前言¶
DeepSeek Harness (DSH) 是一個插件化生態，其核心在於上下文窗口的管理。雲端模型（如 DeepSeek V4）擁有百萬 token 窗口，通過 resume 恢復會話和 compaction 壓縮歷史足以維持記憶。但一旦接入本地模型（Ollama 等），窗口通常僅 4K-32K，無法將全部歷史塞入提示詞。
此時需要一種結構化的持久層，將對話中值得留存的事實提取、存儲，並在後續對話中按需注入。dsh-memory-bridge 正是爲解決這一場景而生：在上下文窗口受限時，提供可檢索、可審計、可治理的長期記憶系統。
是什麼¶
這是一個記憶樹橋接插件。它將對話自動沉澱爲可檢索、可視化的記憶樹，並在後續會話中按需注入相關上下文。項目定位爲“記憶基礎設施”，而非追求完美的智能體。它通過明文 Markdown 真源配合 SQLite 索引，實現了數據的透明可控與快速檢索。
核心能力¶
該插件提供以下核心功能：
- 跨會話持久記憶：對話自動沉澱爲記憶卡，後續會話按需檢索注入，補足 DSH 原生會話歷史之外的持久事實層。
- 記憶檢索工具：Agent 可通過
memory_search、memory_add_run、memory_review三個工具主動讀寫記憶。 - 記憶可視化：設置頁內包含 7 個可視化 tab，包括事件圖譜、知識圖譜、時間線、待審、畫像、審計和總覽。
- 經驗與畫像沉澱：自動識別“記住教訓/踩坑”並沉澱爲永久經驗；偏好信號聚合後可觸發畫像蒸餾。
- 治理閉環：通過遺忘曲線（30天閒置完結）、利用率收縮和審計反饋，防止記憶庫無限膨脹。
- 存儲與檢索：採用明文 Markdown 真源 + SQLite 索引；檢索使用零 LLM 算法（BM25 + RRF）。
- 雙通道寫入：支持 LLM 提取（廣度）與零 LLM 規則（速度），確保關鍵信息能即時落庫。
安裝與依賴¶
插件以 npm 包形式分發，維護者爲 gangwolf2312-creator。安裝前需確認本地環境已安裝 jieba。
依賴項：
- @deepseek-ai/dsh-tools: ^0.1.0-rc.7
- @deepseek-ai/cordis: ^4.0.1 (peer dependency)
配置：
插件運行依賴環境變量 apiKeyEnv，建議配置後端 LLM API Key 以啓用提取功能。
典型用法¶
- Agent 調用：Agent 可直接調用
memory_search查詢歷史記憶，或使用memory_add_run添加新記憶。 - 注入策略：插件按意圖分檔注入記憶。
- 關鍵意圖：最多注入 3 條記憶。
- 一般意圖：最多注入 1 條記憶。
- 寒暄/閒聊：不注入記憶。
- 畫像蒸餾：在 UI 的“畫像” tab 中手動觸發，或通過 RPC 調用
distill，將事件樹聚合爲用戶畫像摘要。 - 審覈流程：零 LLM 提取的不確定內容會進入
pending審覈隊列，需人工確認後固化。
設計與實現¶
- 存儲層：每張記憶卡是 Markdown 文件（包含 front matter 元數據與正文），目錄按類型分（如
events/cards、profiles）。寫入操作具有冪等性，崩潰重啓可對賬。 - 檢索機制：讀取端零 LLM 依賴。使用 jieba 分詞進行詞性提取，通過多路 RRF 融合計算相關度。數據驅動相關度門檻（如核心詞重疊閾值），避免無關記憶注入。
- 記憶與知識分離：系統區分
memory-tree（關於“你”的經歷）與memory-wiki（關於“世界”的規範），避免檢索污染。 - 架構隔離：採用 Host JS + Python Sidecar 模式。Sidecar 僅監聽 127.0.0.1，崩潰隻影響記憶模塊，不會拖垮 Harness 主進程。
注意事項¶
- LLM 依賴：提取質量完全依賴所選 LLM 的輸出能力。
- jieba 安裝：使用前需確保本地已安裝
jieba。 - 檢索限制：檢索是基於相關度排序召回，並非語義聯想，且包含一定的擴展能力。
- 故障隔離：Sidecar 崩潰只會導致記憶讀寫不可用，不影響 Harness 的會話流。
- 許可證：MIT 許可證，開源協議，使用時請遵守。
總結¶
對於上下文窗口受限的開發者或本地模型使用者，dsh-memory-bridge 提供了一套可靠的記憶治理方案。通過零 LLM 檢索、雙通道寫入和明文存儲，它在不犧牲可控性的前提下，解決了智能體“健忘”和“上下文溢出”的痛點。
項目地址：https://github.com/gangwolf2312-creator/dsh-memory-bridge
