会话记忆库 kittitys/dsh-mem0-memory

dsh-mem0-memory — DSH 会话记忆 → mem0 向量库

🌐 语言/Language: 中文 | English

状态：alpha（实验性质）。一句话：一个 DSH 插件 + 一个命令行工具 + 一个本地服务，把你的 DSH 对话记忆自动存进 mem0 向量库，并在新会话里自动召回——换对话不再失忆。

解决什么问题

DSH 的每个新会话，模型都像第一天上班：昨天敲定的方案、反复强调的偏好、踩过的坑，它一概不知，一切从头解释。会话用得越久，这笔「失忆税」越明显——换一个会话，之前的积累全部归零。

Agent 记忆不是新问题，开源社区早有被大规模验证的答案——Mem0：专为 AI Agent 设计的记忆层，把「对话 → 事实提取 → 语义+关键词检索 → 上下文注入」整条链路做成标准件，是 GitHub 上最流行的 agent memory 项目之一，大量 agent 产品直接基于它构建。选它，是因为这条路被验证过、生态持续演进——我们不需要重新发明记忆，只需要把它正确地装进 DSH。

dsh-mem0-memory——深度集成 Mem0、面向中文生态的 DSH 记忆插件：把 mem0 记忆能力接入 DSH 对话循环，管理你的会话记忆：

- 换对话不失忆：新会话自动带上相关记忆，不用手动查
- 中文开箱即用：jieba 分词 + 中文事实提取，中文关键词精确命中
- 数据不出机器：全本地运行，极致隐私场景可完全离线

示意图：

你的 DSH 会话（原始日志） ↓ 记忆入库 ↓ mem0 向量记忆库（Qdrant + SQLite，语义检索） ↑ 每轮对话前自动召回搜索结果你的新会话（自动带上召回记忆回答问题）

安装后的效果

安装前，新会话提问：

我上次说的那个「先诊断、多方案对比、确认后再怎样怎样」的规矩具体是怎么回事来着？

DSH 答：抱歉，这个对话里没有相关记录……

安装后，同样的问题：

DSH 会在回复前自动注入 <relevant-memories>（从 mem0 召回的数条相关记忆），然后给出准确回答，甚至能主动引用上次的结论和教训。下面是真实召回实录（2026-08-20，内容已脱敏）——查询「动手前先诊断、多方案对比、确认后再改」时注入的内容：

<relevant-memories>
以下是从 Mem0 长期记忆中召回的相关记忆，优先参考这些内容回答用户问题。
<memory id="c445c0d1-...">用户决定不急着修改方案文档，先对齐方案再动手。</memory> <memory id="2a47dd0d-...">用户明确要求：助手必须先诊断问题、给出多方案对比、等用户确认再改，改完告知变更内容，不准悄无声息地改。</memory> <memory id="736895ad-...">用户偏好「方向对但未经确认就多走一步」被记录为待修正信号。</memory> </relevant-memories>

三条记忆相关度依次递减（0.84 → 0.83 → 0.37）——混合检索按相关度排序注入，弱相关也带出但排在末尾，由 LLM 自行取舍。以上内容来自真实记忆库（脱敏），非虚构演示。

核心能力：
1. 混合检索召回——语义向量 + 关键词 BM25 双通道融合排序：意思相近能命中（向量），名字/ID/路径精确命中（关键词），互不替代
2. 跨会话共享——所有会话写同一个记忆库，A 会话的结论在 B 会话可用
3. 自动注入——每轮真实对话前自动召回，零手动操作
4. 增量导入——只处理新增消息，不重复烧 token（per-session checkpoint）
5. 工作区隔离——名字以 0_ 开头的工作区自动不入库（防污染约定）

通俗版：传统检索是按字找（关键词精确匹配），mem0 是按意思找（语义向量）+ 按词找（关键词）双通道——哪怕你忘了原话（「上次那个啥结论」），意思相近也能被捞回来。

