前言¶

在 DeepSeek Harness（DSH）里跑智能体，会话会不断落在本地 ~/.dsh/sessions。官方自带的 @deepseek-ai/dsh-session-query-sqlite 做的是全文检索：你输入某个词，它回答「哪条会话里出现过这个词」。当你只记得大意、换了一种说法，或者想按主题找会话时，关键词往往对不上。

社区插件 dsh-session-query-vector（维护者 minhaoli，分类：模型推理）把同一套 sessionQuery 服务换成向量后端：用自然语言提问，查询先被嵌入，再从索引里取最接近的文本块，并带上会话 ID 与摘要片段。它是官方 SQLite 后端的可替换实现，二者继承同一扩展点，同一时间只能挂载其中一个。

这是什么¶

一句话：面向 DSH 的语义会话搜索后端，索引与查询侧分离；嵌入可走本机 Ollama，或任意兼容 OpenAI /v1/embeddings 的端点。

• 仓库：minhaoli/dsh-session-query-vector
• 目录页：SkillHub 插件页
• 当前包版本（package.json）：0.1.0，许可证 MIT

DSH 社区插件目录是独立站点，与 DeepSeek / 幻方无官方从属关系；安装前建议自行查看源码与许可证。插件随 DSH 进程以当前用户权限运行。

与官方 SQLite 后端的区别¶

架构：查询与建索引分开¶

README 明确拆成两块，避免在搜索路径上做慢速嵌入：

查询侧与索引侧必须使用相同的 embedModel，否则向量空间不一致，相似度分数没有意义。两侧要在配置与环境变量里保持一致。

环境要求¶

安装与启用¶

在指定 profile 下添加插件（命令来自仓库 README）：

dsh plugin --profile <your-profile> add github:minhaoli/dsh-session-query-vector

包声明了 dsh.bundle.patch，dsh plugin add 会把它写入 dsh.profile.bundles，下次启动时由加载器挂载。

随包附带的 cordis.patch.yml 会禁用官方 SQLite 后端（二者都注册 sessionQuery），并插入向量后端的默认配置，例如：

- id: session-query-sqlite
  disabled: true

- insert:
    - id: session-query-vector
      name: 'dsh-session-query-vector'
      config:
        provider: ollama
        baseUrl: 'http://127.0.0.1:11434'
        embedModel: bge-m3
        openAt: first-search

若希望保留官方后端，应去掉禁用官方的那一行，且不要挂载本包——两者不能共存。

配置¶

在 profile 的 cordis.patch.yml 中修改。注意 patch 会整体替换目标行的 config，不会与旧键合并，需要保留的键要全部写回。

# ~/.dsh/profiles/<profile>/cordis.patch.yml
- insert:
    - id: session-query-vector
      name: 'dsh-session-query-vector'
      config:
        path: 'C:/Users/<you>/.dsh/storages/session-query-vector.sqlite'
        provider: openai
        baseUrl: 'https://api.siliconflow.cn/v1'
        apiKey: 'sk-...'
        embedModel: 'BAAI/bge-m3'
        openAt: first-search
        topK: 20
        minScore: 0.45

常用配置项（默认值见 README 表格）：

嵌入端点约定¶

Ollama（provider: ollama）¶

先拉取模型：

ollama pull bge-m3

请求形如 POST {baseUrl}/api/embeddings，body 为 { "model": "bge-m3", "prompt": "..." }，响应含 embedding 数组。

OpenAI 兼容（provider: openai）¶

POST {baseUrl}/v1/embeddings，input 可为字符串数组；响应按 data[].index 排序后再用。SiliconFlow、OpenAI、Azure、Together、本地 vLLM / LM Studio 等只要满足该契约即可，按服务商文档设置 baseUrl、apiKey、embedModel。

建索引（indexer.mjs）¶

索引不会由 DSH 自动跑，需要在查询侧配置好后自行执行。脚本要能 import @deepseek-ai/*，一般用 DSH 自带的 Node 环境运行。

# 默认：先 layer 1（用户消息），再 layer 2（助手消息）
node indexer.mjs

node indexer.mjs --layer=1        # 仅用户消息，最快得到可用搜索
node indexer.mjs --layer=2        # 仅助手消息
node indexer.mjs --limit=200      # 本次最多处理会话数
node indexer.mjs --status         # 只看进度，不写索引
node indexer.mjs --force          # 强制重扫未变更会话
node indexer.mjs --quiet
node indexer.mjs --skip-active=5  # 跳过最近 5 分钟内写入的会话

环境变量需与插件 config 对齐，尤其是 VEC_DB（等于插件 path）、VEC_PROVIDER、VEC_BASE_URL、VEC_API_KEY、VEC_MODEL。可选 VEC_CHUNK（默认 1200 字符一块）、VEC_BATCH（默认每批 16 块）、VEC_SUBAGENTS=1 纳入 subagent 会话。

桌面版 Electron 打包后，@deepseek-ai/* 在 app.asar 内，需设置 DSH_MODULES 并用应用二进制以 Node 模式执行 indexer.mjs；源码目录下可直接 node indexer.mjs。细节见 README「Running the indexer against the packaged desktop app」。

适用场景与注意¶

适合：本地或自托管 DSH、会话量大、希望用自然语言找回「当时讨论过某类问题」的会话；已有 Ollama 或硅基流动等嵌入 API 的用户。

务必注意：

1. 只装向量后端或只留 SQLite，不要同时挂载。
2. 改 embedModel 或切换 provider 后，通常需要重建索引（--force 或删库重跑）。
3. 首次搜索前索引可能为空，查询侧不会替你建索引。
4. 嵌入调用产生延迟与费用（若走云端 API），索引全量跑一遍也会耗时。
5. 安装与运行前阅读仓库源码与 MIT 许可证；插件以当前 DSH 进程权限访问会话与索引文件。

结尾¶

dsh-session-query-vector 在 DSH「一切皆插件」的思路下，把会话检索从「命中关键词」扩展到「语义相近」，查询与建索引解耦，搜索路径保持轻量。若你已在用 DSH 并需要按主题翻历史会话，可按 README 安装插件、对齐嵌入配置、跑 indexer.mjs 后再在 Harness 里用自然语言搜索。

• 目录页：https://www.skillhub.cn/plugins/minhaoli/dsh-session-query-vector
• GitHub：https://github.com/minhaoli/dsh-session-query-vector