alice-memory-llm
Manifest validLong-term memory for DSH where an LLM decides what to keep: turns pool while the session is idle, then the main chat model distills them into one-line entries in a single batched call; vector dedup ru
alice-memory-llm
给 DeepSeek Harness 用的长期记忆插件,LLM 提炼支线。
和主线 alice-memory 是同源代码:库文件布局、表结构、向量检索、分层热度、工具全部一样,数据目录也共用同一个($DSH_HOME/alice-memory),所以你可以在两条线之间来回切换而不丢记忆。
唯一的分歧在「什么值得记」:
- 主线:逐条规则闸门。形式对就进库,零模型调用,省钱但会混进闲聊。
- 本支线:规则只做粗筛,真正的裁决交给你的主对话模型。静默几分钟后一次性批量提炼,只把一句话条目写进库,不存原文。
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,但由模型决定记什么。 规则只做粗筛(挡掉斜杠命令、纯应答词、插件自产文本),真正的判断交给你的主对话模型:静默五分钟后一次性提炼,只把「用户明确表达的偏好 / 交代的长期事实 / 双方拍板的决定 / 用户当场纠错」写进库。随口闲聊进不来——这是它相对主线最大的价值。
一句话条目,不是原文。 库里存的是提炼后的结论,不是整段对话。同样的记忆量,占的空间和检索噪声都小得多。
自动召回。 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,不需要你开口说「回忆一下」。
手动记、手动想。 「记一下」写一条 pinned 记忆,永久保留、不衰减。「回忆一下」主动检索给你。
冷热衰减分层。 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。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。 alice_memory_tidy 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,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、报告投到哪,都是你自己的事。见 TIDY.md 末尾那份任务说明。
适用人群
适合你,如果:
- 你受不了记忆库里混进「好的」「继续」这类废话,希望只有真正值得记的东西进来。
- 你已经在用付费的对话模型,不介意多花一点让它帮你整理记忆。
- 你的记忆量会上千条,需要语义召回而不是关键词匹配。
- 你想让记忆可见、可改、可删。
不适合你,如果:
- 你不想多花一分钱。 这个版本每次提炼都会发一次真实的
chat/completions请求。不想付这笔钱就用主线 alice-memory,零模型调用。 - 你只想记几条稳定的小事实。那种场景用 Markdown 文件就够了。
- 你用的是「内置账号登录」型的主模型(比如直接登官方账号),而
settings.yaml里没有 provider 段——插件读不到模型地址,提炼会失败。这种情况得自己配一个 OpenAI 兼容 provider。 - 你的环境装不了 Node(要求 Node ≥ 24)。
用之前要想清楚的代价
一、这会花你的模型调用费。 不是所有人都愿意为「记得更准」付这笔钱,所以摆在最前面说。
| 主线 alice-memory | 本支线 | |
|---|---|---|
| 捕获时的模型调用 | 0 次 | 每次提炼 1 次 chat/completions |
| embedding 调用 | 有 | 有(一样) |
| 默认每天最多调用几次 | — | 50 次 |
| 存进库的内容 | 每轮问答原文 | LLM 提炼的一句话条目 |
一次提炼的用量大致是:输入约 400 token 固定指令 + 本次待提炼的对话原文(每轮截断:用户 500 字、助手 200 字);输出上限 2048 token,实际通常两三百。
已有记忆不进提炼提示词——与库内是否重复由入库前的向量判重裁决,所以这笔输入不随记忆库变大而变贵。
按你主模型的价目表乘一下就知道多少钱。插件不预估、不代付、不兜底——费用直接记在你 settings.yaml 里那个 provider 的账上。想改上限设 capture.maxDailyExtractions,到顶后当天不再提炼。
二、向量服务不配也能用,但语义召回会退化。 插件不预设任何向量服务商,embedding.url 和 model 默认是空的。不填就退回纯全文/关键词检索:记忆照常写、照常召回,只是换个说法就对不上号。而且向量判重也会随之失效(fail-open,不拦任何条目),重复条目会更容易进库。
要开启语义召回,填 embedding.url / model 和 key。两条路:云端 API(便宜但正文会发给服务商),或本机跑模型(数据不出机器,但要自己装)。
三、必须有一个能在 settings.yaml 里解析到的 LLM provider。 这是最容易踩的坑,见下面「安装后必须做的三件事」。
四、会出网的地方有两个。 配了 embedding 才会发正文给服务商;提炼则一定对话原文发给你的主模型。原文只是过路,不落盘、不进库,但它确实离开了本机。
安装
dsh plugin --profile <你的 profile> add dsh-alice-memory-llm
国内网络加个镜像:--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-llm
想先看一遍代码再装,就链本地源码:
git clone https://github.com/cycocyco/alice-memory-llm.git
dsh plugin --profile web add file:/absolute/path/to/alice-memory-llm
要求 Node ≥ 24(node:sqlite 从 24 起稳定)。
安装后必须做的三件事
大部分人是把仓库地址直接丢给 agent 装的。如果你是那个 agent,装完请按顺序把下面三条走完,别停在第一步。
1. 建议配一个 embedding(不配也能跑)
插件不预设任何向量服务商,embedding.url 和 model 默认空着。不填的话:捕获和召回都正常,只是召回退化成全文/关键词检索,而且向量判重失效。
想开启语义召回,把 key 放进 $DSH_HOME/.env(默认 $DSH_HOME 是 ~/.dsh,被 DSH_HOME 环境变量覆盖):
EMBEDDING_API_KEY=你的密钥
再在 config.json 里填 embedding.url / embedding.model / embedding.dimensions,以及需要的话改 api_key_env。url 要任何 OpenAI 兼容的 /v1/embeddings 接口,不限于某一家服务商。 换模型等于全库重嵌,维度变了尤其麻烦,选之前想清楚。
配完用 alice-memory-llm doctor 验连通性和维度。
