前言¶

在 DeepSeek Harness（DSH）裏做帶記憶的 Agent，常見做法要麼把摘要和歷史一直塞進上下文，prompt 隨輪數變長；要麼用向量庫切塊檢索，存儲隨歷史線性增長，且相似度召回容易帶上無關舊話。維護者 LFLmLXY 的 dsh-pss（GitHub：LFLmLXY/dsh-pss，社區目錄：skillhub 插件頁）走另一條路：把「這段會話裏用戶關心什麼」壓進一組 LoRA 權重與定長狀態，檢索時用 adapter 改寫查詢意圖，再對接 BM25 知識庫與會話記憶；同時提供 HTTP Dashboard 星圖，把 ingest、意圖、檢索、裝配、編譯等步驟可視化。下文按定位、能力、安裝與用法說明，事實以倉庫 README 與 package.json 爲準（當前版本 0.3.0，許可證 MIT）。

這是什麼¶

PSS（Parameterized Session State）即參數化會話狀態：會話結束或銷燬時通過 compile 把本輪 history 訓進 LoRA；下一輪 retrieve 時加載該會話 adapter，把「問題 + 會話質心 + 關鍵詞」改寫成檢索意圖，查知識庫並拼 context pack 給模型，而不必把整段對話歷史再讀一遍。README 稱存儲與上下文體積與對話輪數無關——狀態文件爲定長的 centroid（32 維）、keywords（48 條）、lora 引用等，落盤在 sessions/<id>.json，實測約 1.5KB。

插件分類爲「記憶」；運行時依賴 Node（package.json 要求 >=20），DSH 側要求 >=0.2.0-rc.1。默認 v0.3 工程閉環可用，意圖生成默認 intentBackend: 'local'（本地啓發式）；接上 Python 後端後可切 lora 走真實 adapter。

核心功能¶

O(1) 恆定存儲¶

每輪只更新定長結構：會話質心 EMA（c ← 0.78c + 0.22v）、帶衰減的關鍵詞表、LoRA adapter 引用。歷史本身不進持久狀態，僅在 compile 時餵給訓練器，訓完即棄。

參數化意圖與雙通道檢索¶

用戶口語化提問（例如「那 O(1) 那塊怎麼做的？」）可由會話專屬權重擴成與知識庫更對齊的檢索詞，再 BM25 top-k。工具 pss_retrieve 供模型主動拉記憶；pss_remember 可把結論寫成 digest 進入會話記憶索引，檢索時與內置知識同臺排序並分別標註 [記憶] / [知識]。

實時腦圖探針¶

內置 HTTP 服務（默認 127.0.0.1:8964）提供星圖 Dashboard：探針記錄 user → intent、intent → knowledge、knowledge → answer、session → lora 等關係，約每 3 秒增量拉取圖數據。節點按類別着色（用戶輸入、PSS 意圖、知識片段、AI 回答、系統事件），便於觀察一次 retrieve 的全鏈路。

可選離線 LoRA 訓練後端¶

python_backend 提供 FastAPI 服務（默認示例 http://127.0.0.1:8077）。未裝完整訓練棧時可 PSS_DRY_RUN=auto 走 dry-run，仍寫 adapter_manifest.json 與佔位權重，保證流水線可跑通；有 GPU 時可配置 base model 做真訓練。

安裝與啓用¶

插件以當前 DSH 進程權限運行，安裝前請自行審閱源碼與 MIT 許可證。社區目錄與 DeepSeek / 幻方無官方從屬關係，DSH 生態是「一切皆插件」的獨立插件體系。

方式 A：僅體驗腦圖（不裝 DSH）¶

README 提供的本地演示步驟如下（需自行 clone 倉庫，本文不展開 clone 細節以外的環境假設）：

cd dsh-pss
npm install
npm run dev

瀏覽器打開 http://127.0.0.1:8964/。可選：npm run dev -- --no-demo 不灌演示語料，--port=9100 換端口。

方式 B：作爲 DSH 插件安裝¶

在插件目錄構建後，用本地路徑安裝（README 原文示例，請換成你的實際路徑）：

npm install
npm run build
dsh plugin add D:/path/to/dsh-pss

等價做法是在 profile 的 cordis.yml 中插入與 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

裝好後：DSH 裏用戶每說一句話插件會 ingest；模型可調用 pss_retrieve；會話銷燬時自動 compile。腦圖仍在 http://127.0.0.1:8964/。

方式 C：接上 Python 訓練/intent 後端（可選）¶

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

真訓練需額外 requirements-train.txt 與 GPU，並按 README 設置 PSS_DRY_RUN=0 與 PSS_BASE_MODEL 等環境變量。

典型用法與 HTTP 接口¶

裝入 DSH 後，日常路徑是：對話過程中自動 ingest → 需要上下文時由模型或你通過 pss_retrieve 檢索 → 會話結束 compile 更新 LoRA。也可直接調插件共用的 REST API（默認僅監聽本機），常用路徑包括：

自檢可運行 npm run smoke（README 標註 smoke 34 passed）。知識語料可替換倉庫內 knowledge/pss.md。

適用場景與注意¶

適合：希望在 DSH Agent 裏控制長對話的 token 與存儲成本、又需要「會話級」檢索意圖（而非純向量相似度）的開發者；需要調試記憶鏈路時，星圖 Dashboard 比純日誌更直觀。

注意：

1. 默認 local 意圖後端是可解釋的啓發式，與接上 lora 後端的行爲不同；評估效果時應明確當前 intentBackend 與是否啓用 trainerUrl。
2. Dashboard 與 API 默認綁定 127.0.0.1，若改端口或暴露到公網需自行評估安全風險。
3. LoRA 真訓練依賴 Python 環境與可選 GPU；dry-run 僅保證流程閉環，不代表生產級模型質量。
4. 插件依賴 @deepseek-ai/schemastery，並以 peer 方式對接 @deepseek-ai/cordis、@deepseek-ai/dsh-tools（在 DSH 環境中由宿主提供）。

結尾¶

dsh-pss 把會話狀態壓成定長結構與 LoRA adapter，用參數化意圖銜接 BM25 與會話記憶，並用星圖把 retrieve / compile 鏈路攤開。若要在目錄裏查看元信息或跟蹤更新，可訪問 skillhub.cn/plugins/LFLmLXY/dsh-pss；源碼與完整 API 列表見 github.com/LFLmLXY/dsh-pss。