DSH Plugins Marketplace

DSH Plugins

Plugins

/

Memory & Context

/

alice-memory

a

alice-memory

Manifest valid

Long-term memory for DSH: rule gates capture durable facts from conversation turns into a single SQLite database with tiered hot, warm and cold storage; recall injects hybrid vector plus FTS5 hits int

hasBundlePatch

alice-memory

给 DeepSeek Harness 用的长期记忆插件。

会话结束后自动把值得记的东西落库,下一轮对话时按语义相关性静默召回。另外给一组显式工具,随时记、随时想、随时忘。

两个版本,同一份数据。 本仓库是默认零模型调用那条:不额外花钱、不额外发请求,装完不配任何东西就能跑,代价是判定靠形式规则——规则能拦形式,拦不住内容,形式过关的闲聊也会被记下来。想要更干净的库、不在乎那点模型调用费,用支线 alice-memory-llm:捕获不再靠规则闸门,随口闲聊进不来,只把主对话模型提炼出的一句话条目写进库。数据目录、表结构、向量检索和工具都一样,两条线随时换着装,记忆不会丢。

零第三方依赖,纯 Node(node:sqlite),不需要 Python、不需要额外数据库服务。

测试基线:开发与验证全部在 npm 方式安装的 DSH 上完成(npm i -g @deepseek-ai/dsh,浏览器打开 dsh web 的 GUI)。Electron 桌面版没有测过,不保证能用。


它能干什么

自动捕获 + 自动召回。 每轮结束时判断这段对话值不值得记——「好的」「继续」、斜杠命令、插件自己的注入都会被过滤掉——压缩成脱敏后的问答文本落库。下一轮对话开始前,按语义相关性静默取回最相关的几条塞进上下文,你不需要开口说「回忆一下」。

手动记、手动想。 你说「记一下」「记住」,它写一条 pinned 记忆,永久保留、不衰减、不会被清理。你说「回忆一下」「之前那个」,它主动检索给你。

冷热衰减分层。 不是所有记忆都值得每轮扫一遍。按「时间衰减 + 被强化次数」把记忆分成 hot / warm / cold,只有热的常驻内存参与每轮检索,冷的留在磁盘上按需唤醒。记忆量从几十条长到上万条,召回延迟基本不变。

批量整理工具。 记忆会不知不觉混进没用的条目,也会把同一件事记成好几遍。alice_memory_tidy 用一个入口干三件事:翻条目、按 id 批量删、把多条合并成一条新总结。代码先用向量把「可能重复」的成簇、把空壳挑出来,把候选池收紧,语义判断留给你。

可以接入 cron 自动整理。 插件本身不做调度——要不要定期整理、隔多久一次、整理完报告投到哪,都是你自己的事。想每半月跑一轮的话,见 TIDY.md 末尾那份可直接喂给 agent 的任务说明。

记忆是普通数据。 存在一个 SQLite 文件里,可以看、可以 export 成 jsonl、可以精准删、可以整个库搬走。


适用人群

适合你,如果:

  • 你天天用 AI 干活,希望它能记住上周定下的方案、这个项目用的规范、你反复交代过的偏好。
  • 你的记忆量迟早会上千条,而「把所有历史塞回上下文」早就撞墙了。
  • 你接受为 embedding 付费,或者愿意在本机跑一个向量模型(不配也能用,只是退化成关键词检索)。
  • 你想让记忆可见、可改、可删,而不是黑箱。

不适合你,如果:

  • 你只想记几条稳定的小事实(喜欢什么语言、这个项目用什么包管理器)。那种场景用 Markdown 文件 + 每轮注入就够了,简单、透明、零成本,还能用 git 管。
  • 你的环境装不了 Node,或者用不了 node:sqlite(要求 Node ≥ 24)。

用之前要想清楚的代价

一、想要语义召回,就必须自己配一个向量服务。

不配也能用——插件会自动退化成纯全文/关键词检索:记忆照常写、照常召回,只是「上次那个备份」和 memory-backup-20261008 这种换个说法的情况对不上号。这是默认状态,零成本、零外部依赖。

要开启真正的语义召回,填 embedding.url / embedding.model,再把 key 写进 $DSH_HOME/.env。两条路:

