前言¶
DeepSeek Harness（DSH）拥有内置的聊天代理，但每个新会话都从零开始。dsh-memory-amem 插件向 DSH 注入 A-MEM 风格的长期代理记忆。每条用户消息都被捕获为结构化笔记，自动通过 LLM 驱动的演化步骤链接到现有记忆，并在每一轮重新注入到系统提示中，使模型能够回忆先前的对话。
核心功能与架构¶
该插件实现了 A-MEM 的核心流程，并将 DSH 的会话事件与系统提示注入机制结合，构建了一个完整的记忆闭环。
工作流程¶
记忆引擎的运行分为六个步骤：
1. 准入门：首先通过规则过滤器（如敏感词、过大文本块）和语义去重、信任分数判断来过滤噪音。不符合条件的消息会直接终止流程。
2. 分析内容：利用 LLM 提取消息的关键词、一句话上下文和标签。如果 LLM 输出不可用，会回退到 TF 算法。
3. 检索邻居：基于存储的笔记文档集进行检索，混合使用 BM25（k₁=1.5, b=0.75）和 TF-IDF 的余弦相似度，返回 Top-K 相关笔记。
4. 决定演化：LLM 根据分析结果和检索结果，选择 NO_EVOLUTION、STRENGTHEN、UPDATE_NEIGHBOR 或 STRENGTHEN_AND_UPDATE 之一。
5. 应用演化：STRENGTHEN 增加链接和标签，UPDATE_NEIGHBOR 重写相关笔记的上下文和标签。
6. 持久化笔记：将笔记写入 ~/.dsh/memory-amem/notes/*.json，每 5 秒刷新一次，索引在下次初始化时重新加载。
混合检索与防御¶
- 混合检索：结合 BM25 和 TF-IDF，在实体提升等策略下，显著提升了多跳推理场景下的召回率。
- 提示注入防御：插件内置了针对系统提示注入的防御机制，确保记忆内容的安全注入。
面向模型的工具¶
插件向 DSH 的模型暴露了四个工具：
* memory_search：搜索记忆库。
* memory_add：手动添加记忆。
* memory_recent：获取最近的记忆。
* memory_stats：记忆库统计信息。
安装与启用¶
该插件遵循 DSH 的社区插件标准模型。安装时需要指定 --profile web 参数，以便通过 dsh plugin 命令读取包配置并注入到 DSH 主进程和 Web GUI 中。
dsh plugin --profile web add
LoCoMo 基准评估¶
作者在 LoCoMo 数据集（1 对话 × 199 QA 对）上进行了评估，使用 deepseek-chat 和 deepseek-reasoner 作为下游模型。
评估结果 (v0.2.0)：
| 类别 | 描述 | deepseek-chat | deepseek-reasoner |
|---|---|---|---|
| 1 | 单跳事实 | 21.9% | 25.0% |
| 2 | 多跳推理 | 45.9% | 37.8% |
| 3 | 时间/反事实 | 0.0% | 7.7% |
| 4 | 是/否 | 44.3% | 47.1% |
| 5 | 开放式 | 4.3% | 4.3% |
| Overall | 总体 | 28.6% | 29.1% |
关键观察：
* 使用较小的 DeepSeek 模型即可超越 GPT-4 的闭卷基准表现（约 37%）。
* 多跳推理类别受益于 BM25 召回率提升和实体加权，从 0% 提升至 46%。
* 类别 3（时间/反事实）和类别 5（开放式）仍表现较弱。类别 3 的失败主要是因为 LoCoMo 标注答案具有相对性（如 “9 June 2023 前一周”），而检索器缺乏日期代数运算能力。
适用场景与注意¶
- 适用场景：需要长上下文保持、多轮对话记忆以及基于历史信息进行推理的 DeepSeek Harness 场景。
- 注意事项：该插件以当前 DSH 进程的权限运行，安装前建议检查源码与许可证（MIT）。由于存在准入门，某些特定类型的对话（如仅包含问候语）可能不会被捕获为结构化记忆。
