统一记忆图谱 eteced/memoplus4dsh

memoplus4dsh

English: README.md

DeepSeek Harness（dsh）的统一长期记忆插件。

一个连贯的、实体-时间融合的记忆图谱，用来承载 agent 需要记住的一切——来自对话的事实、偏好、计划和事件——而不是散落在按天切分的 markdown 文件里。核心算法移植自 memoplus/ETMS 研究代码库，并在 LoCoMo 上验证（mem0 协议下达 82.9%）。

状态：v0.1 已实现。 技术报告：docs/tech-report.md。介绍（方法 + 基准结果）：docs/intro.md。评测记录：docs/evaluation.md。修改记录：CHANGELOG.zh.md。架构：docs/design.md。已知问题：docs/known-issues.md。

愿景 · Vision

一个 Agent，一整份记忆——不拆散，不分割，如人的记忆一般完整连续。
One agent, one whole memory — undivided, unbroken, as memory was meant to be.

memoplus4dsh 是 deepseek-harness 的统一长期记忆插件。它把 agent 需要记住的一切——事实、偏好、日程、任务进度——存进同一张实体-时间融合的记忆图：没有按日拆散的 md 碎片，没有跨会话的遗忘。一份记忆，伴随 agent 的全部生命。

memoplus4dsh is the unified long-term memory plugin for deepseek-harness. Everything your agent needs to remember — facts, preferences, schedules, task progress — lives in a single entity–time-fused memory graph. No per-day markdown shards, no forgetting between sessions. One memory, for the whole life of the agent.

我们相信，agent 的记忆应该像人的记忆一样：一体、连续、会生长。不是文件系统里越积越多的日记页，不是每次会话结束就归零的暂存——而是一份从第一天写到今天的、完整的记忆。今天的 agent 记得昨天，也记得去年；它知道任务进行到了哪一步，也记得你无意中提起的喜好。当记忆成为一体，agent 才真正开始"认识"你。我们希望 memoplus4dsh 是这条路上的一块基石：简单、开放、可被检验——先把"一份完整的记忆"这一件事做好。

We believe an agent's memory should work like a human's: whole, continuous, and growing. Not diary pages piling up in a filesystem, not a scratchpad wiped clean at every session's end — but one unbroken memory, written from day one to today. An agent that remembers yesterday, and last year; that knows where the task stands, and recalls the preference you mentioned in passing. When memory becomes whole, an agent truly begins to know you. We hope memoplus4dsh is a cornerstone on that path: simple, open, and verifiable — doing one thing well: one whole memory.

工作原理

conversation turn ends (turn/end, completed)
│
▼ async serial queue, bounded retries, never blocks the chat
LLM extraction (pipe-table prompt: entities | predicate | object | time | fact | details)
│
▼ entity resolution (name normalization + alias merge) into the memory graph
JSONL journal at /memoplus4dsh/ (append-only, snapshot compaction,
│ corrupt-line tolerant, dual time anchors:
│ event_time + mention_time)
▼
next user message (agent/pre-step) ──► hybrid retrieval (dense cosine + IDF keywords
│ + temporal dual-anchor + one-hop entity expansion
│ + MMR diversity; LLM query expansion, disk-cached)
▼
top-k memories injected as a plugin-sourced user/message (logged like any model input)

同时注册了四个面向模型的工具：memory_search（主动 recall）、memory_remember（显式的"记住这个"）、memory_visualize（把记忆图谱渲染成自包含的交互式 HTML 页面，位于 /memory-graph.html；也可 node scripts/visualize.mjs 离线使用）和 memory_status（运行时实况报告：生效配置、实际启用的 embedding/NER 后端、图规模、抽取队列健康度——在对话里问"记忆系统状态"即可）。Extraction 复用会话自身的 provider/model 路由——不需要新的 API key。

