前言¶
DeepSeek Harness（DSH）把能力拆成可插拔的插件；智能體要跨會話記住偏好、項目約定和既往決定，通常需要單獨的記憶層。常見做法是用 Python 把 mem0 包成 HTTP 服務，agent 再遠程調用——多一個進程、多一份運維，配置也落在服務端。維護者 rokyaria 的 dsh-mem0-plugin 走另一條路：在 dsh 插件裏直接跑 mem0 官方的 TypeScript SDK（mem0ai/oss），不另起 Python sidecar，向量庫側參考部署用 Elasticsearch 8，embedding 可換 provider。本文按倉庫 README 與安裝說明介紹定位、工具、安裝與配置；社區目錄見 skillhub.cn，源碼在 GitHub（MIT，當前 package 版本 0.3.0）。
這是什麼¶
一句話：基於 mem0 的記憶層，作爲 dsh 插件運行。
插件解決的是「agent 跨會話還記得你說過什麼」——偏好、約定、決定不必每次重講。與獨立 mem0 服務相比，README 裏歸納的差異大致如下：無額外 Python 容器；agent 通過原生工具調用而非 HTTP；配置寫在 dsh profile 的 cordis.patch.yml；插件隨 dsh 啓動，後端暫時不通時仍可用 mem0_status 自查。
核心功能¶
插件暴露八個工具，覆蓋記憶的寫入、檢索、更新、刪除與運維：
| 工具 | 用途 |
|---|---|
mem0_add |
存入記憶（用戶要求「記住」或陳述值得長期保留的內容） |
mem0_search |
語義檢索，回答涉及過往決策、偏好、歷史工作前使用 |
mem0_get |
按 id 讀取完整內容 |
mem0_update / mem0_delete |
改寫或刪除；刪除支持按 id 或按 user_id / agent_id / run_id 清範圍 |
mem0_get_all |
列出記憶，支持時間範圍掃描（created_after 等）與分頁 |
mem0_history |
某條記憶的變更軌跡 |
mem0_status |
安裝與健康自檢；README 寫明即使記憶後端連不上也可調用 |
記憶的語義（事實抽取、去重合並、向量檢索、provider 生態、metadata 作用域與 expiration_date 等）沿用 mem0；插件自行實現的部分包括 mem0_get_all 的時間範圍掃描、按範圍刪除、mem0_history 持久化、給模型的使用引導，以及 mem0_status。
配置了 llm 時，mem0_add 可由 mem0 用 LLM 從對話提煉事實；未配 llm 則按原文存儲。倉庫文檔記錄：Elasticsearch 8.14.3、LM Studio + text-embedding-bge-m3（1024 維）等路徑已做端到端驗證；併發寫入、ES9 尚未 e2e 驗證。
工具不會自動執行，由模型在需要時調用。插件默認向系統提示詞注入約 860 字符的使用引導（可通過 guidance 替換、追加或關閉）。
安裝與啓用¶
需要 Elasticsearch 8 和 embedding 模型（可選 LLM 用於事實抽取）。Node 引擎要求見 package.json：^22.19.0 || >=24.0.0。
README 推薦把倉庫交給 agent，讓其閱讀倉庫內 install.md 探測本機 ES、LM Studio 並驗收；手動路徑示例如下。
1、啓動 Elasticsearch 8（8.14.3 爲文檔實測版本）：
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：文檔推薦在 LM Studio 加載 bge-m3（GUI 步驟見 install.md §3），也可用 mem0 支持的其它 provider。
3、構建並安裝插件（安裝命令以 README 爲準，路徑改爲你本機克隆或解壓後的絕對路徑）：
node node_modules/typescript/bin/tsc -p tsconfig.build.json
dsh plugin --profile <profile> add /絕對路徑/dsh-mem0-plugin
桌面版 dsh：公開 CLI 不能管理 Desktop profile，應通過 設置 → 插件 安裝；README 註明此前文檔裝法有誤，細節見 install.md §6。
裝完後調用 mem0_status，第一行爲 OK 即表示基本正常。
典型配置與用法¶
在 profile 的 cordis.patch.yml 中插入插件配置。最小可用示例（本地明文 ES 須顯式 useSsl: false，否則默認 HTTPS 連不上）：
- 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
三項核心項：embedder、vectorStore 必需；llm 可選，僅影響 mem0_add 是否做事實抽取。任意 OpenAI 兼容端點均可作爲 llm。
若在本機 LM Studio 上開啓事實抽取（infer: true），README 記錄 mem0ai 與 LM Studio 的若干兼容問題；倉庫提供 tools/lmstudio-shim/ 轉發層，配置裏可將 llm.config.baseURL 指向 shim（如 http://127.0.0.1:1235/v1）而非直連 1234。
自定義模型行爲示例：
guidance:
enabled: true
append: |
約定：不要存客戶姓名。
換 embedding 模型須重建索引，並用 mem0_status 覈對向量維度；LM Studio 對未知 model id 可能靜默替換爲當前加載模型，寫錯模型名不會報錯但會損害檢索質量。
適用場景與注意¶
適合誰：已在用 DSH、希望 agent 跨會話保留偏好與項目約定，且願意自備 ES8 與 embedding（及可選 LLM）的開發者。
權限與安全：插件與當前 dsh 進程同權運行；安裝前應閱讀源碼與 MIT 許可證，自行評估依賴與數據落盤位置（如默認 history.dbPath 在工作區 mem0/history.db）。引導文案默認要求不要存密鑰、憑據等；記憶內容進入你配置的向量庫與本地 history 存儲。
生態說明：DSH 主張「一切皆插件」；skillhub.cn 爲社區目錄，與 DeepSeek / 幻方無官方從屬關係。
結尾¶
dsh-mem0-plugin 把 mem0 長期記憶收進 dsh 插件進程：八個工具、profile 內配置、無 Python sidecar。若要跟進維護者與驗證狀態，以倉庫 README、install.md、development.md 爲準。
- 目錄頁：https://www.skillhub.cn/plugins/rokyaria/dsh-mem0-plugin
- GitHub：https://github.com/rokyaria/dsh-mem0-plugin
