分层证据记忆diqierjia/StrataGate-AgentMemory

StrataGate

近期对话保留细节，远期记忆逐渐简化。

StrataGate 让 AI Agent 的短期记忆随对话推进逐渐变得简略，需要时可重新展开、找回原始细节；重要信息则沉淀为事件与知识图谱，持续记录历史变化与当前状态，供后续会话使用。

CI
npm version
License: MIT
TypeScript
Awesome DSH Plugin
欢迎贡献

English · DeepSeek Harness 插件说明 · 架构说明 · 完整评测

当前公开结果：在 LoCoMo conv-26 上，StrataGate 经过 10 次独立评审的平均准确率为 80.46%，Mem0 base 为 63.22%。查看测试范围与方法。

简单来说： StrataGate 让近期对话保留细节，让较早的对话随对话推进逐渐简化；重要信息则整理为事件与知识图谱，供后续会话使用。原始记录始终保留，需要时可以重新展开、核对细节。

为什么选择 StrataGate？

1. 短期记忆：随对话推进逐渐模糊，需要时重新展开。

(1) 近期详细，远期简略。 同一段对话保存为 L0–L5 六种详细程度的视图。随着后续对话积累，较早的记忆逐渐从完整对话变为关键事实、简短摘要和标题索引，减少历史内容对上下文的占用。→ 分层记忆

(2) 展示变简，原始记录保留。 完整的 L5 原始消息与工具记录始终保存。需要核对细节时，Agent 可以按需展开，找回当时的原话和上下文。→ 分层记忆

2. 长期记忆：用事件线保留历史，用知识图谱整理当前状态。

(1) 事件记录“发生过什么”。 对话中的重要决定、偏好、计划和变化会被提取为 Event，保留来源，并区分“什么时候提到”和“什么时候发生”，供后续会话查找和追溯。→ 事件卡

(2) 知识图谱表达“当前是什么状态”。 根据历史事件，整理人物、项目、组织、工具和地点的当前信息及关系。新事件可以补充或取代旧状态，历史事件及其来源仍然保留。→ 当前状态图谱

(3) 长期权重也会衰减。 随着对话推进，未被采用的记忆权重逐渐降低，影响检索与自动召回时的优先级；衰减后的记忆仍保留来源，可继续查证。→ 权重与采用强化

(4) 支持迁移其他 AI 的记忆。 导入内容可以转换为可追溯的事件，并用于更新知识图谱；原始导入内容仍会保留。→ 外部记忆导入

3. 证据门：回答前先检查检索到的证据是否够用。

搜索结果相关，不代表足以回答当前问题。Agent 会判断证据是否充分；不足时继续搜索、展开事件或回查原始消息，仍无法确认时明确说明不确定性。→ 证据门

4. 只强化实际使用的记忆。

搜索命中或自动带入上下文不会触发强化。只有被记录为最终答案实际采用的证据，才会增加采用计数、更新衰减起点；采用越多，之后衰减越慢，避免记忆仅因频繁被搜到就不断强化自身。→ 只强化实际使用的记忆

开始使用：→ 快速开始

选择适合你的入口

| 使用方式 | 适合谁 | 从哪里开始 |
| --- | --- | --- |
| DeepSeek Harness 插件 | 希望自动获得本地记忆和可视化记忆界面的 DSH 用户 | 安装 stratagate-dsh |
| TypeScript 核心库 | 正在开发自定义 Agent 或记忆接入的开发者 | 代码入口 |

快速开始：DeepSeek Harness

如果已经安装 DeepSeek Harness，请将 StrataGate 添加到你正在使用的 profile：

dsh plugin --profile web add stratagate-dsh

重启该 profile，之后照常使用 DSH 即可。StrataGate 会自动记录主 Agent 已完成的对话，在后台生成可搜索的记忆，并在 DSH 设置 → StrataGate-AgentMemory 中提供记忆界面。

