dsh-cultivation

Identified★ 2

A DSH plugin that gives AI characters persistent relationships and evolving user models through long-term interaction.

dsh-cultivation — 角色养成 (Character Cultivation)

一个面向 DeepSeek Harness (DSH) Web 的 AI 角色养成插件。让 DSH 里的角色从一段固定 Prompt，变成一个会随着互动积累关系状态、形成对用户判断，并定期整理这些判断的长期角色。

让 AI 不只是「扮演一个角色」，而是逐渐形成「对你的认识」。

Status

Active development.

当前实现包括：

Persistent Persona（持久化角色设定）
Event Log（事件日志）
Role-specific Appraisal（角色视角的事件评价）
Relationship / Intimacy State（关系状态）
User Beliefs（对用户的长期认识）
Belief-aware Response Generation（认识参与回复生成）
Belief Consolidation（信念整理）
Persistent local storage（本地持久化）

189 tests passed / 0 failed

当前版本 0.3.1（存档版本 v8）。这一版的重点不是加功能，而是把「看着在跑、其实没跑」的东西修掉，并让角色更少地像在念档案。详见 CHANGELOG。

DSH 本身仍在快速迭代，插件兼容性可能随 DSH 版本变化。

Why

传统 AI 角色主要依赖一段固定的 Persona Prompt：

用户 → AI
「你是一个高冷角色，请这样说话。」

每次对话，模型都被重新告知"你是谁"，角色本身不拥有任何随互动积累的状态。

这个项目尝试让角色拥有自己的内部状态：

用户 → Event → Appraisal → Relationship → Belief
        ↓
  Response Generation → Belief Consolidation → 下一轮继续理解用户

核心区别：不是让 AI 每次重新「假装自己是这个角色」，而是让角色拥有一些随互动积累、跨会话保留、并在回复中实际使用的状态。

这不是"一个更复杂的 Prompt"，而是一个状态闭环。

What it does

一个 DSH Web 插件，为每个会话绑定一个可长期养成的 AI 角色：

角色拥有完整的人设与背景（Persona）
每次对话被记录为事件（Event）
每个事件在角色视角下被评价（Appraisal）
关系状态随互动变化（Intimacy）
角色对用户形成带置信度的长期判断（Belief）
这些判断进入后续回复的生成上下文（Response Generation）
系统定期整理这些判断（Belief Consolidation）

最简单的工作原理

                    Persona
                       │
                       ▼
User ──────────────► Conversation
                       │
                       ▼
                     Event
                       │
                       ▼
                   Appraisal
                    /     \
                   /       \
                  ▼         ▼
             Intimacy     Belief
                             │
                             ▼
                    Belief Context
                             │
                             ▼
                    Response Generation
                             │
                             ▼
                     New Conversation
                             │
                             ▼
                    Belief Consolidation
                             │
                             └──────► Belief

Event 是原始流水（发生了什么，不评价）
Appraisal 是事件评价（这件事对我意味着什么）
Intimacy 是关系状态（我和你的关系怎么样）
Belief 是用户模型（我觉得你可能是怎样的人）
Response Generation 读取 Belief（认识参与当前回复）
Consolidation 整理 Belief（让认识更少、更稳定）
Memory 是另一条独立的记忆系统，不被 Consolidation 直接接管

Architecture

lib/
├── core.js      # 纯函数 / 状态逻辑（normalize、migration、event、appraisal、belief、consolidation、prompt 构造）
├── index.js     # Host：DSH 集成、会话生命周期、持久化、编排、LLM 调用
└── client.js    # Web UI：角色库、编辑器、会话选择、头像、关系展示

纯 JavaScript，零运行时依赖（不引入数据库、向量库、Agent Framework）
单 JSON 文件本地持久化 + 原子写
数据版本自动迁移（v1 → v8）
所有状态更新遵循「LLM 提议 → 代码验证 → 确定性执行」，LLM 永远不能直接修改数据

Event / Appraisal / Intimacy / Memory / Belief / Consolidation

层	简单解释
Persona	「我是谁」——用户定义的角色人格、背景、性格、目标
Event	「刚才发生了什么」——一次完整互动（用户说了什么 + 角色回了什么），只记录、不评价
Appraisal	「这件事对我意味着什么」——角色视角下的事件评价，而非客观好坏
Intimacy	「我和你的关系现在怎么样」——0~100 的关系状态，随互动变化
Memory	「哪些事情值得我长期记住」——独立的记忆系统（分区 + 日志归档）
Belief	「我觉得你可能是怎样的人」——带置信度的长期判断，不是事实
Consolidation	「我回头整理一下我对你的认识」——定期整理碎片化 / 冲突的信念

