前言¶
DSH 的会话记录堆在 ~/.dsh/sessions 里，时间一长就只是一堆 jsonl 文件：你知道聊过什么，但看不出哪些话题反复出现、哪些内容是「核心记忆」。日常排查记忆问题要么 grep 关键词，要么通读整段记录，成本都随记录长度线性上升。
下面介绍的 dsh-memory-starmap 换了条路：不是做检索，而是把会话记忆算成语义向量、降维后铺进一个球里，用 Three.js 渲染成星云。白点是普通对话，蓝点是重要记忆，金点是人格核心，连线表示语义相近。
这是一个实验性项目，由 1837458003-ctrl 维护，在社区插件目录里的分类为「模型推理」，当前星标数为 0。属于个人维护的第三方插件，不是 DeepSeek / 幻方的官方项目。
这是什么¶
一句话定位：dsh-memory-starmap 是「DSH 插件 + 本地小服务」的组合。插件部分只负责 Web 端浮层入口和本地服务保活，真正干活的是仓库里的一组 Python 脚本：
读取 ~/.dsh/sessions 里的会话记录 → 用 bge-small-zh-v1.5 算语义向量 → UMAP 降到 3D 铺进球里 → Three.js 渲染成星云。
设计上的取舍很明确：全部在本机跑，不联网、不上传任何数据。模型、推理、服务都在你自己的机器上。代价是数据管道依赖 Python，没有 Node 原生版。
核心功能¶
先讲只被资料支持的能力，README 声明的特性如下：
- 真语义向量：bge-small-zh-v1.5（ONNX Runtime，CPU 推理），不是关键词匹配。
- 3D 球状布局：UMAP 保局部距离，按 UMAP 方向铺球面，核心记忆收在里层。
- 交互：拖拽旋转、滚轮缩放、悬停看全文、点击看详情、统计栏、暂停/重置/刷新。
- 本地优先：模型、推理、服务全在本地。
- 零配置启动：一条命令起服务，插件里点 ✦ 打开。
配色规则与重要性直接挂钩：白点是普通对话，蓝点是重要记忆，金点是人格核心，连线表示语义相近。
内部管道是四步串起来的，README 的流程图如下：
~/.dsh/sessions/*/session.v4.jsonl.zstd
│ extract.py：解压、跳过 subagent、抽 user/assistant 文本
▼
memories.json
│ embed.py：bge-small-zh-v1.5 ONNX，512 维，L2 归一化
▼
(N, 512) 向量
│ build.py：余弦相似度 → 每点 top1 连线（阈值 0.70）
│ UMAP 3D → 白化 → 球面方向 + 球内半径填充
▼
graph.json（nodes + links + stats）
│ server.py（本地 http.server）
▼
web/index.html（Three.js）
两个设计选择 README 给了理由。一是不用 PCA 而用 UMAP：PCA 投出来的方向天然集中，实测轴比约 2~5 倍，点会压成一条斜带，没有球感；UMAP 保局部邻域，方向分布更均匀，再做白化和球面投影落位。二是核心点放在内圈：is_core 的节点半径乘 0.62，is_longterm 乘 0.85，普通点在外围，视觉上一眼能看出哪些是「人格核心」。
安装与启用¶
前置¶
- Python 3.10+
- DSH（DeepSeek Harness）桌面端或 web 端
- 磁盘：模型约 95MB，依赖约 300MB
准备仓库¶
README 的快速开始要求先把仓库克隆到本机，再装依赖、下模型：
git clone https://github.com/1837458003-ctrl/dsh-memory-starmap.git
cd dsh-memory-starmap
python -m pip install -r requirements.txt
python download_model.py # 默认走 hf-mirror.com，可 --mirror 换源
download_model.py 只是下载器，bge-small-zh-v1.5 的版权归北京智源研究院（BAAI），本项目本身采用 MIT 许可。
生成星图¶
python extract.py # 从 ~/.dsh/sessions 抽取记忆 -> memories.json
python build.py # embedding + UMAP + 连线 -> graph.json