数据库默认保存在：

DSH_HOME/stratagate/memory.db

移除插件不会删除数据库。截图、配置项、记忆工具和自动记录规则见 DeepSeek Harness 插件中文说明。

这些设计要解决什么问题

随着对话不断积累，AI Agent 需要在有限的上下文中，同时处理眼前的任务、之前的讨论和长期有效的信息。

近期讨论通常需要完整细节，较早的对话则可以先保留简短概括，等到需要时再展开。与此同时，用户偏好、项目决定和任务计划还会发生变化，需要区分历史记录与当前状态。StrataGate 围绕这些需求，分别管理短期记忆的展示、长期记忆的更新，以及检索后的判断和使用反馈。

| 常见问题 | StrataGate 的处理方式 |
| --- | --- |
| 对话越来越长，历史细节持续占用上下文 | 将同一段对话保存为 L0–L5 分层视图；随着后续对话积累，较早的内容默认展示得更简略，需要时再展开 |
| 重要信息分散在不同对话中，旧决定与新状态容易混淆 | 提取带来源和时间的 Event，用事件线保留历史，再通过知识图谱整理当前状态 |
| 搜到了相关内容，却缺少回答问题所需的关键细节 | 通过证据门评估当前材料；不足时继续搜索、展开记忆或回查原文 |
| 记忆仅因频繁被搜到，就不断获得更高权重 | 将检索与采用分开：长期权重随对话推进衰减，只有记录为实际采用的记忆才触发强化 |

短期记忆衰减，让旧对话逐渐减少在当前上下文中呈现的细节；长期记忆及其权重机制，帮助 Agent 在后续会话中找回仍然有用的信息。两者都保留来源，使简化后的内容能够继续追溯和核对。

它如何工作

图 1：StrataGate 整体处理流程——记忆形成、自动激活、主动检索与证据判断

图 1 中的四次检索预算为示例评测配置；具体检索循环和预算由接入方控制。

StrataGate 的工作过程分为记忆形成、回答时找回，以及采用后的反馈。

1. 对话积累，形成分层短期记忆

每轮完成的对话及工具记录会先保存。DeepSeek Harness 插件默认每 6 轮封存一个 Block，用户可以调整这一大小；尚未达到边界的内容继续保留在当前对话中。

每个 Block 保存 L0–L5 六种详细程度的视图，从标题索引、简短摘要到完整原始记录。后台处理完成后，Block 才开始参与衰减：随着同一会话中的后续就绪 Block 增加，较早的 Block 默认展示层逐渐变浅。

这个过程减少的是当前上下文中呈现的历史细节，完整的 L5 原始记录仍然保留。→ 分层记忆

2. 重要信息沉淀为 Event，并更新知识图谱

对话中值得长期保留的决定、偏好、计划和变化，会被提取为 Event。每条事件记录内容、时间和来源，供之后的会话查找。

知识图谱再根据这些事件，整理人物、项目、工具等实体的当前信息和关系。新事件可以补充或取代旧状态，历史事件及其来源继续保留。→ 事件卡 · 当前状态图谱

3. 回答前自动带入相关记忆，需要时主动检索

每次主模型调用前，插件会根据当前问题和最近的对话，自动带入少量相关的长期 Event 与图谱信息，为回答提供背景。

当前 DSH 实现最多带入 4 条 Event 和 4 个图谱节点，并受约 900 tokens 的总预算限制。当前会话的历史则通过分层 Block 和尚未封存的对话提供。

如果已有上下文足够，Agent 可以直接回答；如果还缺少信息，就通过记忆工具搜索事件、图谱或原始消息，并按需展开更详细的内容。

4. 主动检索后，检查证据是否足以回答

找到相关记忆后，Agent 需要判断它是否真正回答了当前问题：哪些证据可以使用，还缺少什么，以及是否需要继续查找。

例如，“项目使用 pnpm”可以回答当前采用什么工具，但不足以回答“当初为什么选择 pnpm”。遇到这种情况，Agent 应展开相关事件或回查原始讨论。

证据门要求模型明确给出这份判断，并由代码检查证据引用和流程约束。证据仍然不足时，Agent 需要继续查找，或明确说明无法确认。→ 证据门

5. 记录实际采用的证据，更新长期权重

搜索命中或自动带入上下文，不会触发记忆强化。

当 Agent 确定哪些证据用于最终回答时，会提交采用回执。被记录为实际采用的 Event 更新采用计数和衰减起点；采用次数越多，之后衰减越慢。没有采用的搜索结果不会获得这次强化。→ 只强化实际使用的记忆

例如，用户先决定“项目使用 npm”，后来改为“项目使用 pnpm”。StrataGate 会保留这两次决定，并在知识图谱中更新当前选择。之后询问“现在用什么”，可以从当前状态中找到答案；询问“什么时候改的、为什么改”，则可以沿 Event 回到当时的对话，核对时间和原因。