基础要求（安装前请确认）

| 项 | 要求 | 说明 |
| DeepSeek Harness | rc.6+（Developer Preview） | 插件宿主 |
| Node.js | ≥ 23（G1 工具用 node:zlib 原生 zstd） | 与 DSH 同装即可，检查 node --version |
| Python | 3.10+ | mem0 运行环境 |
| LLM API Key | DeepSeek（或任意 OpenAI 兼容） | 用于事实提取（记忆入库） |
| Embedding API Key | 任意向量模型服务（千问、Jina，或任意 OpenAI 兼容端点）；也兼容本地向量模型（如 Ollama + bge-m3，零 API 成本） | 用于向量化（记忆检索） |
| 磁盘 | ~1GB+ | 记忆库（向量 + 历史） |
不需要的东西：不需要 GPU、不需要 Docker、不需要自建 Qdrant server（用本地嵌入式模式）、不需要任何 Mem0 云服务、不需要预装 mem0（mem0 库及其依赖由安装步骤②/④自动安装）。

一句话架构：这是一台专门用于 DSH 的 mem0 定制化「组装机」+ 搭配装机服务

| 实际部件 | 比喻 | 说明 |
| mem0 开源库 | 主板 | 官方标准件，稳定可靠 |
| 向量库 = Qdrant 本地模式 | 硬盘 | mem0 支持多家向量库，我们选定并配置好 Qdrant local（优势：零 Docker、pip 即用、数据在本地磁盘） |
| LLM 提取 = DeepSeek | 处理器 | 默认标准件，可换任意 OpenAI 兼容模型 |
| Embedding = Qwen3-8B | 内存条 | 默认标准件，中文效果推荐配置，可换本地模型 |
| jieba 中文分词（BM25 关键词通道） | 中文输入法（定制件） | 中文定制化——mem0 原版对中文关键词搜索基本不可用 |
| G1 解析器（DSH 会话 → 记忆批次） | 专属数据接口卡（定制件） | DSH 定制化——把 DSH 的对话日志翻译成记忆 |
| 降级模式 + 关键词补捞 + 检索修复 | 电路保护器（定制件） | 定制化检索增强——embedding 模型失效也能离线召回记忆 |

「一整套硬件」主机、显示器、键鼠缺一不可——价值闭环（对话 → 记忆 → 检索 → 注入 → 对话）少一环整机就是摆设。这也是本项目的交付形态：插件 + 本地服务 + 依赖清单，三件套捆绑。

- 为什么不直接用品牌机（Mem0 云服务）：① 中文补丁打不进去（品牌机不让拆机），对中文场景组装机是唯一能跑通的路 ② 记忆数据在远程服务器上，非本地 ③ 付费。
- 随包提供装机服务——一条命令装好所有部件（setup.py），说明书（README）写清楚每个部件怎么换。

部署形态与数据主权（重要）

- 全部本地运行：记忆库、向量库（Qdrant local）、事实历史（SQLite）都是用户磁盘上的文件——数据不出机器。BM25 关键词模型也是本地模型（fastembed 缓存，离线可用）——embedding API 故障时关键词通道仍可召回（自动降级）。
- 「mem0 服务」= 插件自带的本地薄服务：把开源 mem0 库包装成 HTTP 端点（/search /add /import /health），不是官方云服务，也不依赖 Mem0 Cloud。
- 出网仅两个 API 调用：① LLM API（DeepSeek 或任意 OpenAI 兼容，用于记忆入库时的事实提取）② Embedding API（任意向量模型服务）。两者都可换本地模型（如 Ollama + bge-m3 embedding、本地 LLM）——极致隐私场景可以做到完全不出网。
- 中文支持：开箱即用（见下方「内置补丁」）。

快速安装（首次约 15-25 分钟）

一共 5 步：装插件 → 装零件 → 配密钥 → 开机 → 通电（对应组装机：① 显示器+键鼠 ② 零件 ③ 电源线 ④ 主机 ⑤ 通电）。慢的只有步骤 2 和步骤 4 的首次模型下载——那是「等下载」，不是操作。

步骤 1：安装插件（二选一，约 1-2 分钟）

dsh plugin --profile web add github:kittitys/dsh-mem0-memory # GitHub 源（推荐）
或
dsh plugin --profile web add dsh-mem0-memory # npm 源

