Xplore-LAB/dsh-plugin-asmemory

asmemory — 动作-状态记忆引擎

给 agent 装上时间记忆：记录发生了什么、什么变了，做趋势、异常、因果分析——而不只是「说过什么」。

语言: English | 简体中文

License: MIT
DSH Plugin
Zero dependencies
Verified on DSH

⭐ 如果它对你有用，点个 star 是最好的感谢——让更多人看到它。

它做什么

asmemory 存两类 typed 事件，而非裸文本：

- 状态 State — 某实体某指标在某个时刻的值（gpu.temperature = 78°C）
- 动作 Action — 某时刻发生的某事（agent 启动训练、操作工调了阀门）

在此之上提供四类分析：

| 分析 | 回答的问题 |
|---|---|
| 趋势 Trend | 这个指标在升还是降？（斜率 + 方向） |
| 异常 Anomaly | 哪些读数是离群点？（z-score） |
| 因果 Causal | 动作 X 是否推动了指标 Y？（前后差值） |
| 统计 Summary | 记忆库里有什么？（计数 + 实体） |

为什么是 asmemory

多数记忆插件存对话或文档，只能回答「你说过什么」。asmemory 存动作与状态，能回答「发生了什么、为什么」：

「训练启动后 GPU 温度升了吗？」→ 因果
「这周睡眠在下降吗？」→ 趋势
「哪些读数是离群点？」→ 异常

它是物理与运营世界的记忆层——agent 观测自己、工业过程、个人指标。

范例：agent 自我观测

记录 agent 自己的动作与资源状态，然后追问「GPU 为什么变热」：

from asmemory import StateEvent, ActionEvent, MemoryStore, analysis

store = MemoryStore("memory.db")
store.add_state(StateEvent("gpu", "temperature", 78.5, "celsius"))
store.add_action(ActionEvent("agent", "run_training", "qwen3.6", ts=1723500000))

训练真的让 GPU 变热了吗？
causal = analysis.causal_effect(store, "run_training", "gpu", "temperature")
print(causal["before_mean"], "->", causal["after_mean"], f"(Δ={causal['delta']})")

真实输出（24h 模拟 agent，72 条状态 + 20 条动作）：

【因果】run_training → gpu.temperature:  45.3 → 78.7  (Δ=33.4, up)   ← 显著
【因果对照】git_commit → gpu.temperature: 53.7 → 56.4  (Δ=2.7, up)    ← 无效应
【异常】ram.usage: 1 个离群点 (z=-2.4)

引擎干净地分开真因果（训练）与巧合（git 提交）——不靠 LLM 猜，纯时序数学。

范例：工业监控 → DataLens

空分装置：氧纯度（监控指标）vs 导叶开度（控制动作）。asmemory 记因果，导出给 DataLens 找「过量控制」优化空间：

from asmemory.export import export_datalens

export_datalens(store, entity="oxygen", metric="purity",
action_verb="valve_adjust",
pollutant="氧纯度", regulator="导叶开度",
regulatory_limit=99.5)
→ data_datalens.csv + data_datalens.config.json

真实输出（240 分钟，240 条状态 + 240 条动作）：

【因果】valve_adjust → oxygen.purity: Δ=0.0009 (up)
✅ CSV → data_datalens.csv          (时间,指标值,控制量,整点标记)
✅ config → data_datalens.config.json (pollutant/regulator/limit)

把 data_datalens.csv 导入 DataLens，即可可视化「安全区还在过量控制」的节能空间。

工具

7 个 MCP 工具，对模型暴露为 mcp__asmemory__：

| 工具 | 作用 |
|---|---|
| memory_store_state | 存状态事件（实体/指标/值/单位/标签） |
| memory_store_action | 存动作事件（主体/动作/对象/控制量） |
| memory_trend | 指标趋势方向 + 斜率 |
| memory_anomaly | z-score 离群点检测 |
| memory_causal | 动作前后指标均值变化 |
| memory_summary | 记忆库统计 |
| memory_export_datalens | 导出 CSV + config 供 DataLens 可视化 |

安装

server 通过 asmemory-mcp 命令运行（也可用 ASMEMORY_MCP_PATH 指向脚本绝对路径）。先安装命令，再把 MCP 桥接注册到 DSH。

1. 安装 asmemory-mcp 命令：

pip install .

（或者跳过安装，直接设 ASMEMORY_MCP_PATH=/path/to/bin/asmemory-mcp。）

2. 带插件 patch 启动 DSH：

dsh web --patch "$PWD/cordis.yml"

（包发布后，也可用 dsh plugin add dsh-plugin-asmemory 安装。）

3. 完成。server 是单个 stdio 进程，只用 Python 3.10+ 标准库。

持久化默认 ~/.asmemory/memory.db（可用 ASMEMORY_DB_PATH 覆盖）。

已验证

全链路在真实 DSH 实例上端到端跑通（headless profile + 本地 Qwen3.6）：agent 实际调用了 memory_store_state、memory_store_action、memory_summary，事件正确落入 SQLite——正是它被要求记录的数据。

快速上手

python3 examples/demo_agent_self_tracking.py   # agent 自我观测 demo
python3 examples/demo_datalens_export.py       # 工业 → DataLens 导出 demo

使用场景

- agent 自我观测 — 记录 agent 自身的动作与资源状态
- 工业监控 — 过程变量与操作工动作（空分、排放控制）
- 个人数据 — 睡眠、体重、花销、运动趋势

License

MIT — 随便用、随便改、随便发。如果它顺便帮你收获一颗 star 形状的回报，那就更好了。⭐