  • 调云端 API。 便宜但不是免费,而且记忆正文会发给服务商。任何 OpenAI 兼容的 /v1/embeddings 接口都行,不限于某一家。
  • 本机跑模型。 数据不出机器,但要自己装、自己维护,占内存也占启动时间。

这两条都不接受的话,就停在纯文本检索模式——功能完整,只是召回靠字面匹配。

二、冷层不是免费午餐。

老记忆不在内存里,召回时要唤醒后台线程扫磁盘,那份延迟算在你这一轮的等待里。

三、复杂度是真的。

这套东西比「一个 Markdown 文件」复杂得多。出问题时排查路径更长,所以带了 CLI 和 doctor 子命令。如果你不需要跨几千条记忆做语义召回,这些复杂度就是白付的。

四、两个版本各有各的代价。

本仓库是规则判定:零成本,但拦不住「形式过关、内容没价值」的闲聊。LLM 版判定更准,但每次提炼要调一次模型,那是真金白银。


安装

第一步,装插件。

dsh plugin --profile <你的 profile> add dsh-alice-memory

国内网络加个镜像会快很多:--registry https://registry.npmmirror.com。

不想走 npm,也可以从 git 装(要求 GitHub 直连可达):

dsh plugin --profile <你的 profile> add github:cycocyco/alice-memory

想先看一遍代码再装,就链本地源码:

git clone https://github.com/cycocyco/alice-memory.git
dsh plugin --profile web add file:/absolute/path/to/alice-memory

第二步,重启 DSH。

插件是后端插件,改完必须重启进程,没有热重载。装完重启,插件会自己建库、自己往内存里灌索引,不需要初始化脚本。

要求 Node ≥ 24(node:sqlite 从 24 起稳定)。

第三步,确认它跑起来了。

alice-memory status

到这一步就已经能用了——捕获、召回、工具全部工作,召回走全文/关键词通道。

第四步(可选,但强烈建议):接一个向量服务,开启语义召回。

见下面的配置一节。不接也能用,只是换个说法就召不回来了。

配置

插件开箱即用,默认配置在 lib/config.mjs 里。要改就把 config.example.json 复制成插件目录下的 config.json(config.json 已在 .gitignore 里,不会被提交)。

默认不预设任何向量服务商——embedding.url 和 model 都是空的。想开启语义召回,自己填:

{
  "data_dir": "",                    // 留空 = $DSH_HOME/alice-memory
  "scope_id": "default",             // 多套记忆用不同 scope 隔离
  "api_key_env": "EMBEDDING_API_KEY",// 密钥从这个环境变量读
  "embedding": {
    "url": "",                       // 任何 OpenAI 兼容的 /v1/embeddings 接口
    "model": "",                     // 服务商侧的模型名
    "dimensions": 1024               // 必须和模型的输出维度一致
  },
  "recall": { "limit": 3, "timeout_ms": 6000, "max_chars": 400 },
  "capture": { "min_prose": 25, "daily_cap": 150 },
  "memory": { "hot_max": 3000, "warm_max": 12000, "half_life_days": 45 }
}

然后把 key 放进 $DSH_HOME/.env(默认 $DSH_HOME 是 ~/.dsh):

EMBEDDING_API_KEY=你的密钥

比重之优先级:环境变量 > config.local.json > config.json > 内置默认值。

改完用 alice-memory doctor 验一下。 它会真发一次请求,告诉你连通性和维度对不对:

embedding   https://你的服务商/v1/embeddings 你的模型 dims=1024
api key     ok
probe       ok (1024 dims)

没配的时候它会直接说 未配置(url / model / key 缺一),不会假装成功。

换模型等于全库重嵌,维度变了尤其麻烦,选之前想清楚。之前没配、跑了一段时间纯关键词模式的库,配好之后已有的记忆会在后台自动补齐向量,不用手工干预。

工具

工具什么时候用
alice_memory_save「记一下」「记住」——手动存一条,默认 pinned,不衰减
alice_memory_recall「回忆一下」「之前那个」——主动检索
alice_memory_forget「删掉关于 X 的记忆」——按 id 精确删;按关键词只列命中,带 confirm 才真删
alice_memory_prune「清理冷记忆」——列出长期没被召回的冷记忆,默认只预览
alice_memory_tidy「整理记忆库」「合并重复的记忆」——翻条目 / 批量删 / 合并,默认只出 diff