步骤 2：装依赖（约 5-10 分钟，主要花在搜索模型下载）

pip install mem0ai qdrant-client fastembed jieba flask

步骤 3：配密钥（约 1 分钟）

export MEM0_LLM_API_KEY=xxx # LLM API，负责提取（记忆入库）
export MEM0_EMBEDDING_API_KEY=xxx # embedding API，负责向量化

密钥也可以写入项目根 .env（模板见 scripts/.env.example）。

步骤 4：初始化并启动记忆服务（约 3-5 分钟，首次含模型下载）

先进入插件目录（npm 安装位置：$DSH_HOME/profiles/web/node_modules/dsh-mem0-memory/）
cd "$DSH_HOME/profiles/web/node_modules/dsh-mem0-memory"
python scripts/setup.py --init --install # 装依赖 + 建库
python scripts/mem0-server.py --port 18200 # 启动服务

Windows 用户可直接用随附的 scripts/start-server.bat；建议注册开机自启。

步骤 5：重启生效（约 2 分钟）

插件自带的 cordis.patch.yml 在安装时会自动并入 profile 配置（无需手动添加启用条目）。如需调整参数（如每轮注入条数），在 $DSH_HOME/profiles/web/cordis.patch.yml 追加覆盖条目：

- id: mem0-memory
config:
limit: 5 # 每轮注入上下文的搜索条数上限（默认 5）

然后重启 DSH web profile（插件无热重载）——完成 ✅

重启后，跑一次首次导入（见下节），历史会话就进记忆库了——之后自动增量，不用再管。

peer 依赖警告可忽略：安装时 pnpm 可能提示 missing peer @deepseek-ai/cordis / @deepseek-ai/dsh-agent-loop——这是声明性警告，插件运行时会从 DSH 的 bundle 安装处解析这些依赖，无需处理。

首次导入：把你的历史会话装进记忆库

增量导入（默认，读 checkpoint；首次自动全量） dsh-mem0-import --since-last 常用变体： --full 全量重导（忽略 checkpoint） --session <file> 只导指定 session --dry-run 先看统计不落盘 --server <url> 自定义 mem0-server 地址 --dsh-home <dir> 自定义 DSH 数据根（默认 $DSH_HOME）（npm 安装后 dsh-mem0-import 为全局命令；源码方式安装时用完整路径
node <包目录>/bin/dsh-mem0-import.mjs，参数相同）

首次全量导入会调用 LLM 提取事实（按 token 计费，千条会话约几毛~几块钱量级）；之后的增量交给三档机制（见下），不需要手动管理。

可以不手动跑首次导入吗？ 可以——第一次会话结束时（dispose），自动导入会因为没有 checkpoint 而自动全量。但注意：Web 会话是长期存活的，dispose 通常要等进程退出/重启——期间记忆库是空的（你第一段对话的内容要等这段对话结束后才进库）。建议首次手动跑一次（上面一条命令），立即生效；之后全自动。

首轮导入要多久？ 经验值：每批约 1-2 分钟（含向量化 + LLM 事实提取）。新用户（历史会话不多）约 10-30 分钟；历史会话很多（几十个）约 1 小时+。最大变量是 API 状态——向量/提取 API 服务抽风时耗时可能翻倍（可稍后重跑续传）。中断不可怕：重跑只会重复断点那一批（mem0 hash 去重兜底），不是从头再来。

日常使用（对话过程中无感注入记忆上下文）

- 对话时：插件自动召回注入（每轮 ~5-10 秒，可配置跳过）
- 记忆入库：三档机制，默认零配置——
- ① 自动（默认）：会话结束时自动增量导入新消息（插件挂 session/disposed 钩子，只处理上次导入后的增量，不重复烧 token）
- ② 手动：任何时候想同步，一条命令：dsh-mem0-import --since-last（npm 安装后可直接用命令名）
- ③ 定时（进阶）：想要固定节奏，用系统定时任务（Windows 任务计划 / cron / systemd timer）定时跑 dsh-mem0-import --since-last 即可
- 调参/查看配置：改 $DSH_HOME/profiles/web/cordis.patch.yml 里的 config 段（见步骤 5）；想看成稿后的完整合成配置，用 dsh --profile web --dump-config