查看一次从事件卡回查原始消息的检索示例。

核心设计

StrataGate 分别管理对话的展示层级、长期信息的更新、检索证据的判断，以及记忆被采用后的反馈。

其中，短期记忆衰减决定旧对话展示得多详细，长期记忆权重影响信息在后续召回中的优先级。这两种变化都不会因衰减而删除原始来源。

1. 短期记忆：随对话推进逐渐简化，需要时重新展开

近期讨论通常需要保留完整细节，较早的对话则可以先以简短形式留在上下文中。StrataGate 为同一段对话保存多种详细程度的视图，并随着后续对话积累，逐渐减少旧对话默认呈现的内容。

图 2：StrataGate 短期记忆——L0–L5 分层视图、展示衰减与按需展开

同一段对话，保存为六种详细程度。

DeepSeek Harness 插件默认每 6 轮完整对话封存一个 Block，一轮指一次用户提问和助手的完整回复。封块大小可以配置；核心库默认值为 12 轮。尚未达到边界的内容继续保留在当前对话中。

每个完成处理的 Block 包含以下视图：

| 层级 | 保存的内容 | 主要用途 |
| --- | --- | --- |
| L0 | 标题和标签 | 用最少内容标识这段历史 |
| L1 | 简短摘要 | 快速了解讨论主题 |
| L2 | 关键事实 | 查看决定、约束、计划和结果 |
| L3 | 按规则精简的对话 | 保留讨论过程，去除明确冗余 |
| L4 | 接近原文的可读对话 | 核对更完整的语言上下文 |
| L5 | 原始消息与工具记录 | 查证来源及具体细节 |

L0–L2 由模型概括生成；L3、L4 由程序按照确定性规则生成。L3 可以精简独立寒暄、纯确认、重复长粘贴内容和工具参数等，不进行自由语义改写。

原始记录先保存，摘要和事件处理随后进行。只有处理完成、进入就绪状态的 Block，才会替换对应的原生历史并参与衰减。

后续对话越多，旧 Block 默认展示得越简略。

Block 的展示变化由指数衰减控制：

$$
w_}(age)=e^{-\lambda_}\,age}
$$

其中，$\lambda_}$ 默认取 0.30，程序根据权重区间选择当前展示层级。系数越小，详细内容保留得越久，相应占用的上下文也越多。

公式中的 age 按当前展示锚点与同一会话最新就绪 Block 之间的距离计算。它衡量的是对话积累的进度，不是现实中经过的天数。尚未封存的对话，以及仍在等待模型处理的 Block，都不会推动这项衰减。

例如，一个从 L5 开始、期间没有重新展开的 Block，在默认参数下会经历：

| 后续新增的就绪 Block 数量 | 默认展示层 |
| ---: | --- |
| 0–1 | L5 |
| 2 | L4 |
| 3–4 | L3 |
| 5–6 | L2 |
| 7–8 | L1 |
| 9 及以上 | L0 |

图中的层级变化用于展示趋势，实际变化由衰减参数和层级阈值共同决定，并非每新增一个 Block 就下降一级。

需要细节时，可以重新展开。

假设某段旧对话目前只显示：

讨论了项目技术方案与近期计划。

用户追问“当初为什么选择 pnpm”，Agent 可以展开关键事实、精简对话或完整原始记录，找到当时的原因。

展开既可以逐级进行，也可以直接指定更详细的层级。展开后，系统会以此次选定的层级和当前 Block 位置重新设置衰减起点；随着后续对话继续积累，它再逐渐变简。

因此，旧对话日常可以保持轻量，需要时仍能恢复细节。L0–L4 都是原始记录的派生视图，不会覆盖 L5。

2. 长期记忆：事件线保留历史，知识图谱整理当前状态

短期记忆保留一段讨论的上下文，长期记忆则把值得在后续会话中继续使用的信息提取出来。StrataGate 用 Event 记录决定、偏好、计划和变化，再根据这些事件整理知识图谱。