整理功能的用法见 TIDY.md。

命令行

排查问题比翻日志快:

alice-memory status                        # 条数 / 分层分布 / key 是否可用
alice-memory doctor                        # 真发一次 embedding 探活
alice-memory recall "上周说的那个方案"       # 看召回结果和耗时分解
alice-memory remember "以后都用 pnpm" --title 包管理
alice-memory list --keyword 代理 --limit 20 # 翻条目
alice-memory tidy                          # 整理候选:重复簇 / 空壳 / 久未用
alice-memory merge --ids a,b,c --content "总结" --apply
alice-memory forget --ids a,b,c            # 精确批删
alice-memory export dump.jsonl
alice-memory migrate --from /old/memory-store  # 把散落在别处的旧库并进当前库

--dir 可以把整套库指到别处试跑,优先级最高(压过环境变量),不会碰你正在用的库。

隐私

三条要说清楚:

  1. 配了向量服务的话,记忆正文会发给你配的那家。 不想让某段内容外发,就用本地模型,或者把 embedding.url 指到自己的网关。不配就完全不出网。
  2. 默认带脱敏。 redact: true 时,sk-、ghp_、github_pat_、xoxb-、AKIA、Bearer、JWT、长 hex、base64 块、-----BEGIN ... PRIVATE KEY----- 会被替换成 [redacted:xxx] 再入库。这是兜底,不是保险箱——别指望它挡住所有形态的密钥。
  3. 数据全在你自己的机器上。 库文件在 data_dir 里,插件不联网、不上传、不统计。仓库里没有任何数据文件。

.gitignore 已经排除了 *.sqlite3*、config.json、.env——如果你把 data_dir 指到仓库里面,记得别手滑 git add -f。

更多

  • ARCHITECTURE.md —— 数据模型、召回流程、性能实测、为什么不选更简单的做法
  • TIDY.md —— 整理记忆库:候选怎么来、删和合并怎么做、怎么接成周期性任务
  • CHANGELOG.md —— 每个版本改了什么、升级会自己做什么

License

MIT

Comments

Loading…

Similar plugins

dsh-memory-vault

by xying-lm

5GB local long-term memory for DeepSeek Harness: SQLite/FTS5 auto-capture, per-turn recall injection, web panel. Zero runtime dependencies.

Development & InfrastructureMemory & ContextManifest valid

★ 1

MIT

JavaScript

Oct 21, 2026

dsh plugin --profile web add dsh-memory-vault

by kenz1117

Cross-session long-term memory under the "memory palace" metaphor: dual-scope SQLite stores (user + per-git-origin project), hybrid FTS5 + local-vector retrieval with RRF fusion and recency/proof rank

Memory & ContextManifest valid

★ 75

↓ 3k/wk

MIT

TypeScript

Nov 17, 2026

dsh plugin --profile web add @kenz1117/dsh-engram

by menotbobbybrown

Persistent long-term memory for DeepSeek Harness: a JSON store of typed entries (fact, preference, entity, rule, episodic) exposed as the memory_remember and memory_recall agent tools, with recall ran

Memory & ContextManifest valid

★ 0

MIT

TypeScript

Sep 8, 2026

dsh plugin --profile web add @modelnorth/dsh-plugin-memory

by zhujunpeng12

Local-first persistent memory infrastructure for DeepSeek Harness: hot bootstrap, Chinese-BM25 cold recall, lease-lock transactional writes, read-only governance

Memory & ContextManifest valid

★ 7

↓ 550/wk

MIT

TypeScript

Nov 1, 2026

dsh plugin --profile web add @zhujunpeng12/dsh-memory-system

Persistent memory for DeepSeek Harness with curated facts, automatic turn retention, and graph- and vector-ranked recall.

Memory & ContextManifest valid

★ 0

↓ 59/wk

dsh plugin --profile web add @yushenghai/dsh-memory-plugin

by EternalNight996

Self-built DSH memory plugin: SQLite persistent storage + database-level audit guard (enforceAudit) + audit log. Auto-captures knowledge after conversations, agents recall via memory_recall, supports

Memory & ContextManifest valid

★ 202

↓ 7k/wk

MIT

JavaScript

Nov 18, 2026

dsh plugin --profile web add memory-eternal