前言¶

给 QQ 机器人接大模型时，上下文窗口只能带最近几轮对话，群里的约定、用户说过的事实、前几天的讨论很难稳定进 prompt。常见做法是手写 Redis 或全文搜索，中文分词和语义召回往往要各搞一套，还要和 DSH 进程里的插件生命周期对齐。

下面介绍维护者 Yslehui 在 DSH 插件生态里发布的 dsh-rag-memory：把群聊/私聊消息、事实与摘要存进本地 SQLite，用中文友好的 BM25 与 Embedding 混合检索，可选 Rerank 精排，再通过独立 HTTP 接口供机器人调用。数据不上传，未配置向量或 Rerank 时会自动降级为纯 BM25，插件仍可用。

这是什么¶

dsh-rag-memory 是 DSH 分类「记忆」下的插件（npm 包名 dsh-rag-memory，当前版本 0.1.1，MIT 许可证）。定位是：面向 DeepSeek Harness（DSH）QQ 机器人的本地 RAG 长期记忆——存储与检索都在本机完成，经本地 HTTP 暴露 API，不经过 DSH Web 的登录认证。

实现上依赖 Node 内置 node:sqlite，无原生编译步骤，README 说明可在桌面与 Android（Node 环境）上使用。引擎要求：Node >=22.5.0，DSH >=0.2.1-rc.1。

核心功能¶

1. 持久化：消息、事实、画像、笔记等写入 SQLite（默认 WAL），默认路径为 $DSH_HOME/dsh-rag-memory/memory.db。
2. 按 scope 隔离：建议 group:<群号>、private:<QQ号>，检索与写入均带 scope。
3. 混合检索：中文分词 BM25 + Embedding 向量召回；开启 rerank 时可再精排。返回结果中 sources 标明命中通道（bm25 / vector / rerank），degraded 列出降级原因。
4. 直接产出注入文本：/context 接口返回已格式化的记忆块，可拼进 system prompt。
5. 可选鉴权：配置非空 token 时，请求需带 x-memory-token 头。

Embedding 与 Rerank 兼容 OpenAI 风格的 /v1/embeddings 与 /v1/rerank（文档举例硅基流动、Jina、Cohere 等）。API Key 写在 cordis.patch.yml 中，勿提交到公开仓库。

安装与启用¶

从 npm 安装（README 给出的命令）：

dsh plugin --profile web add dsh-rag-memory

本地目录开发安装：

dsh plugin --profile web add ./dsh-rag-memory

装完后服务前缀为 http://127.0.0.1:39001/rag-memory（独立端口；被占用时自动递增到 39020）。README 写明装上即生效，无需重启引擎。

在 cordis.patch.yml 的 config 中可调整数据库路径、默认检索条数、Embedding 与 Rerank 开关及模型端点，例如：

config:
  dbPath: ''            # 空 = $DSH_HOME/dsh-rag-memory/memory.db
  token: ''             # 非空时，请求需带 x-memory-token 头
  defaultK: 8
  embedding:
    enabled: true
    baseURL: 'https://api.siliconflow.cn/v1'
    apiKey: 'sk-...'
    model: 'BAAI/bge-m3'
  rerank:
    enabled: true
    baseURL: 'https://api.siliconflow.cn/v1'
    apiKey: 'sk-...'
    model: 'BAAI/bge-reranker-v2-m3'

HTTP 接口概览¶

典型用法¶

写入与检索¶

收到消息后异步入库，避免阻塞回复；调模型前按用户输入取相关记忆。

写入示例（POST /ingest）：

{
  "scope": "group:123456",
  "items": [
    { "text": "小明说他下周三去杭州出差", "speaker": "小明", "ts": 1700000000000 },
    { "text": "群里在讨论周末去爬山", "kind": "message" }
  ]
}

kind 可为 message（默认）、fact、profile、note、event。

检索示例（POST /search）：

{ "scope": "group:123456", "query": "小明什么时候去杭州", "k": 8 }

需要可直接注入 prompt 的文本时，调用 POST /context：

{ "scope": "group:123456", "query": "小明出差", "k": 6, "maxChars": 2000 }

返回的 context 形如带序号与时间的发言摘要，README 建议拼在机器人当轮的 system 段末尾。

Node 接入片段¶

README 中的最小接入方式如下（不配 token 时无需额外头）：

const MEMORY = 'http://127.0.0.1:39001/rag-memory'
const scope = `group:${groupId}`

// 收到消息：先入库（不阻塞回复）
fetch(`${MEMORY}/ingest`, {
  method: 'POST',
  headers: { 'content-type': 'application/json' },
  body: JSON.stringify({ scope, items: [{ text, speaker: nickname, ts: Date.now() }] }),
}).catch(() => {})

// 调模型前：取相关记忆
const res = await fetch(`${MEMORY}/context`, {
  method: 'POST',
  headers: { 'content-type': 'application/json' },
  body: JSON.stringify({ scope, query: userText, k: 8 }),
})
const { context } = await res.json()
const system = context ? `${basePrompt}\n\n${context}` : basePrompt

适用场景与注意¶

适合：需要在 QQ 群/私聊场景做长期记忆、又希望数据和索引留在本机的 DSH 机器人作者；愿意按需配置 Embedding/Rerank 以提升中文问句召回，或接受纯 BM25 降级。

注意：

• 插件以当前 DSH 进程权限运行，安装前请阅读 GitHub 源码 与 MIT 许可证，自行评估安全与合规。
• 默认 HTTP 监听本机；若暴露到公网需自行加固网络与 token。
• 备份可复制 $DSH_HOME/dsh-rag-memory 目录，或使用 SQLite 的 VACUUM INTO；按 scope 清空前建议先 GET /stats 确认条数。

DSH 社区插件目录（如 SkillHub 条目）为独立索引站点，与 DeepSeek / 幻方无官方从属关系；发现插件通常通过 DSH「插件 → 发现」添加市场索引源，而非官方应用商店。

结尾¶

经过上面的步骤，你可以把 dsh-rag-memory 当作机器人侧的本地记忆层：入库走 /ingest，进模型前走 /context，检索链路在资料中已写清降级行为。进一步细节以仓库 README 为准。

• 目录页：https://www.skillhub.cn/plugins/Yslehui/dsh-rag-memory
• GitHub：https://github.com/Yslehui/dsh-rag-memory