图 4：StrataGate 长期记忆更新——事件提取、历史关系与当前状态图谱

事件卡记录发生过什么，并保留来源。

同一个 Block 可以产生多条 Event，也可以没有需要提取的长期信息。每条事件除了内容，还保存来源 Block、来源消息，以及可确定的时间信息。

时间信息需要区分两个含义：

| 时间 | 表示什么 |
| --- | --- |
| 提及时间 | 这件事什么时候在对话中被说到 |
| 发生时间 | 事情实际发生或计划发生的时间 |

例如，用户在 5 月 6 日说“下周完成原型”，5 月 6 日是提及时间，“下周”描述的是计划完成时间。这条记录应保留计划性质，不能直接作为“原型已经完成”的证据。

当时间无法确定时，保留原始表达和不确定性，方便之后回到来源核对。

新事件通过补充、取代或冲突关系更新记忆。

项目讨论可能先后出现：

“这个项目使用 npm。”

“我们改用 pnpm。”

“下周完成原型。”

这三条信息的作用不同：

- “改用 pnpm”更新了包管理器选择，旧 npm 事件保留为历史。
- “下周完成原型”补充了一项计划，不影响包管理器选择。
- 如果出现无法同时成立、又不能确定哪条有效的说法，则保留冲突关系，供后续核实。

旧事件的内容和来源不会被新事件覆盖，其有效状态和关联关系可以随新证据更新。因此，系统既能找到当前有效的信息，也能回答“以前是什么样、后来发生了什么变化”。

知识图谱根据事件整理当前信息和关系。

图谱将人物、项目、组织、工具和地点表示为节点，将“使用”“参与”“依赖”等联系表示为有方向的关系。节点属性和关系都保留来源 Event。

在上述例子中，图谱可以把项目当前使用的包管理器更新为 pnpm，同时保留 npm 的历史状态。之后：

- 问“项目现在使用什么”，可以先查当前图谱；
- 问“什么时候改的”，可以查变更事件；
- 问“为什么改”，可以进一步展开事件并回查原始讨论。

图谱中的状态需要与来源一致。“下周完成原型”直接支持的是一项计划；图中展示的“原型开发中”或“负责人”等信息，需要相应事件提供额外依据。

图谱更新作为独立任务执行并保存进度。更新失败时，可以单独重试，已经写入的事件和原始来源仍然保留。

3. 证据门：检查检索结果是否足以回答当前问题

找到相关记忆之后，还需要判断它能否支持当前答案。StrataGate 通过一个固定、简短的评估结构，要求 Agent 明确说明证据是否充分，以及接下来应当做什么。

| 评估项 | 需要说明的内容 |
| --- | --- |
| verdict | 证据充分、部分充分，还是与问题不符 |
| evidence_refs | 哪些检索结果支持当前判断 |
| fit | 证据与问题具体匹配在哪里 |
| missing | 还缺少哪些信息 |
| next_strategy | 直接回答，还是继续搜索或展开 |

例如，用户问：

为什么当初改用了 pnpm？

检索结果只有：

项目已从 npm 改为 pnpm。

这条结果确认了变更，却没有说明原因。Agent 应将其判断为部分充分，继续展开事件或回查原始对话，而不能仅凭工具选择推测当时的理由。

证据门由模型判断内容是否充分，程序负责检查引用和流程约束：被引用的证据必须来自指定检索批次；接受 sufficient 时，需要有效证据引用，并明确选择回答。

这些检查使检索过程可以追踪和核验，但模型仍可能误判证据。没有找到足够信息时，应继续查找，或在回答中明确说明无法确认。

主动检索的循环和预算由接入方控制。图 1 中的“最多 4 次”表示示例评测配置，不是所有接入场景的固定限制。

4. 只强化实际使用的记忆：采用越多，之后衰减越慢

长期记忆也会随对话推进而衰减。这里变化的是 Event 的权重，它参与后续召回和排序；与短期 Block 不同，Event 不会因此逐级切换 L0–L5 展示层。

图 3：StrataGate 长期记忆权重——自然衰减、仅检索不强化与采用后强化

新事件具有初始权重，未被采用时逐渐衰减。

长期 Event 的基础权重函数为：

$$
w(t,n)=\max\left(floor,e^{-\lambda(n)t}\right)
$$

$$
\lambda(n)=\frac{0.15}{1+1.5\ln(n)}
$$

其中：

- $t$ 是当前轮次与上次采用轮次的差，新事件从创建时开始计算；
- $n$ 是内部采用计数，初始化为 1，每次记录采用后增加 1；
- $floor$ 是根据记忆重要程度设置的最低权重。