说明：本项目只导入「对话内记忆」（你的 DSH 会话），不处理 SESSION-STATE / 其他持久性文件（如USER、IDENTITY 等）。

主动搜索（像用搜索引擎一样主动查记忆）

自动注入是「无感带记忆」；想明确查记忆库里有什么时，用 dsh-mem0-search（与自动注入共用同一个记忆库，混合检索/补捞/降级全能力都在）：

dsh-mem0-search "上次说的消息格式规范" # 默认 top 5，全部来源 dsh-mem0-search "项目技术栈" --source DSH --limit 10 # 只搜指定来源 dsh-mem0-search "8月的决定" --from 2026-08-01 --to 2026-08-31 # 日期窗口 dsh-mem0-search "关键词" --json # 原始 JSON（脚本友好）

日期窗口查询走 scroll + 重排，耗时 20-60s 属正常（普通查询远快于此）。

可配置参数表

| 配置项 | 默认 | 说明 |
| serverUrl | http://127.0.0.1:18200 | 标准 mem0 服务地址 |
| limit | 5 | 每轮注入记忆条数上限 |
| scoreThreshold | 0.15 | 相关度阈值（低于则不注入） |
| timeoutMs | 20000 | 召回超时（超时自动跳过，不影响对话推进，只影响本轮回答的搜索结果注入） |
| source | （空） | 只召回指定来源（多源场景） |
| probePath | （空=关） | 排障探针日志文件路径（设置后才写文件） |
| autoImport | true | 会话结束自动增量导入（关 = 只用手动/定时） |
| excludeWorkspaces | [] | 不召回的工作区名单（子串匹配会话 cwd；另 0_ 前缀工作区写死排除） |
| autoStartServer | true | DSH 启动时确保 mem0 server 在跑（探测 /health，未在跑自动拉起一次；DSH 退出不带走 server） |
| pythonPath | （空） | 自动拉起 server 用的 python 路径（默认 python/python3；venv 用户可指定） |

工作原理

flowchart LR
A[DSH 会话日志zstd append-only] -->|G1 解析器清洗+按轮提取| B[对话批次]
B -->|POST /import| C[(mem0 向量库Qdrant + SQLite)]
D[新会话提问] -->|agent/pre-step 钩子| E[dsh-mem0-memory 插件]
C -->|混合检索dense 语义 + BM25 关键词| E
E -->|注入 relevant-memories| F[LLM 回答]
F -->|会话结束 dispose| A

写入、召回、增量、防污染等机制细节见各功能章节与源码（lib/、bin/、scripts/）。

内置补丁模式（关键定制化功能点以补丁方式生效）

流程图里的「混合检索」「中文支持」等能力，落地为四个补丁，在 server 启动时自动应用：

所有定制都以 monkey-patch（运行时替换） 方式应用——不修改 mem0 安装目录的任何文件，pip install -U mem0ai 升级不会丢失补丁，卸载插件不留痕迹。任何补丁应用失败都只降级不中断（日志 WARN），对话/导入不受影响。

