DeepSeek Harness 插件测评：graph-memory 知识图谱记忆，上下文压缩80%跨会话召回
插件简介
graph-memory 是 DeepSeek Harness 生态中的原生知识图谱记忆插件，由 adoresever 开发维护。GitHub 仓库地址：https://github.com/adoresever/graph-memory，当前星标 607，综合评分 69.2，最近更新时间 2026-09-09，开源协议为 MIT。该插件于 2026 年 4 月受邀发布在清华大学讨论会。
该插件的核心定位是"限定上下文，保留记忆"。它掌管模型可见的历史表面，而不删除 DSH 的事件日志。默认保留最新的五个已完成用户轮次，从未来的请求中移除已完成的推理/工具痕迹，并自动召回相关的更早或跨会话的来源问答。通过从对话中提取结构化三元组（SPO），构建知识图谱导航层，实现上下文压缩和跨会话经验复用。
插件当前 npm 稳定版为 1.5.8，最新 beta 版为 1.6.0-beta.16，通过了 138/138 自动化测试、两个 TypeScript 构建、npm 包验证，以及针对最新 DSH 源码的真实 20 轮运行。
核心功能
上下文接管
可配置的最新 N 个已完成轮次（默认 5 个），一个归档标记替换较旧的模型表面。已完成的轮次保留问题和最终答案，更早的前缀折叠为一个固定标记，大幅减少模型可见的历史消息数量。
轻量级提取
仅提取用户问题和最终答案，使用严格的结构化工具契约，不摄取推理/工具记录。写入一个已完成的轮次恰好花费一次辅助 LLM 调用。1.6 版本升级为创建自包含的轮次摘要，然后从同一句话中派生 SPO 三元组，摘要、SPO 和社区仅用于导航，原始问题和最终答案仍是证据。
查询优先召回
向量 Top-K 检索，带 FTS5 全文搜索回退。确切的源问答随图命中一起传递，召回的上下文包含确切的源消息。自动召回无需工具调用，T11、T19 和 T20 在 20 轮基准测试中自动召回了窗口外记忆。
持久记忆
本地 SQLite 数据库存储，稳定的来源追踪，支持跨会话和跨项目召回。默认数据库路径为 $DSH_HOME/graph-memory/graph-memory.db，通常为 ~/.dsh/graph-memory/graph-memory.db。
失败安全
无效提取被隔离，前台对话继续，坏数据不会被修复或持久化。没有硬编码的节点/边数量、语义方向门控，也没有将无效输出转化为可接受数据的 JSON 修复。
可选嵌入与专用模型
支持 OpenAI 兼容的嵌入端点，没有嵌入时回退到 FTS5，不会阻塞对话。提取可通过 GRAPH_MEMORY_LLM_PROVIDER 和 GRAPH_MEMORY_LLM_MODEL 使用专用模型，支持推理努力和最大 token 控制。
DSH 工具集
提供 gm_status（存储/提取/召回/向量/保留状态）、gm_search（显式图记忆搜索）、gm_record（确定性持久化 TASK/SKILL/EVENT）、gm_stats（图和保留回执）、gm_maintain（有界维护）、gm_retry_extraction（重试被隔离的提取）六个工具。
安装与配置
# npm 稳定版（1.5.8，功能较旧）
dsh plugin --profile web add graph-memory
# 最新 beta 版（1.6.0-beta.16，推荐用于DSH完整功能）
npx @deepseek-ai/dsh plugin --profile web add github:adoresever/graph-memory#v1.6.0-beta.16
npx @deepseek-ai/dsh --profile web --dump-config
npx @deepseek-ai/dsh web
安装后确认 graph-memory/dsh 在 Settings → Plugins 下处于活动状态。可选配置嵌入端点：
export GRAPH_MEMORY_EMBEDDING_API_KEY='your-key'
export GRAPH_MEMORY_EMBEDDING_BASE_URL='https://dashscope.aliyuncs.com/compatible-mode/v1'
export GRAPH_MEMORY_EMBEDDING_MODEL='text-embedding-v4'
export GRAPH_MEMORY_EMBEDDING_DIMENSIONS='1024'
dsh web
兼容性与避坑指南
npm 版本滞后，需安装 beta 版
npm 注册表提供旧的 1.5.8 版本，最新的 1.6 轮次记忆导航升级功能在 1.6.0-beta.16 中。只有在 npm view graph-memory version 报告 1.6.0-beta.16 或更新版本后，才切换到 npm 安装。使用 DSH 完整功能建议从 GitHub 安装 beta 版。
beta 版本稳定性
1.6.0-beta.16 为 beta 版本，虽然通过了 138/138 自动化测试和真实 20 轮运行，但仍可能存在未发现的问题。生产环境使用前建议充分测试。
结构化提取依赖模型遵守契约
最近一次运行 20/20 次结构化提取成功，但未来任何失败都会被隔离，绝不会阻塞前台对话。提取质量依赖模型对结构化工具契约的遵守程度。
召回受 Top-K 限制
聚焦探针已成功，但宽泛的多主题查询可能需要更大的 Top-K 或拆分为多个问题。召回质量受可配置的 Top-K 参数限制。
可选嵌入影响召回质量
没有配置嵌入端点时，插件回退到 FTS5 全文搜索，不会阻塞对话，但向量召回的语义匹配能力会受限。建议配置嵌入端点以获得最佳召回质量。
Node 版本要求
要求 Node.js >=22.13.0，基线 Node 22.19 满足。无需 DSH 分支。
依赖 2 个 DSH/Cordis 模块
包括 cordis 和 dsh-typert-protocol。如出现依赖缺失，清理 node_modules 后重装。
性能基准
在真实 20 轮 GLM-5.2 运行中：
- T20 首次请求：56,998 tokens → 11,008 tokens，减少 80.69%
- T20 模型可见消息：171 → 21，减少 87.72%
- T01-T20 首次请求上下文：532,451 tokens → 165,896 tokens，减少 68.84%
- 20/20 场景轮次通过，20/20 结构化提取成功，0 被隔离
- 生成 92 个 SPO 三元组，30 个社区，20 个摘要向量
适合人群
适合：需要跨会话记忆的开发者和团队；长对话上下文溢出的用户；需要项目背景/决策/偏好持久化的用户；关注 token 成本优化的用户；OpenClaw Context Engine 用户；对知识图谱和长期记忆技术感兴趣的研究者。
不适合：只做短对话不需要记忆的用户；对 beta 版本稳定性要求极高的生产环境；不想配置嵌入且对 FTS5 召回质量不满意的用户。
总结
graph-memory 为 DeepSeek Harness 生态补上了长期记忆这块关键能力。通过知识图谱导航层、结构化三元组提取和查询优先召回，在 20 轮基准测试中实现了 T20 上下文 80.69% 的压缩，同时保持了精确的源问答召回。清华大学讨论会的背书和 138/138 测试通过率也说明其技术质量有保障。安装时需注意 npm 版本滞后，建议从 GitHub 安装 beta 版以获得完整功能。
查看插件详情页，获取完整安装命令和兼容性检查结果。
本文由 DeepSeek Harness Hub 自动整理，数据来源于插件详情页。