dsh-self-memory — DSH 自记忆插件

> 给 DeepSeek Harness 智能体装上跨会话的「经验记忆」：遇到问题自动查历史方案、自动留痕、自动回写——新会话不再重复踩坑。

  

这是什么

DSH 自记忆插件（v0.3）把会话中遇到的问题、多种解决方法、脚本文件路径与模型调用全过程结构化记录下来；新会话中，「先查记录 → 有就试 → 成功标命中/失败记根因 → 无则自研 → 最后回写」的闭环自动发生，并支持外部导入解决方法。零运行时依赖、纯本地、离线可用。

快速开始（3 步上手）

1. 安装

dsh plugin --profile web add <本目录>

免重启热挂载：对 AI 说 dev_install_package {"dir": "<本目录>"}。

2. 验证已生效

对 AI 说：selfmem_status → 返回 plugin=v0.3.0 recordsSchema=2 records=… solutions=…。 （代码更新后需 dev_reload_package dsh-self-memory，或重启 dsh 由 bundles 重新装配。）

3. 第一次使用

• 什么都不用做：你每次发消息，插件都会自动检索历史记录并以 <selfmem_memory> 围栏注入上下文；
• 手动检索：对 AI 说 selfmem_search {"query":"如何识图"}；
• 查看自动采集的会话轨迹：selfmem_trace。

日常闭环（AI 侧）：遇到问题 → 看自动注入的历史方案 → 有就执行，成功 selfmem_hit、失败 selfmem_fail 记根因 → 没有就自行解决 → selfmem_record 写回。

要求

• @deepseek-ai/dsh 0.1.x 发布线（rc 版可）
• Node.js >=22
• 零运行时依赖：只用 Node 内建模块；DSH 侧只注入 tools 服务

设计说明

为什么召回注入走用户消息，而不是 system prompt

召回与历史方案通过 agent/inbox 以来源归属的用户消息（source: { kind: 'plugin', plugin: 'dsh-self-memory' }）追加。刻意不进 system prompt：某些 preset 的 persona 声明 complete: true（如 stock minimal）会把该 persona 恢复为唯一 prompt 段，静默丢弃其他插件的所有贡献——基于 system prompt 的记忆插件在这种 preset 下会无声失效。用户消息注入还可重放、对压缩可见、不进入 request/header。

为什么注入内容带围栏与来源标注

召回块以 <selfmem_memory> 包裹并声明「启发式检索，可能不相关；如不相关请忽略」——记忆只是证据，不是指令，降低注入误导与 prompt 注入风险；同时采集端按 source.kind='plugin' 白名单排除一切插件注入文本，防止记忆把自身注入的内容再记回去（自污染/反馈环）。

为什么保持本地零依赖

对比 OpenViking/Hindsight 的「服务端记忆」方案：本地存储 + 本地检索意味着离线可用、自包含、对话不离开机器。代价是语义检索能力有限（关键词/泛化/倒排），向量与 LLM 提取列入路线图（见「已知局限」）。

配置

在 profile 的 cordis.patch.yml 覆写：

- insert:
    - id: self-memory
      name: dsh-self-memory
      config:
        autoRecall: true
        recallBudget: 800
        captureEnabled: true

行为（钩子清单）

• system-prompt/assemble：跟踪当前 agent 句柄（供 inbox 注入）。
• session/event（user/message，source.kind='user'）：写入轨迹 + 触发自动召回注入。
• session/event（assistant/message）：写入轨迹。
• 注入排除：source.kind='plugin' 的消息一律不采集、不触发召回。
• 写操作（record/hit/fail/import）：经串行队列执行；失败自动入 pending.jsonl，下次启动重放（去重）。
• 工具注册前过 validateToolSchema：非法 schema 直接拒绝注册（防 400 事故复发）。

核心能力

工具一览

使用示例

记录一个带前提的方案

selfmem_record {"problem":"断网时如何安装插件","solution":"解压本地包 → dsh plugin add <目录> → pnpm install → dev_install_package 热挂载","keywords":{"plugin":1,"network":0.6},"appliesTo":{"network":"no"}}

前提感知检索（不同前提返回不同方案并标注）

selfmem_search {"query":"如何识图","context":{"model_vision":"no"}}
→ sol-offline-script（适用）；sol-switch-model 标注 [不适用当前前提]

外部导入

selfmem_import {"source":"examples/import-demo.json"}

标记成功 / 失败

selfmem_hit  {"query":"断网时如何安装插件","solutionId":"s-…"}
selfmem_fail {"query":"…","solutionId":"s-…","rootCause":"…"}

记录结构

{
  "schema": 2,
  "problem": "原始问题（含细节）",
  "abstractProblem": "泛化问题（细节隐去，自动生成）",
  "problemType": "…",
  "keywords": { "plugin": 1, "network": 0.6 },
  "tags": ["…"],
  "preconditions": { "network": "no" },
  "solutions": [
    { "id": "s-…", "method": "…", "scripts": [], "modelCalls": [],
      "appliesTo": { "network": "no" }, "conflictsWith": ["s-…"],
      "status": "active|superseded|conflicting",
      "hits": 0, "failedAttempts": 0, "rootCauses": [] }
  ]
}

项目结构（零依赖，纯 JS）

dsh-self-memory/
├── entry.js            # 公共出口
├── index.js            # 工具注册 + 事件钩子（采集/注入/队列）+ schema 守卫
├── lib/
│   ├── store.js        # JSON 持久化（v1 自动迁移 v2）
│   ├── ops.js          # 可序列化操作（record/hit/fail/import，纯函数）
│   ├── writer.js       # 写路径串行队列 + pending 重放
│   ├── capture.js      # 事件驱动轨迹采集（插件源排除）
│   ├── inject.js       # 召回注入 + CJK token 预算
│   ├── search.js       # 打分：加权关键词 + 泛化 + bigram + 前提匹配
│   ├── indexer.js      # 倒排索引（快速候选集）
│   ├── norm.js         # 关键词规范化 + 同义词 + 问题泛化
│   └── seed.js         # 初始知识
├── tests/              # 单元测试（node:test，零依赖）
├── examples/           # 使用示例（如 import-demo.json）
├── cordis.patch.yml    # bundle 装配补丁
├── LICENSE             # MIT
└── package.json        # dsh.bundle.patch -> cordis.patch.yml

存储位置

~/.dsh/self-memory/

• records.json — 结构化记录（{schema:2, records:[...]}，v1 自动迁移）
• sessions/<会话>.jsonl — 自动采集的原始轨迹（user/assistant，上限 1MB/会话）
• pending.jsonl — 写失败待重放队列（去重）

测试

node --test   # 19 个单元测试：norm / search / store / schema / inject / ops

已知局限

• 检索是关键词/泛化/倒排（无向量语义检索）——计划引入本地 embedding（可复用 DSH host-llm）
• 轨迹自动采集但不自动提炼为记录——批量 LLM 提取（任务末打分回溯）列入路线图
• 同一问题多方案靠前提区分，仍需要 AI 在记录时给出 appliesTo
• 单文件 JSON 存储，记录达万级后可迁移 SQLite

许可证

MIT — 见 [LICENSE](./LICENSE)。