四个补丁中，前三个共同构成「中文开箱即用」能力：jieba 保证检索侧中文关键词可命中，提取语言保证写入侧事实保持中文，DeepSeek 补丁保证提取侧不空转。

四个补丁明细（点击展开）

| 补丁 | 作用 | 失败后果（仅 WARN 降级） |
| jieba 中文分词（lemmatize_for_bm25 ×3 引用点） | mem0 默认 spaCy 英文分词对中文失效（连续中文在 SPLADE 编码下几乎无 token，BM25 关键词通道残废）。替换为 jieba 后：写入侧（事实的 text_lemmatized）与查询侧都正确分词，中文关键词（专有名词/ID/路径）在 hybrid/topup/降级全通道精确命中 | 中文关键词检索退化（语义检索仍可用） |
| 提取语言（use_input_language=True） | mem0 默认把输入内容提取成英文事实——中文对话会被 LLM 翻译成英文落库，中文关键词检索随之失效。强制按输入语言提取（prompt 追加 Language Requirement 段） | 事实被提取为英文（语义跨语言检索仍可召回） |
| DeepSeek 补丁（thinking 关闭 + 去 response_format） | DeepSeek 新模型默认 thinking 会把 max_tokens 全部烧在推理上（finish_reason=length, content=""）→ mem0 静默视为 0 事实入库；且 v4-flash 在 json_object+长 prompt 下返回空内容。强制关闭后机械提取任务更快更省且必有产出 | DeepSeek 用户提取可能 0 事实（换其他 LLM 无影响） |
| API 超时（embedding/deepseek 120s） | 官方不设 client 超时，API 长时间无响应会拖住请求线程 | 无（仅防挂起） |

限制及 FAQ

| 问题 | 回答 |
| 安装后每轮对话回复会慢多少？ | 实测召回日常约 5-10 秒/轮（同步注入）。偶尔冷启动轮次可能超过15 秒。可设 timeoutMs 或关闭插件按需手动召回 |
| Embedding API 挂了会怎样？ | 混合通道自动降级为纯关键词通道：BM25 搜索是本地模型（离线可用），召回降级为纯关键词匹配并标注 degraded；仍不可用则本次跳过召回，不影响对话 |
| mem0 服务和 DSH 是什么关系？独立吗？ | 完全独立的两个进程：DSH = Node 进程（对话 + 插件宿主）；mem0 服务 = 独立 Python 进程（HTTP 服务，端口 18200）。互不依赖对方才能启动，插件只是通过 HTTP 调用它。DSH 崩溃/重启不影响 mem0；mem0 挂了也不影响 DSH 对话（召回自动跳过） |
| 需要一直开着 mem0 服务吗？ | 是的——它是记忆的「大脑」，建议常开。不开/服务崩溃的后果：① 对话侧召回自动跳过，聊天完全正常（表现为换对话失忆回归）② 导入失败，当日记忆不更新（可后续补跑，不丢数据）③ 手动查询报错。数据不会丢——记忆库是磁盘文件，服务重启即恢复 |
| 记忆库会泄露吗？ | 本地 Qdrant + SQLite，不出机器；API Key 仅用于 embedding/LLM提取调用 |
| 与「官方记忆」什么关系？ | DSH 官方无内置记忆；本插件是社区路线 |
| 会不会把坏数据写进会话？ | 注入遵循 DSH 消息规范（id + 块数组），召回失败自动跳过，绝不破坏会话 |
| 「自动增量导入」是如何实现的？ | 每个会话一个 checkpoint（lastSeq）。同一会话反复结束多少次都不会重复处理；中途崩溃最多重复一次窗口，由 mem0 精确 hash 去重吸收 |
| 支持 Windows 吗？ | 核心跨平台；随附脚本 Windows/Linux 均可（Windows 用 scripts/start-server.bat，Linux/macOS 用 scripts/start-server.sh） |
| 插件装了但没生效？ | ① 确认 dsh plugin --profile web add 已成功（插件在 profile bundles 清单里）② 服务端插件无热重载——改完必须重启 DSH web ③ probePath 开启探针日志可定位 |

项目状态

- 实验性（alpha）。生产环境使用前请自行评估。
- 已知边界：DSH Developer Preview 版本升级可能破坏兼容；mem0 v2 语义（ADD-only + hash 去重）；DeepSeek 之外的 LLM 未逐一适配（DeepSeek 补丁仅对其生效）。
- 开发过程记录（含事故复盘、隔离验证）见项目文档；召回后处理逻辑移植自 OpenClaw mem0-memory 插件；zstd 帧解析移植自 DSH 官方 persistence 源码。
- 反馈：欢迎提 issue / PR（GitHub Issues）。更新可能不及时，但会优先处理召回质量问题、安装问题——你踩的坑就是我们的测试。

License

MIT（见 LICENSE）。This project is not affiliated with DeepSeek.