2. 必须有一个在 settings.yaml 里声明过的 LLM provider
插件从 $DSH_HOME/settings.yaml 的 llm-pi-ai.providers 里找 provider。如果你的主对话模型是「内置账号登录」那种(比如直接登 DeepSeek 官方账号),settings.yaml 里没有 provider 段,插件读不到它的地址,提炼会直接失败,日志里写 宿主 LLM provider 未找到。
这种情况你得自己在 settings.yaml 里加一个 OpenAI 兼容的 provider,或者用 capture.model 指定一个已配置 provider 下的模型名。
3. 重启 DSH,然后确认它真的跑起来了
插件是后端 cordis 插件,改完必须重启进程,没有热重载。重启后验证:
alice-memory-llm status
看到这两行才算通了:
extract cursor 3 | today 1/50 | entries 4
embedding 未配置 —— 当前只走全文/关键词召回,向量通道关闭
embedding 那行说「未配置」是正常的——不配向量也能用。配了的话它会显示模型名和 (key ok)。
cursor (none yet...) 不算故障——说明还没有「一轮对话结束 + 静默满 idleMs」的完整窗口。安静十分钟再看。
真出问题就看后端 stderr,插件所有日志都带 [alice-memory-llm] 前缀。
配置
把 config.example.json 复制成插件目录下的 config.json(已在 .gitignore 里)。完整说明见文件里的 _readme 段,几个关键的:
{
"capture": {
"idleMs": 600000, // 静默多久触发提炼
"model": "inherit", // 跟随主对话模型
"maxDailyExtractions": 50 // 每天最多调几次模型(失败也算一次)
}
}
这三个都直接决定花多少钱。
工具
| 工具 | 什么时候用 |
|---|---|
alice_memory_save | 「记一下」——手动存一条,绕过全部粗筛和提炼,默认 pinned |
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
alice-memory-llm status # 库概况 + 提炼游标和今日额度
alice-memory-llm doctor # 真发一次 embedding 探活
alice-memory-llm recall "上周说的那个方案"
alice-memory-llm list --keyword 代理 --limit 20
alice-memory-llm tidy # 整理候选:重复簇 / 空壳 / 久未用
alice-memory-llm merge --ids a,b,c --content "总结" --apply
alice-memory-llm export dump.jsonl
更多
- ARCHITECTURE.md —— 提炼机制、怎么选模型、prompt 结构、数据模型
- 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 —— 版本历史
License
MIT
Comments
Loading…
Similar plugins
LLM-driven remember/forget memory: after each turn a model decides what to keep (MemoryDirector), injects relevant memories before each step, dedups, and persists cross-session.
★ 0
dsh plugin --profile web add @agentframe/dsh-memory-directorby LittleBlackTong
Long-term cross-session markdown memory with an LLM-Wiki structure and a SOUL.md persona, injected at session start (by default only after the first user message and only in the active session), plus
★ 39
↓ 13.5k/wk
MIT
JavaScript
Nov 17, 2026
dsh plugin --profile web add dsh-plugin-memoryby yangyongzhen
Long-term memory injected at session start: preferences/facts/summaries/knowledge in global and per-project scopes, budgeted recall via `agent/pre-step`, durable JSON store.
★ 1
↓ 669/wk
JavaScript
Aug 15, 2026
dsh plugin --profile web add dsh-memoryby dogbotowo-oss
Long-conversation memory for DeepSeek Harness (DSH): keeps settled decisions, user corrections and exact numbers, with their conditions and sources, available across compaction and restarts in 100-100
★ 1
MIT
JavaScript
Oct 31, 2026
dsh plugin --profile web add dsh-long-memoryby mllun
Layered long-term memory for DeepSeek Harness: a ~600-char hot layer, month-archived cold entries with cross-month keyword recall, and extractive day/week/month summaries that keep injected context small.
★ 3
MIT
JavaScript
Oct 26, 2026
dsh plugin --profile web add @local/dsh-memory-layersby JunNanLYS
让 DeepSeek Harness 拥有跨会话长期记忆:AI 自动记住你是谁、你的项目和偏好,新会话直接带上背景,生活与工作记忆自动分开互不干扰,零配置无感运行 | Long-term memory for DeepSeek Harness: the AI remembers who you are, your projects and preferences across sessions,
★ 22
↓ 285/wk
MIT
TypeScript
Sep 7, 2026
dsh plugin --profile web add dsh-layered-memory