前言¶
DeepSeek Harness（DSH）把能力拆成可插拔的插件；智能体要跨会话记住偏好、项目约定和既往决定，通常需要单独的记忆层。常见做法是用 Python 把 mem0 包成 HTTP 服务，agent 再远程调用——多一个进程、多一份运维，配置也落在服务端。维护者 rokyaria 的 dsh-mem0-plugin 走另一条路：在 dsh 插件里直接跑 mem0 官方的 TypeScript SDK（mem0ai/oss），不另起 Python sidecar，向量库侧参考部署用 Elasticsearch 8，embedding 可换 provider。本文按仓库 README 与安装说明介绍定位、工具、安装与配置；社区目录见 skillhub.cn，源码在 GitHub（MIT，当前 package 版本 0.3.0）。
这是什么¶
一句话：基于 mem0 的记忆层，作为 dsh 插件运行。
插件解决的是「agent 跨会话还记得你说过什么」——偏好、约定、决定不必每次重讲。与独立 mem0 服务相比，README 里归纳的差异大致如下：无额外 Python 容器；agent 通过原生工具调用而非 HTTP；配置写在 dsh profile 的 cordis.patch.yml；插件随 dsh 启动，后端暂时不通时仍可用 mem0_status 自查。
核心功能¶
插件暴露八个工具，覆盖记忆的写入、检索、更新、删除与运维：
| 工具 | 用途 |
|---|---|
mem0_add |
存入记忆（用户要求「记住」或陈述值得长期保留的内容） |
mem0_search |
语义检索，回答涉及过往决策、偏好、历史工作前使用 |
mem0_get |
按 id 读取完整内容 |
mem0_update / mem0_delete |
改写或删除；删除支持按 id 或按 user_id / agent_id / run_id 清范围 |
mem0_get_all |
列出记忆，支持时间范围扫描（created_after 等）与分页 |
mem0_history |
某条记忆的变更轨迹 |
mem0_status |
安装与健康自检；README 写明即使记忆后端连不上也可调用 |
记忆的语义（事实抽取、去重合并、向量检索、provider 生态、metadata 作用域与 expiration_date 等）沿用 mem0；插件自行实现的部分包括 mem0_get_all 的时间范围扫描、按范围删除、mem0_history 持久化、给模型的使用引导，以及 mem0_status。
配置了 llm 时，mem0_add 可由 mem0 用 LLM 从对话提炼事实；未配 llm 则按原文存储。仓库文档记录：Elasticsearch 8.14.3、LM Studio + text-embedding-bge-m3（1024 维）等路径已做端到端验证；并发写入、ES9 尚未 e2e 验证。
工具不会自动执行，由模型在需要时调用。插件默认向系统提示词注入约 860 字符的使用引导（可通过 guidance 替换、追加或关闭）。
安装与启用¶
需要 Elasticsearch 8 和 embedding 模型（可选 LLM 用于事实抽取）。Node 引擎要求见 package.json：^22.19.0 || >=24.0.0。
README 推荐把仓库交给 agent，让其阅读仓库内 install.md 探测本机 ES、LM Studio 并验收；手动路径示例如下。
1、启动 Elasticsearch 8（8.14.3 为文档实测版本）：
docker run -d --name dsh-es8 -p 9200:9200 --cpus 1.0 -m 2g \
-e discovery.type=single-node \
-e xpack.security.enabled=true -e xpack.security.http.ssl.enabled=false \
-e xpack.security.transport.ssl.enabled=false -e xpack.security.enrollment.enabled=false \
-e ELASTIC_PASSWORD=elastic -e "ES_JAVA_OPTS=-Xms1024m -Xmx1024m" \
docker.elastic.co/elasticsearch/elasticsearch:8.14.3
2、embedding：文档推荐在 LM Studio 加载 bge-m3（GUI 步骤见 install.md §3），也可用 mem0 支持的其它 provider。
3、构建并安装插件（安装命令以 README 为准，路径改为你本机克隆或解压后的绝对路径）：
node node_modules/typescript/bin/tsc -p tsconfig.build.json
dsh plugin --profile <profile> add /绝对路径/dsh-mem0-plugin
桌面版 dsh：公开 CLI 不能管理 Desktop profile，应通过 设置 → 插件 安装；README 注明此前文档装法有误，细节见 install.md §6。
装完后调用 mem0_status，第一行为 OK 即表示基本正常。
典型配置与用法¶
在 profile 的 cordis.patch.yml 中插入插件配置。最小可用示例（本地明文 ES 须显式 useSsl: false，否则默认 HTTPS 连不上）：
- insert:
- id: mem0
name: dsh-mem0-plugin
config:
embedder:
provider: lmstudio
config:
baseURL: http://localhost:1234/v1
model: text-embedding-bge-m3
vectorStore:
provider: elasticsearch
config:
collectionName: mem0_vector_store
host: localhost
port: 9200
username: elastic
password: elastic
useSsl: false
三项核心项：embedder、vectorStore 必需；llm 可选，仅影响 mem0_add 是否做事实抽取。任意 OpenAI 兼容端点均可作为 llm。
若在本机 LM Studio 上开启事实抽取（infer: true），README 记录 mem0ai 与 LM Studio 的若干兼容问题；仓库提供 tools/lmstudio-shim/ 转发层，配置里可将 llm.config.baseURL 指向 shim（如 http://127.0.0.1:1235/v1）而非直连 1234。
自定义模型行为示例：
guidance:
enabled: true
append: |
约定：不要存客户姓名。
换 embedding 模型须重建索引，并用 mem0_status 核对向量维度；LM Studio 对未知 model id 可能静默替换为当前加载模型，写错模型名不会报错但会损害检索质量。
适用场景与注意¶
适合谁：已在用 DSH、希望 agent 跨会话保留偏好与项目约定，且愿意自备 ES8 与 embedding（及可选 LLM）的开发者。
权限与安全：插件与当前 dsh 进程同权运行；安装前应阅读源码与 MIT 许可证，自行评估依赖与数据落盘位置（如默认 history.dbPath 在工作区 mem0/history.db）。引导文案默认要求不要存密钥、凭据等；记忆内容进入你配置的向量库与本地 history 存储。
生态说明：DSH 主张「一切皆插件」；skillhub.cn 为社区目录，与 DeepSeek / 幻方无官方从属关系。
结尾¶
dsh-mem0-plugin 把 mem0 长期记忆收进 dsh 插件进程：八个工具、profile 内配置、无 Python sidecar。若要跟进维护者与验证状态，以仓库 README、install.md、development.md 为准。
- 目录页：https://www.skillhub.cn/plugins/rokyaria/dsh-mem0-plugin
- GitHub：https://github.com/rokyaria/dsh-mem0-plugin