环境要求

- dsh ≥ 0.1.2-alpha.3（已验证至 0.1.5-alpha.2；dsh 处于 pre-release 阶段，可能会破坏兼容性）
- Node ^22.19 || >=24 和 python3（安装脚本用它编辑 cordis.patch.yml）
- 安装/卸载脚本（bash）需要 Linux 或 macOS。在 Windows 上插件本身可以正常运行——请手动安装：在 profile 目录中执行 npm install ，并按照 docs/install-guide.md 所示在 profile 的 cordis.patch.yml 中添加 plugin 块
- 可选：onnxruntime-node（声明为 optional dependency），用于本地 embedding；没有它时 retrieval 会降级为纯关键词模式，但不会出错
- 可选增强（推荐，装齐即为完整版）：python3 环境装 sentence-transformers（harrier 嵌入后端，检索质量更好）和 torch gliner stanza（NER 候选提示，抽取召回更完整）。不装也能用——自动降级为 ONNX 嵌入 + 无 NER 提示，功能不中断；一键安装 scripts/setup-python.sh

安装

from this repository; --profile defaults to web, --dsh-home to $DSH_HOME or ~/.dsh
scripts/install.sh [--profile ] [--dsh-home ]

该脚本会构建插件、把它链接进 profile（npm install ），并通过 profile 的 cordis.patch.yml 中的一个受管理块挂载插件。 首次运行会按需下载模型（ONNX 嵌入 ~135MB；harrier ~1.2GB 和 GLiNER ~600MB 仅在对应 python 包装齐时下载）——前几轮对话会变慢，之后走本地缓存。huggingface.co 慢可配 hfBaseUrl 镜像。不会修改任何 dsh 源码。完整的安装演练（含验证步骤）见 docs/install-guide.md（中文）。

更新

git pull && npm run build

不需要重装：profile 通过 file: 依赖符号链接到这个 checkout，重新构建 lib/ 就是更新的全部——然后重启 dsh 生效。（dsh 的 live reload 只覆盖配置：cordis.patch.yml 的修改即时生效，插件代码不会热替换。）只有挂载块或安装脚本本身发生变化时才需要重跑 scripts/install.sh（幂等，会顺便构建）。/memoplus4dsh/ 下的记忆数据不受影响。

验证安装：node scripts/doctor.mjs [--profile ] [--dsh-home ] 输出挂载状态、生效配置（默认值 vs 你的覆盖）、组件探测（harrier/ONNX 嵌入链、NER 检测链、模型缓存）和记忆数据状态（图规模、抽取队列、最近抽取活动）——并给出启用完整版后端的提示。

卸载

scripts/uninstall.sh [--profile ] [--dsh-home ]

完全逆转安装过程：受管理块和 file: 依赖都会被移除，dsh 的运行与安装前完全一致。你的记忆数据会被保留——图谱存放在 /memoplus4dsh/；如果想彻底删除，请手动删除该目录。之后重新安装会再次读到这些数据（已在 docs/m5-release-check.md 中验证）。

配置

在 profile 的 cordis.patch.yml 中，在插件的 config: 下设置：

| Key | Default | Meaning |
| extraction | turn_end | turn_end 在每个完成的 turn 之后提取事实；off 关闭提取 |
| injection | true | 在每个 turn 的第一步注入 top-k 条相关记忆 |
| injectTopK | 8 | 每个 turn 最多注入的记忆条数 |
| injectMaxChars | 2000 | 注入记忆块的字符数上限 |
| injectMaxQueryChars | 4000 | 超过该长度的用户消息跳过 retrieval+injection（视为文档粘贴而非查询） |
| tools | true | 注册 memory_search / memory_remember / memory_visualize / memory_status 工具 |
| progressBridge | true | 把 goal/todo/schedule/plan 进度事件桥接进记忆图谱（M8） |
| stateDedup | true | Retrieval 时每个 entity+family 只保留最新的桥接状态事件；历史仍留在图谱中 |
| embedding | true | 本地 ONNX embedding；失败时降级为纯关键词 retrieval |
| embeddingModel | multilingual | multilingual = distiluse-base-multilingual-cased-v2（512 维，首次下载约 135MB，支持 50+ 种语言，含中文）；english = all-MiniLM-L6-v2（384 维，约 23MB）。切换后已存向量会惰性重嵌入 |
| embeddingBackend | auto | auto = 当其 python 环境装有 sentence-transformers 时使用 harrier sidecar（microsoft/harrier-oss-v1-0.6b，1024 维，多语言，CPU 约 10ms/条），否则用 ONNX encoder；也可用 onnx / harrier 强制指定。查询侧使用该模型训练时的 instruction prompt |
| embedPython | （nerPython 或 python3） | harrier embedding sidecar 使用的 Python 可执行文件 |