长期权重衰减同样按对话轮次计算，而不是按现实时间计算。较低的权重可能降低一条记忆在后续召回中的优先级，但不会因衰减而删除它的历史记录。

被搜索到，不会触发强化。

检索命中只说明一条记忆可能相关。系统可以记录它何时被检索，但不会因此增加采用计数，也不会重置衰减起点。

自动带入上下文的记忆同样不会因为被展示而获得强化。这样可以避免某条记忆仅因偶然排在前面，就通过反复出现不断提高自身权重。

记录为实际采用后，才更新权重。

Agent 确定用于最终回答的证据后，会提交采用回执。通过检查的 Event 增加采用计数，并把衰减起点更新到当前轮次。对于未被额外限制权重的普通活跃事件，此时权重回到 1。

随着采用计数增加，公式中的衰减系数变小，同样经过一段对话后，它能保留更高的权重。因此，反复帮助回答的记忆会逐渐衰减得更慢。

采用依据来自 Agent 提交的证据选择。程序检查证据是否属于对应批次、是否经过充分性评估，并通过回执避免同一次操作被重复执行；没有使用的检索结果不获得这次强化。

不同重要程度的记忆，可以保留不同的最低权重。

| 记忆类别 | 默认最低权重 |
| --- | ---: |
| 普通信息 | 0 |
| 用户偏好 | 0.3 |
| 身份信息 | 0.9 |
| 安全信息 | 1.0 |

此外，置顶记忆的有效权重保持为 1；被取代的事件通常设置较低的权重上限，避免旧状态持续占据较高优先级。

这些权重表达的是记忆管理策略，不能当作事实正确率。权重较高的信息仍需要结合当前问题、最新状态和原始来源进行判断。

外部 AI 记忆迁移

可以把另一个 AI 的记忆总结直接迁移到 StrataGate。importExternalMemory() 将导入拆成固定的五步：

外部 AI 总结
↓ extractor：提取候选 Event
↓ searchEvents：每个候选只检索现有 Event 的 Top-K
↓ decider：ADD / MERGE / SUPERSEDE / CONFLICT / IGNORE
↓ 写入新 Event，保留旧 Event 与来源链
↓ 仅为新写入的规范 Event 创建图谱投影任务

库导出 EXTERNAL_MEMORY_EXPORT_PROMPT_ZH_CN、EXTERNAL_MEMORY_DECIDER_PROMPT_ZH_CN 和 externalMemoryJsonExtractor，可让外部 AI 输出可校验的 stratagate.external-memory.v2 JSON，再由本地模型从五种处理方式中选择。v2 将记忆性质与内容分类分开；时间字段严格区分“被提及时间”和“实际发生时间”。日期不确定时，系统会省略日期并保留原始说法，不会根据当前日期或聊天顺序猜测。

完整接入示例和提示词说明见 docs/EXTERNAL_MEMORY_IMPORT.zh-CN.md。DeepSeek Harness 管理界面会先预览导入，JSON 不合格时使用模型兜底恢复，确定性忽略完全重复项，并让当前模型结合 Top-K 本地匹配选择新增、合并、取代、冲突或忽略。导入分析及逐条进度会持久化，关闭后重新打开页面可继续查看；高置信度判断自动采用，低置信度项可人工选择具体动作；提交后可按批次撤销。

新事件可以取代旧事件，但旧事件及其来源仍然保留。遗忘可以让事件退出搜索，同时不破坏来源链路。

一次真实的检索

LoCoMo 中有一道题询问 Caroline 在什么时候进行了学校演讲。

事件卡已经找到了“学校演讲”，但卡片本身没有包含足够的日期信息：

search_events
↓
命中“学校演讲”事件卡
↓
事件相关，但没有具体日期
verdict = partial
missing = 发生日期
↓
search_raw_memory
↓
找到 2023-06-09 的原始消息
其中写着 “last week”
↓
结合消息时间解析相对日期
verdict = sufficient
↓
回答

这个过程里：

- 事件卡负责快速定位；
- 来源时间戳和原始消息负责最终核对；
- 证据门要求 Agent 识别缺失信息，并在证据不足时继续查证。

实验结果

仓库公开的 R8 对比评测使用 LoCoMo 中的 conv-26 对话样本，包含 419 条消息、35 个会话和 152 道问题，覆盖 category 1–4。

