前言¶

在 DeepSeek Harness（DSH）里跑智能体时，上下文窗口始终是硬约束。把整段对话历史原样塞回下一轮，很快就会撞上限；只留一个摘要文件，细节又容易丢。社区插件按「一切皆插件」的思路扩展能力；目录在 SkillHub 这类独立站点上架，与 DeepSeek / 幻方无官方从属关系。

下面介绍维护者 cycocyco 的 alice-memory：会话结束后自动捕获值得记的内容，下一轮按语义相关性静默召回，并暴露显式工具供手动记、查、删。插件分类为「记忆」，当前 GitHub 星标为 0；npm 包名 dsh-alice-memory，版本 3.0.0，许可证 MIT。

这是什么¶

一句话：给 DSH 用的长期记忆插件——自动捕获、向量 + FTS5 混合召回、零 npm 运行时依赖，纯 Node（node:sqlite），不需要 Python 或独立数据库进程。

它针对两种常见做法的缺口：全量注入会占满 token；纯摘要会丢过程细节。alice-memory 把正文落在本机 SQLite，用 embedding 做语义检索，用 FTS5 兜住专有名词和字面匹配，并按热度分成 hot / warm / cold，避免每条记忆每轮都扫全库。

核心功能¶

自动捕获¶

每轮结束时判断对话是否值得记：过滤「好的」「继续」、斜杠命令、插件自己的注入；压缩成长度受限的问答文本，脱敏后写入库。配置项 capture.min_prose、capture.daily_cap 等可在 config.json 中调整（见安装与配置）。

混合召回¶

用户本轮输入会先算 embedding（默认 6s 超时），再在 hot + warm 内存向量块里扫描，同时跑 FTS5 全文；命中不足时 worker 在预算内扫冷层。两路排名用 RRF 融合（README 给出向量 1.0、全文 0.35、冷层 ×0.8 等权重）。默认 recall.limit 为 3，recall.max_chars 为 400，控制注入上下文的体量。

记忆分层¶

按时间衰减与被强化次数计算热度，划分 hot / warm / cold / archive。默认 memory.hot_max 3000、memory.warm_max 12000，只有 hot + warm 常驻一块连续 Float32Array；冷层不占这块内存，需要时再扫盘。

显式工具¶

除静默召回外，插件注册四个工具（README 表述为「三个（其实是四个）」）：

数据与隐私¶

单库文件 <data_dir>/memories.sqlite3（WAL），正文、向量、墓碑、FTS 同库。默认 data_dir 为空时使用 $DSH_HOME/alice-memory。

要点有三条（来自 README「隐私」节）：

1. 向量检索会把记忆正文发给配置的 embedding 服务商；可改 embedding.url 指向自托管或本地兼容接口。
2. 默认脱敏会替换常见密钥形态后再入库，属兜底而非绝对安全。
3. 库文件在本地，插件 README 声明不联网上传、不统计。

安装与启用¶

要求 Node ≥ 24（node:sqlite 从 24 起稳定）。装完重启 DSH，插件会自行建库并建索引，无需单独初始化脚本。

尚未发布到 npm，从 GitHub 安装（命令摘自仓库 README）：

dsh plugin --profile <你的 profile> add github:cycocyco/alice-memory

本地联调源码时，README 给出 file:/absolute/path/to/alice-memory 方式；按你的任务约束，正文不展开 git clone 步骤。

插件在 当前 dsh 进程权限 下运行，安装前建议自行审阅 仓库源码 与 MIT 许可证。

配置¶

开箱即用，默认值在 lib/config.mjs。要覆盖时，将 config.example.json 复制为插件目录下的 config.json。优先级：环境变量 > config.local.json > config.json > 内置默认。

示例结构（字段含义以 README 为准）：

{
  "data_dir": "",
  "scope_id": "default",
  "api_key_env": "SILICONFLOW_API_KEY",
  "embedding": {
    "url": "https://api.siliconflow.cn/v1/embeddings",
    "model": "BAAI/bge-m3",
    "dimensions": 1024
  },
  "recall": { "limit": 3, "timeout_ms": 6000, "max_chars": 400 },
  "capture": { "min_prose": 25, "daily_cap": 150 },
  "memory": { "hot_max": 3000, "warm_max": 12000, "half_life_days": 45 }
}

API key 建议放在 $DSH_HOME/.env，例如：

SILICONFLOW_API_KEY=sk-...

更换 embedding 模型或 dimensions 会导致全库重嵌，选型前需想清楚。

典型用法¶

在对话里¶

依赖 DSH 把工具暴露给模型：用户说「记住以后都用 pnpm」会走 alice_memory_save；「回忆一下上周那个方案」走 alice_memory_recall；「删掉关于 X 的记忆」走 alice_memory_forget；「整理记忆」走 alice_memory_prune（先预览再确认）。

命令行排查¶

插件提供 alice-memory 可执行文件，常用示例如下：

alice-memory status
alice-memory doctor
alice-memory recall "上周说的那个方案"
alice-memory remember "以后都用 pnpm" --title 包管理
alice-memory forget --id <id>
alice-memory prune --days 90
alice-memory export dump.jsonl

doctor 会真实请求一次 embedding，用于确认 key 与接口可用；export 便于人工查看或迁移。

适用场景与注意¶

更适合：长期在同一 profile 下做项目助手、个人偏好与过程性结论需要跨会话保留，且能接受为 embedding 配置 API（或自建兼容端点）的场景。上万条量级时，分层 + 混合检索比全量 Markdown 注入更可维护。

需要提前想清楚：

• 必须有可用的 embedding 服务（或本地兼容实现），这是语义召回的前提，也带来费用与出网范围问题。
• 冷层召回受 README 所述时间预算约束，老记忆的延迟可能高于热区。
• 实现复杂度高于「单文件摘要」方案，出问题时可依赖 status / doctor / CLI recall 分解耗时。

README 在 Windows 11、Node 26、约 1 万条 × 1024 维库上给出端到端召回约 289ms 的实测参考；你的环境会以网络 embedding 延迟为主。

结尾¶

alice-memory 把 DSH 会话变成可检索、可分层、可导出的 SQLite 记忆库：自动捕获减人工，RRF 混合召回兼顾说法变化和字面命中，四个显式工具保留可控性。零第三方 npm 依赖、单文件 SQLite，适合想在自建 Harness 上补长期记忆、又不愿再起一套向量数据库服务的开发者。

• 目录页：https://www.skillhub.cn/plugins/cycocyco/alice-memory
• 源码与完整说明：https://github.com/cycocyco/alice-memory