前言¶
在 DeepSeek Harness（DSH）里做带记忆的 Agent，常见做法要么把摘要和历史一直塞进上下文，prompt 随轮数变长；要么用向量库切块检索，存储随历史线性增长，且相似度召回容易带上无关旧话。维护者 LFLmLXY 的 dsh-pss（GitHub：LFLmLXY/dsh-pss，社区目录：skillhub 插件页）走另一条路：把「这段会话里用户关心什么」压进一组 LoRA 权重与定长状态，检索时用 adapter 改写查询意图，再对接 BM25 知识库与会话记忆；同时提供 HTTP Dashboard 星图，把 ingest、意图、检索、装配、编译等步骤可视化。下文按定位、能力、安装与用法说明，事实以仓库 README 与 package.json 为准（当前版本 0.3.0，许可证 MIT）。
这是什么¶
PSS（Parameterized Session State）即参数化会话状态：会话结束或销毁时通过 compile 把本轮 history 训进 LoRA；下一轮 retrieve 时加载该会话 adapter，把「问题 + 会话质心 + 关键词」改写成检索意图，查知识库并拼 context pack 给模型，而不必把整段对话历史再读一遍。README 称存储与上下文体积与对话轮数无关——状态文件为定长的 centroid（32 维）、keywords（48 条）、lora 引用等，落盘在 sessions/<id>.json，实测约 1.5KB。
插件分类为「记忆」；运行时依赖 Node（package.json 要求 >=20），DSH 侧要求 >=0.2.0-rc.1。默认 v0.3 工程闭环可用，意图生成默认 intentBackend: 'local'（本地启发式）；接上 Python 后端后可切 lora 走真实 adapter。
核心功能¶
O(1) 恒定存储¶
每轮只更新定长结构：会话质心 EMA（c ← 0.78c + 0.22v）、带衰减的关键词表、LoRA adapter 引用。历史本身不进持久状态，仅在 compile 时喂给训练器，训完即弃。
参数化意图与双通道检索¶
用户口语化提问（例如「那 O(1) 那块怎么做的？」）可由会话专属权重扩成与知识库更对齐的检索词，再 BM25 top-k。工具 pss_retrieve 供模型主动拉记忆；pss_remember 可把结论写成 digest 进入会话记忆索引，检索时与内置知识同台排序并分别标注 [记忆] / [知识]。
实时脑图探针¶
内置 HTTP 服务（默认 127.0.0.1:8964）提供星图 Dashboard：探针记录 user → intent、intent → knowledge、knowledge → answer、session → lora 等关系，约每 3 秒增量拉取图数据。节点按类别着色（用户输入、PSS 意图、知识片段、AI 回答、系统事件），便于观察一次 retrieve 的全链路。
可选离线 LoRA 训练后端¶
python_backend 提供 FastAPI 服务（默认示例 http://127.0.0.1:8077）。未装完整训练栈时可 PSS_DRY_RUN=auto 走 dry-run，仍写 adapter_manifest.json 与占位权重，保证流水线可跑通；有 GPU 时可配置 base model 做真训练。
安装与启用¶
插件以当前 DSH 进程权限运行，安装前请自行审阅源码与 MIT 许可证。社区目录与 DeepSeek / 幻方无官方从属关系，DSH 生态是「一切皆插件」的独立插件体系。
方式 A：仅体验脑图（不装 DSH）¶
README 提供的本地演示步骤如下（需自行 clone 仓库，本文不展开 clone 细节以外的环境假设）：
cd dsh-pss
npm install
npm run dev
浏览器打开 http://127.0.0.1:8964/。可选：npm run dev -- --no-demo 不灌演示语料，--port=9100 换端口。
方式 B：作为 DSH 插件安装¶
在插件目录构建后，用本地路径安装（README 原文示例，请换成你的实际路径）：
npm install
npm run build
dsh plugin add D:/path/to/dsh-pss
等价做法是在 profile 的 cordis.yml 中插入与 cordis.patch.yml 一致的 bundle 配置，例如：
- insert:
- id: dsh-pss
name: dsh-pss
config:
port: 8964
autoStart: true
seedDemo: true
intentBackend: local
装好后：DSH 里用户每说一句话插件会 ingest；模型可调用 pss_retrieve；会话销毁时自动 compile。脑图仍在 http://127.0.0.1:8964/。
方式 C：接上 Python 训练/intent 后端（可选）¶
cd python_backend
pip install -r requirements.txt
python main.py
在 DSH 插件配置中增加：
config:
trainerUrl: http://127.0.0.1:8077
intentBackend: lora
intentBackendUrl: http://127.0.0.1:8077
真训练需额外 requirements-train.txt 与 GPU，并按 README 设置 PSS_DRY_RUN=0 与 PSS_BASE_MODEL 等环境变量。
典型用法与 HTTP 接口¶
装入 DSH 后，日常路径是：对话过程中自动 ingest → 需要上下文时由模型或你通过 pss_retrieve 检索 → 会话结束 compile 更新 LoRA。也可直接调插件共用的 REST API（默认仅监听本机），常用路径包括：
| 方法 | 路径 | 说明 |
|---|---|---|
| GET | / |
脑图页面 |
| GET | /api/pss/health |
健康检查 |
| POST | /api/pss/ingest |
{sessionId?, role, text} 吸收一条消息 |
| POST | /api/pss/retrieve |
{sessionId?, query} 双通道检索 |
| POST | /api/pss/remember |
{sessionId?, text} 写入结论型记忆 |
| POST | /api/pss/compile |
{sessionId, history?} 触发编译 |
自检可运行 npm run smoke（README 标注 smoke 34 passed）。知识语料可替换仓库内 knowledge/pss.md。
适用场景与注意¶
适合：希望在 DSH Agent 里控制长对话的 token 与存储成本、又需要「会话级」检索意图（而非纯向量相似度）的开发者；需要调试记忆链路时，星图 Dashboard 比纯日志更直观。
注意：
- 默认 local 意图后端是可解释的启发式，与接上 lora 后端的行为不同；评估效果时应明确当前
intentBackend与是否启用trainerUrl。 - Dashboard 与 API 默认绑定
127.0.0.1，若改端口或暴露到公网需自行评估安全风险。 - LoRA 真训练依赖 Python 环境与可选 GPU；dry-run 仅保证流程闭环，不代表生产级模型质量。
- 插件依赖
@deepseek-ai/schemastery，并以 peer 方式对接@deepseek-ai/cordis、@deepseek-ai/dsh-tools（在 DSH 环境中由宿主提供）。
结尾¶
dsh-pss 把会话状态压成定长结构与 LoRA adapter，用参数化意图衔接 BM25 与会话记忆，并用星图把 retrieve / compile 链路摊开。若要在目录里查看元信息或跟踪更新，可访问 skillhub.cn/plugins/LFLmLXY/dsh-pss；源码与完整 API 列表见 github.com/LFLmLXY/dsh-pss。