两个系统分别生成答案，再对每道题的答案进行 10 次独立 Judge 评审。这里的十次指评审重复次数，不代表十次完整系统运行。

| 指标 | StrataGate | Mem0 base | 差值 |
| --- | ---: | ---: | ---: |
| 10 次评审平均准确率 | 80.46% | 63.22% | +17.24 个百分点 |
| 多数票正确 | 121 / 152（79.61%） | 96 / 152（63.16%） | +25 题 |
| 时间类问题（Temporal） | 74.86% | 34.59% | +40.27 个百分点 |
| 单跳问题（Single-hop） | 89.29% | 75.14% | +14.14 个百分点 |
| 多跳问题（Multi-hop） | 66.56% | 61.56% | +5.00 个百分点 |
| 开放域问题（Open-domain） | 83.08% | 84.62% | -1.54 个百分点 |

两边使用相同的问题、顺序、答案模型、Judge 模型、评审提示词、解析器和评审次数，并分别重新构建记忆。记忆抽取、检索实现、embedding 使用方式和回答上下文存在差异，因此这里比较的是两套完整系统配置。

这组结果仅覆盖 conv-26，不代表完整 LoCoMo 成绩，也不能单独证明短期记忆衰减、知识图谱或证据门中某一项机制带来的收益。各组件的独立作用仍需通过消融实验检验。

完整协议、逐题结果及评审波动见 评测文档，汇总数据见 机器可读评测结果。

这些设计是怎么形成的

多轮实验中的失败案例，帮助 StrataGate 逐步明确了记忆处理与检索策略：

- 时间信息需要单独保存。 仅靠摘要不容易恢复事件日期，因此事件卡区分提及时间与发生时间，并保留原始时间表达和来源。
- 证据判断需要简短、明确。 将判断限制在五个字段内，让 Agent 明确说明证据、缺口和下一步，也便于程序检查引用。
- 反复搜索没有新增信息时，需要换一种查找方式。 当事件卡缺少关键细节时，展开来源或检索原始消息，比重复搜索同一批卡片更有价值。

R1–R8 的完整实验过程、版本差异和逐题分析保留在 评测文档中。不同轮次之间存在多项调整，这些观察用于解释设计选择，不作为单个组件效果的独立证明。

当前局限与下一步

上述 R8 评测中，仍有 31 道题被多数评审判为错误。按可观察到的失败阶段划分：

| 失败阶段 | 题数 | 反映的问题 |
| --- | ---: | --- |
| 未发起检索，直接回答错误 | 15 | Agent 有时未意识到需要查找历史证据 |
| 证据被判为充分，最终答案仍然错误 | 14 | 证据可能属于相邻事件，或不足以支持完整答案 |
| 达到检索预算时，证据仍不充分 | 2 | 在给定预算内没有找到足够的信息 |

这些结果说明，在该评测范围内，仍需改进何时发起检索，以及如何判断证据是否真正回答了问题。证据门能够约束引用和评估流程，但不能保证模型的语义判断或最终答案一定正确。

后续验证重点包括：

1. 固定模型和记忆状态，对短期衰减及关键检索机制分别进行消融，比较准确率、上下文占用和调用成本。
2. 直接提供已知正确的来源证据，区分“没有找到证据”和“拿到证据仍推理错误”。
3. 在更多对话样本上重复相同协议，再扩展到完整 LoCoMo 数据集。

当前状态

StrataGate 已提供可安装使用的 DeepSeek Harness 插件，并通过共享的 TypeScript 核心引擎实现记忆管理。

当前功能覆盖：

- 自动采集已完成的对话与工具记录；
- L0–L5 分层短期记忆、展示衰减和按需展开；
- 带来源与时间的 Event，以及根据事件更新的知识图谱；
- 自动激活相关长期记忆，以及主动搜索和来源回查；
- 检索批次管理、证据评估与采用回执；
- 长期权重衰减、采用强化和外部 AI 记忆导入。

仓库包含自动化测试、实验记录和可追溯的评测结果。公共 API、模型接入和评测覆盖仍在迭代，进行自定义集成时应固定版本，并结合自己的使用场景验证。

常规入口 StrataGate.open() 使用 SQLite 持久化记忆；StrataGate.inMemory() 用于显式选择的临时运行和测试。存储适配层支持中断恢复和一致性校验，具体约束见 架构文档。