python server.py 8126 # 起本地服务
浏览器打开 http://127.0.0.1:8126/ 就能看到。数据变化后跑 python rebuild.py（extract + embed + build 串起来），或者交给插件每小时自动重建。
装插件¶
README 给出的插件安装命令是 link 方式，指向本地目录：
dsh plugin add link:C:/path/to/dsh-memory-starmap
然后在 DSH 设置里确认 dsh-memory-starmap 已启用并重启 DSH，Web UI 右下角会出现一个 ✦ 按钮，点开就是星图浮层。
插件需要知道仓库在哪，设置环境变量 STARMAP_HOME 指向克隆目录，否则只显示入口、不自动起服务。Windows 下也可以在系统环境变量里加一项：
STARMAP_HOME = C:\path\to\dsh-memory-starmap
配置项¶
| 环境变量 | 默认 | 说明 |
|---|---|---|
STARMAP_HOME |
空 | 仓库目录。插件用它启动/重建服务；不设则插件不自动起服务 |
STARMAP_PYTHON |
python / python3 |
Python 可执行文件 |
STARMAP_PORT |
8126 |
本地服务端口 |
STARMAP_AI_NAME |
小鱼 |
星图中心显示的名字 |
STARMAP_MODEL_DIR |
./models/bge-small-zh-v1.5 |
模型目录 |
DSH_SESSIONS |
~/.dsh/sessions |
DSH 会话目录 |
典型用法¶
下面走一次完整流程，前提已装 Python 3.10+ 和 DSH 桌面端/web 端。
1、准备环境。克隆仓库、装依赖、下模型，命令见上面的「准备仓库」。
2、跑一次建图，验证数据管道通不通：
python extract.py
python build.py
python server.py 8126
浏览器打开 http://127.0.0.1:8126/，能看到星图说明 extract / embed / build / server 四步都正常。
3、装插件，把入口嵌进 DSH。设好 STARMAP_HOME 后跑 dsh plugin add link:<仓库路径>，重启 DSH，点右下角 ✦ 打开浮层。
4、日常维护。会话记录更新后，手动跑 python rebuild.py；想让插件自己处理，就把 STARMAP_HOME 配好交给插件每小时重建。
适用场景与注意¶
适合的场景：想直观复盘「我让 AI 记住了什么」的 DSH 用户；想给记忆做语义聚类、观察话题漂移的人；以及愿意在本地跑 Python 管道、能接受首次建图慢的开发者。
README 自己列出的限制，值得逐条对照自身条件：
- 依赖 Python 运行时，没有 Node 原生版，不想装 Python 就用不了。
- 模型 95MB，首次需要下载，之后完全离线。
- 首次建图慢，几百条记忆约 10~30 秒（UMAP + ONNX CPU）。
- 中文优化，bge-small-zh 是中文模型，中英混排能用，纯英文效果一般。
- 浮层里嵌的是
http://127.0.0.1:8126，端口被占用或服务没起时会提示启动命令。 - 只读 user/assistant 正文，工具调用、思考过程、系统注入都不算记忆。
安全方面要注意两点。一是插件以当前 DSH 进程的权限运行，装之前建议读一遍 plugin/index.js、plugin/client.js 和 plugin/cordis.patch.yml，确认 patch 内容符合预期，再看许可证（项目为 MIT）。二是插件会读取本地会话文件、启动本地 HTTP 服务，端口默认 8126，建议确认该端口未对外暴露。
结尾¶
dsh-memory-starmap 的价值不在多一个新功能，而是把已经有的会话记录换个角度呈现：语义相近的记忆聚在一起，核心记忆沉到内层，比翻 jsonl 更容易看出长期记忆的结构。它目前是实验性项目，星标为 0、只有个人维护，管道依赖 Python，安装前需要自己审一遍源码。
- 目录页：https://www.skillhub.cn/plugins/1837458003-ctrl/dsh-memory-starmap
- GitHub：https://github.com/1837458003-ctrl/dsh-memory-starmap
