dsh-wsl-vecmem：基于 Ollama 的本地向量记忆插件

在 DeepSeek Harness (DSH) 的开发中，让智能体具备长期记忆是一个常见需求。现有的方案往往需要搭建独立的向量数据库服务，配置成本较高。dsh-wsl-vecmem 插件提供了一个轻量级的解决方案，利用 Ollama 本地生成 Embedding，配合 JSON 文件存储，实现语义检索。

这是什么¶

这是一个用于本地语义记忆的 DSH 插件。它通过调用 Ollama 的 Embedding 模型，将短文本向量化后存储在 ~/.dsh/vecmem/store.json 中，支持按语义相似度进行检索。

核心功能¶

插件提供了三个核心指令：

• vecmem_status：查看 store 路径、embed 模型以及当前存储的条目数。
• vecmem_add：将指定的文本写入并生成向量。
• vecmem_search：根据语义相似度检索相关文本。

安装与启用¶

安装前需要确保本地已安装并运行 Ollama。

1. 拉取 Embedding 模型：

    ollama pull nomic-embed-text

2. 在 DSH 中安装插件：

    dsh plugin --profile web add github:173787247/dsh-wsl-vecmem

配置¶

插件支持通过配置文件调整参数。默认情况下，数据存储在 ~/.dsh/vecmem/store.json。

config:
  enabled: true
  storePath: ""            # 留空使用默认路径
  ollamaBase: "http://127.0.0.1:11434"
  embedModel: "nomic-embed-text"
  timeoutMs: 60000
  maxItems: 5000

适用场景与注意¶

• 依赖关系：插件依赖本机的 Ollama 服务（可与 dsh-wsl-ollama 插件同机运行）。
• 网络访问：如果 Ollama 运行在 Windows 上，WSL 无法直接访问 127.0.0.1，需要将 ollamaBase 改成可从 WSL 访问的地址。
• 用途定位：该插件主要用于补全 Obsidian 或笔记库，不是 vault 替代品。

总结¶

dsh-wsl-vecmem 为 DSH 提供了无需外部依赖的本地向量记忆能力。通过简单的命令即可管理文本存储与检索，适合需要在本地轻量级维护知识库的场景。

更多细节可参考 GitHub 仓库。