前言¶
DSH 的會話記錄堆在 ~/.dsh/sessions 裏，時間一長就只是一堆 jsonl 文件：你知道聊過什麼，但看不出哪些話題反覆出現、哪些內容是「核心記憶」。日常排查記憶問題要麼 grep 關鍵詞，要麼通讀整段記錄，成本都隨記錄長度線性上升。
下面介紹的 dsh-memory-starmap 換了條路：不是做檢索，而是把會話記憶算成語義向量、降維後鋪進一個球裏，用 Three.js 渲染成星雲。白點是普通對話，藍點是重要記憶，金點是人格核心，連線表示語義相近。
這是一個實驗性項目，由 1837458003-ctrl 維護，在社區插件目錄裏的分類爲「模型推理」，當前星標數爲 0。屬於個人維護的第三方插件，不是 DeepSeek / 幻方的官方項目。
這是什麼¶
一句話定位：dsh-memory-starmap 是「DSH 插件 + 本地小服務」的組合。插件部分只負責 Web 端浮層入口和本地服務保活，真正幹活的是倉庫裏的一組 Python 腳本：
讀取 ~/.dsh/sessions 裏的會話記錄 → 用 bge-small-zh-v1.5 算語義向量 → UMAP 降到 3D 鋪進球裏 → Three.js 渲染成星雲。
設計上的取捨很明確：全部在本機跑，不聯網、不上傳任何數據。模型、推理、服務都在你自己的機器上。代價是數據管道依賴 Python，沒有 Node 原生版。
核心功能¶
先講只被資料支持的能力，README 聲明的特性如下：
- 真語義向量：bge-small-zh-v1.5（ONNX Runtime，CPU 推理），不是關鍵詞匹配。
- 3D 球狀佈局：UMAP 保局部距離，按 UMAP 方向鋪球面，核心記憶收在裏層。
- 交互：拖拽旋轉、滾輪縮放、懸停看全文、點擊看詳情、統計欄、暫停/重置/刷新。
- 本地優先：模型、推理、服務全在本地。
- 零配置啓動：一條命令起服務，插件裏點 ✦ 打開。
配色規則與重要性直接掛鉤：白點是普通對話，藍點是重要記憶，金點是人格核心，連線表示語義相近。
內部管道是四步串起來的，README 的流程圖如下：
~/.dsh/sessions/*/session.v4.jsonl.zstd
│ extract.py：解壓、跳過 subagent、抽 user/assistant 文本
▼
memories.json
│ embed.py：bge-small-zh-v1.5 ONNX，512 維，L2 歸一化
▼
(N, 512) 向量
│ build.py：餘弦相似度 → 每點 top1 連線（閾值 0.70）
│ UMAP 3D → 白化 → 球面方向 + 球內半徑填充
▼
graph.json（nodes + links + stats）
│ server.py（本地 http.server）
▼
web/index.html（Three.js）
兩個設計選擇 README 給了理由。一是不用 PCA 而用 UMAP：PCA 投出來的方向天然集中，實測軸比約 2~5 倍，點會壓成一條斜帶，沒有球感；UMAP 保局部鄰域，方向分佈更均勻，再做白化和球面投影落位。二是核心點放在內圈：is_core 的節點半徑乘 0.62，is_longterm 乘 0.85，普通點在外圍，視覺上一眼能看出哪些是「人格核心」。
安裝與啓用¶
前置¶
- Python 3.10+
- DSH（DeepSeek Harness）桌面端或 web 端
- 磁盤：模型約 95MB，依賴約 300MB
準備倉庫¶
README 的快速開始要求先把倉庫克隆到本機，再裝依賴、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 # 默認走 hf-mirror.com，可 --mirror 換源
download_model.py 只是下載器，bge-small-zh-v1.5 的版權歸北京智源研究院（BAAI），本項目本身採用 MIT 許可。
生成星圖¶
python extract.py # 從 ~/.dsh/sessions 抽取記憶 -> memories.json
python build.py # embedding + UMAP + 連線 -> graph.json
python server.py 8126 # 起本地服務
