置 tools: 'all' 后，Agent 可直接调用 wisdom_verify、wisdom_analyze、wisdom_predict、wisdom_compose、wisdom_respond 等工具，在不调用 LLM 生成答案的前提下完成条件路由、组合生成与自校验。

适用场景与注意¶

适合谁

• 需要在 DSH 中做跨会话、可检索、可关联记忆的 Agent 研究。
• 关注白箱推理、协议工程、扮演一致性或可审计信任机制的 AGI 方向开发者。
• 需要角色扮演长对话不崩、且希望记忆与设定可导入/可审计的场景。

使用前注意

1. 权限：插件以当前 dsh 进程权限运行，可读写配置的 dbPath、启动 Python 子进程；安装前应阅读源码与 MIT 许可证，确认数据落盘位置与网络行为符合你的环境策略。
2. 安装方式：务必使用 dsh plugin --profile <name> add，避免 peer 依赖版本冲突。
3. 定位：README 明确这是研究向基础设施，理论底座为「智能论 v3.3」；若只需简单 KV 记忆，复杂度可能偏高。
4. Python 依赖：除 npm 插件外还需安装 aeis；两者版本需与 README / 发布说明对齐。
5. 内容门控：开源版不做身份认证；服务端仅硬拦截特定关键词组合，成人内容依赖前端本地确认弹窗。

结尾¶

dsh-memory 把灵枢的时空记忆、白箱推理与护栏机制接到 DSH，解决的是 Agent 跨会话自我连续、经验演化与行为可审计一类问题，而不是再做一个字面存储的记忆表。

• SkillHub 目录页：https://www.skillhub.cn/plugins/FuRongJun-1999/dsh-memory
• GitHub 仓库：https://github.com/FuRongJun-1999/dsh-memory
• npm 包：@furongjun1999/dsh-memory（当前 0.3.0）

SkillHub 为独立社区目录，与 DeepSeek / 幻方无官方从属关系；插件是否纳入你的 DSH 环境，建议结合源码、许可证与上述链接自行判断。