gangwolf2312-creator/dsh-memory-bridge

README 摘要

dsh-memory-bridge English 中文 为 DeepSeek Harness 提供 长期记忆 的桥接插件：对话自动沉淀为可检索、可审计、可治理的记忆树，并在后续对话中按需注入上下文。它最初是一个 可进化的私人记忆系统 ——面向个人使用而设计，现在开源出来给有兴趣的人自取。 - 存储：明文 Markdown 真源 + SQLite 索引（可读、可修、可迁移） - 检索：BM25 + 多路 RRF 相关度排序召回（零 LLM、零外部服务） - 治理：遗忘曲线、审计闭环、全局收缩——记忆会老化但可解释 - UI：设置页内 7 个可视化 tab（总览 / 事件图谱 / 知识图谱 / 时间线 / 待审 / 画像 / 审计） 项目定位 核心适用场景：上下文窗口受限的记忆系统。 DeepSeek 云端模型（V4）提供 100 万 token 的上下文窗口 （公开资料），在这个前提下，DSH 自带的机制（resume 恢复整个会话 + compaction 压缩超长上下文）足以维持记忆——"把历史都塞进窗口"是可行的。 但 一旦接入本地模型 （Ollama 等），情况完全不同：上下文窗口通常是 4K-32K，且需显式配置、性能随长度显著下降 （Ollama 文档）——窗口缩小几十倍，"把历史都塞进去"不再可行。 这时候记忆必须结构化、可检索、按需注入 ，而不是依赖长上下文硬扛。 本插件解决的正是这个实用场景 ： 当上下文窗口受限（本地模型 / 小窗口模型）时，如何仍然拥有可用的长期记忆？ 方案：把对话中值得留存的（你是谁、做过什么、哪些决定被认可、哪些经验被验证） 提取、结构化、存储 ，在每轮对话中 只注入相关的几条 （而非全部历史）。即使窗口很小，记忆依然可用。 与 DSH 原生上下文的关系（边界说明） ： 场景 DSH 原生行为 本插件的角色 新会话 历史为空 插件注入是 唯一的跨会话记忆来源 （核心价值） resume 旧会话 全部历史重放进上下文 插件注入 叠加 在历史上（不替代）；两者并行占窗口 长会话超窗 compaction 压缩历史为摘要 插件注入 补充 摘要缺失的细节（互补） 明确的边界 ：本插件注入的是 system prompt 中的动态上下文 （ systemPrompt.context ）， 不替代、不抑制 DSH 的会话历史注入 （历史由 dsh-session 的 deriveMessages 全量生成，插件无 API 裁剪）。 会话内的历史瘦身是 DSH compaction 的职责 ，本插件负责的是 跨会话的持久事实 ——两者互补，不重叠。 用户群体 ： 群体 使用方式 本地模型用户 上下文窗口小（4K-32K），最需要"按需注入"而非"全量塞入"——核心场景 DeepSeek 云端用户 1M 窗口下是"锦上添花"：获得结…

分类