瀏覽器打開 http://127.0.0.1:8126/ 就能看到。數據變化後跑 python rebuild.py（extract + embed + build 串起來），或者交給插件每小時自動重建。
裝插件¶
README 給出的插件安裝命令是 link 方式，指向本地目錄：
dsh plugin add link:C:/path/to/dsh-memory-starmap
然後在 DSH 設置裏確認 dsh-memory-starmap 已啓用並重啓 DSH，Web UI 右下角會出現一個 ✦ 按鈕，點開就是星圖浮層。
插件需要知道倉庫在哪，設置環境變量 STARMAP_HOME 指向克隆目錄，否則只顯示入口、不自動起服務。Windows 下也可以在系統環境變量里加一項：
STARMAP_HOME = C:\path\to\dsh-memory-starmap
配置項¶
| 環境變量 | 默認 | 說明 |
|---|---|---|
STARMAP_HOME |
空 | 倉庫目錄。插件用它啓動/重建服務；不設則插件不自動起服務 |
STARMAP_PYTHON |
python / python3 |
Python 可執行文件 |
STARMAP_PORT |
8126 |
本地服務端口 |
STARMAP_AI_NAME |
小魚 |
星圖中心顯示的名字 |
STARMAP_MODEL_DIR |
./models/bge-small-zh-v1.5 |
模型目錄 |
DSH_SESSIONS |
~/.dsh/sessions |
DSH 會話目錄 |
典型用法¶
下面走一次完整流程，前提已裝 Python 3.10+ 和 DSH 桌面端/web 端。
1、準備環境。克隆倉庫、裝依賴、下模型，命令見上面的「準備倉庫」。
2、跑一次建圖，驗證數據管道通不通：
python extract.py
python build.py
python server.py 8126
瀏覽器打開 http://127.0.0.1:8126/，能看到星圖說明 extract / embed / build / server 四步都正常。
3、裝插件，把入口嵌進 DSH。設好 STARMAP_HOME 後跑 dsh plugin add link:<倉庫路徑>，重啓 DSH，點右下角 ✦ 打開浮層。
4、日常維護。會話記錄更新後，手動跑 python rebuild.py；想讓插件自己處理，就把 STARMAP_HOME 配好交給插件每小時重建。
適用場景與注意¶
適合的場景：想直觀復盤「我讓 AI 記住了什麼」的 DSH 用戶；想給記憶做語義聚類、觀察話題漂移的人；以及願意在本地跑 Python 管道、能接受首次建圖慢的開發者。
README 自己列出的限制，值得逐條對照自身條件：
- 依賴 Python 運行時，沒有 Node 原生版，不想裝 Python 就用不了。
- 模型 95MB，首次需要下載，之後完全離線。
- 首次建圖慢，幾百條記憶約 10~30 秒（UMAP + ONNX CPU）。
- 中文優化，bge-small-zh 是中文模型，中英混排能用，純英文效果一般。
- 浮層裏嵌的是
http://127.0.0.1:8126，端口被佔用或服務沒起時會提示啓動命令。 - 只讀 user/assistant 正文，工具調用、思考過程、系統注入都不算記憶。
安全方面要注意兩點。一是插件以當前 DSH 進程的權限運行，裝之前建議讀一遍 plugin/index.js、plugin/client.js 和 plugin/cordis.patch.yml，確認 patch 內容符合預期，再看許可證（項目爲 MIT）。二是插件會讀取本地會話文件、啓動本地 HTTP 服務，端口默認 8126，建議確認該端口未對外暴露。
結尾¶
dsh-memory-starmap 的價值不在多一個新功能，而是把已經有的會話記錄換個角度呈現：語義相近的記憶聚在一起，核心記憶沉到內層，比翻 jsonl 更容易看出長期記憶的結構。它目前是實驗性項目，星標爲 0、只有個人維護，管道依賴 Python，安裝前需要自己審一遍源碼。
- 目錄頁：https://www.skillhub.cn/plugins/1837458003-ctrl/dsh-memory-starmap
- GitHub：https://github.com/1837458003-ctrl/dsh-memory-starmap