什么情况下适合使用 StrataGate

StrataGate 适合需要长期保持对话连续性，同时控制历史上下文占用的 Agent 工作流。例如：

- 持续推进一个项目。 近期讨论保留细节，较早的讨论逐渐简化，需要追问原因时再展开。
- 跨会话延续工作。 在新的对话中找回项目决定、用户偏好、计划和未完成事项。
- 跟踪信息变化。 同时了解项目当前状态和历史变更，避免把旧决定当作当前结论。
- 核对记忆来源。 回答依赖日期、原话或工具结果时，可以从事件和图谱追溯到原始记录。
- 迁移已有记忆。 将其他 AI 导出的信息整理为事件，并保留原始导入内容。

记忆可按项目、会话或全局范围组织。知识图谱界面主要用于查看当前信息、关系和来源，尚不以多人协作编辑或跨产品云端同步为主要功能。

DeepSeek Harness 用户可以从 快速开始安装。配置、记忆工具和恢复机制见 插件使用说明。

代码入口

本节面向开发者。直接使用 DeepSeek Harness 插件的用户，可以按照 快速开始安装，无需自行构建仓库。

开发环境需要：

- Node.js 22.19.0 及以上的 22.x 版本，或 24.0.0 及以上版本；
- 对应的版本声明为 ^22.19.0 || >=24.0.0。

检出仓库后，在仓库根目录运行：

npm install
npm run check
npm test
npm run build

主要代码入口如下：

| 入口 | 内容 |
| --- | --- |
| 核心引擎示例 | 最小接入示例 |
| 核心状态与生命周期 | Block、Event、图谱、导入、检索和采用记录 |
| 分层与衰减规则 | L0–L5 层级、展示衰减和确定性精简 |
| 长期权重 | Event 衰减及最低权重计算 |
| 事件类型 | 统一事件分类 |
| 知识图谱 | 来源校验、图谱更新与状态维护 |
| 检索排序 | BM25 排序与 RRF 融合 |
| 证据评估 | 评估结构及引用约束 |
| 外部记忆导入 | 导入格式、提示词和解析 |
| 旧版元素卡支持 | 元素投影和历史时间视图 |

持久化模式下，调用 recordMemoryUse() 需要提供非空、稳定的 receiptId。同一次采用操作重试时应复用该 ID，以避免重复强化。例如：

await memory.recordMemoryUse(
{ eventIds: usedEventIds },
{ receiptId: usageReceiptId },
);

其中，usedEventIds 是应用确定用于答案的事件，usageReceiptId 标识这一次采用操作。DSH 插件通过记忆工具和批次协议处理这一过程，插件用户无需手动调用该接口。

核心示例用于展示 API 接入；完整评测中的模型调用、工具循环和 Judge 协议见 评测文档。

文档与复现

| 资源 | 内容 |
| --- | --- |
| DeepSeek Harness 使用说明 | 安装、配置、界面、记忆工具和恢复机制 |
| 架构文档 | 分层规则、事件与图谱、检索、证据门、权重和存储约束 |
| 外部记忆导入 | 导出格式、导入流程和接入示例 |
| 完整评测 | 实验协议、版本演变、失败分析和结果范围 |
| 评测汇总数据 | 已公开运行的结果、统计和产物信息 |
| 核心引擎示例 | 最小 API 接入示例 |

项目结构

src/                    DeepSeek Harness Host 与 Web client 适配层
tests/                  DeepSeek Harness 集成测试
cordis.patch.yml        根目录 DSH bundle 清单
packages/core/          共享记忆引擎、核心测试和示例
integrations/workbuddy/ WorkBuddy Host Adapter 与 MCP 接入
docs/                   DSH 使用、架构和完整评测文档
benchmarks/             机器可读实验结果

参与贡献

欢迎各种形式的贡献：修复问题、完善文档、增加集成，或探索更好的记忆与检索方案都可以。

请先阅读 CONTRIBUTING.zh-CN.md，其中包含 monorepo 开发环境、检查与测试命令、适合参与的方向，以及提交 Pull Request 的建议。如果还不确定一个想法是否适合项目，建议先创建 Issue，再投入较大的改动。

许可证

StrataGate 使用 MIT License。