插件解析的是 dsh 进程 PATH 上的 python3——dsh 从你的 shell 启动时会继承同一环境，所以只要当前 python3 已装这些包就是零配置直接用。没装的话跑 scripts/setup-python.sh：创建专用 venv（sentence-transformers + torch/gliner/stanza）并输出要粘贴进 cordis.patch.yml 的 nerPython / embedPython 配置行。
| hfBaseUrl | https://huggingface.co | embedding 模型下载的镜像基础 URL |
| queryExpansion | true | retrieval 期间的 LLM query expansion + 注入用的逐字引用式 query 蒸馏（调用限制为 1024 token / 30s，结果按 query 缓存在磁盘上） |
| entityMergeLlm | true | extraction 时由 LLM 裁决的实体合并（embedding 候选 + 每个 turn 一次受限调用；只合并明确判定为 sure 的候选） |
| supersedeLlm | true | 由 LLM 裁决的 supersede 检测（基于关系基数；旧值标记 supersededBy，历史保留；带再提及防护 + 标记传播） |
| nerAssist | true | 为 extraction 提供 NER 候选提示（检测链：PyTorch sidecar → ONNX package → 关闭） |
| nerPython | python3 | NER sidecar 使用的 Python 可执行文件（该环境需要 torch gliner stanza；模型首次使用时自动下载） |
| dataDir | /memoplus4dsh | 插件数据目录（journal、快照、模型缓存、expansion 缓存） |
| extractionProvider / extractionModel | 会话自身路由 | 覆盖 extraction/expansion 调用使用的模型路由 |
| extractionMaxTokens | 8192 | extraction 调用的输出上限（reasoning 模型需要这个余量） |
| extractionCallTimeoutMs | 120000 | 单次调用超时；卡住的端点会快速失败并进入重试队列 |
| extractionMaxRetries | 2 | 首次尝试之后的重试次数；超过后该 turn 被跳过并记录日志 |
| snapshotThreshold | 1000 | 两次快照压缩之间的 journal 操作数 |

Extraction 会消耗你配置的模型的 API 配额——设置 extraction: off 可退出。

测试实例

scripts/test-harness/start-test.sh # isolated DSH_HOME under /test, prints authenticated URL
scripts/test-harness/stop-test.sh
scripts/test-harness/reset-test.sh # stop + wipe the test DSH_HOME

MEMOPLUS4DSH_TEST_DIR 可覆盖测试目录。真实 LLM 场景测试：node scripts/test-harness/run-scenarios.mjs（需要环境变量中有 DEEPSEEK_API_KEY；见 docs/m4-scenario-test.md）。

开发

npm install
npm run build
npm test

文档：design · M2 notes（store/extraction）· M3 notes（retrieval/injection）· M4 scenario tests · known issues

致谢与声明

本项目与 Kimi K3 Thinking (high) 协作完成（co-author）。

声明：本项目仅使用 Kimi K3 作为开发助手，与月之暗面（Moonshot AI）无任何隶属、背书或合作关系。

许可证

修改版 MIT——见 LICENSE.md。