关键区分：Belief ≠ Memory

Memory（记住事实）：
「用户说过自己讨厌周末加班。」

Belief（形成判断）：
「我认为用户可能很重视自己的个人时间。」

前者是记住发生过什么，后者是基于发生过的事情形成判断。

一个完整的多轮对话例子

以下是一个机制演示。它说明系统的设计目标，不代表 LLM 每次都会产生这个精确结果。

第 1 轮

用户：

「我周末一般都待在家看书。」

系统形成：

Event：用户说周末在家看书。
Appraisal：这个信息与角色了解用户有关。
Belief：「用户可能喜欢安静的生活。」confidence 0.62

第 3 轮

用户：

「我特别讨厌人多的地方。」

系统形成：

Belief：「用户可能不喜欢高密度社交。」confidence 0.65

第 7 轮

用户：

「我最近每周末都去爬山，还认识了一群新朋友。」

系统不会简单认为"用户前面说喜欢安静，所以现在矛盾了"，而是允许新证据产生新的认识。随后 Consolidation 会发现：

高度相近的 Belief 可以合并（例如前两条都在描述"低密度生活偏好"）
明显冲突的 Belief 则降低置信度，而不是粗暴删除

角色最终可能形成：

「用户总体偏好低压力、低密度的生活，但并不排斥与熟悉的人建立社交。」

Belief 如何影响回复

Belief 不是"数据库里的死数据"——它会实际进入角色生成回复时的系统提示（最多 5 条高置信度信念）。注入时明确告诉模型：

Belief 是过去互动形成的判断，不一定是事实
当前对话中的明确表达优先于历史 Belief
如果当前对话与某条 Belief 无关，应忽略它（不强行引用）

Belief Consolidation

如果没有 Consolidation，长期积累的判断会变成这样：

Belief 1：用户喜欢安静
Belief 2：用户不喜欢社交
Belief 3：用户喜欢户外
Belief 4：用户重视个人时间
Belief 5：用户不喜欢拥挤
…

问题：

相似判断重复存在
冲突判断没人整理
高置信度槽位被碎片占用
系统只是在「积累判断」，而不是「整理认识」

Consolidation 的作用就是：

定期回头看一眼已有 Beliefs，把相近的整理起来，对明显冲突的判断降低置信度。

当前实现（每 10 轮触发一次）：

merge：合并高度相近的信念——confidence 取原信念最高值，evidence 取并集
conflict：对同一维度明显冲突的两条信念，各自 confidence × 0.8——保留两条、不删除、不武断决定谁正确
none：无需整理

明确说明：

LLM 只提出整理建议，最终状态变化由代码验证 + 确定性规则执行
不允许 LLM 自由删除 Belief
不修改 Memory / Persona / Intimacy / Mood / Growth
失败不会影响正常对话
当前版本只做最小的 Belief Consolidation，不是完整的长期人格 / 用户画像系统

Features

会话级 Persona 绑定（新建会话选择，绑定后锁定）
自定义角色：新建 / 编辑 / 头像 / 默认 / JSON 导入导出 / AI 设计助手
角色记忆：分区存储 + 追加式日志自动归档，跨会话累积；进入角色卡时按字符预算裁剪（单条 ≤120 字、整段 ≤1300 字），避免记忆淹没角色本身
关系 / Intimacy：0~100，语气随关系阶段调整（冷淡 → 客气 → 熟络 → 亲密 → 依赖）
Event Log：完整记录每次互动（cap 40）
Appraisal：角色视角的事件评价（relevance / valence / arousal / relationshipRelevance / uncertainty）
Belief：对用户的长期认识（cap 30，带 confidence 与 evidence）
Belief → Response Generation：信念进入回复上下文（最多 5 条），按置信度 × 新鲜度排序——半个月没被新证据确认过的判断会给新观察让位，而不是永久占着前几名；卡片里会标「今天确认过 / 3 天前确认过」
Belief Consolidation：本会话累计 10 条新事件后整理一次碎片化 / 冲突的信念（不再依赖会随重启归零的轮次计数）
角色成长：交互中真实长出的新特质
情绪：完整情绪体验，「此刻心情」随互动更新
口吻保持：对抗长对话中的角色稀释
后台任务调度：校准 / 归档 / 信念整理全部按数据状态触发（data.maintenance 记进度），重启、热重载都不丢
本地存储：所有状态仅保存在本地
子代理隔离：角色段仅注入根会话

v0.3.1（2026-10-28）

这一版没有新增认知模块，做的是「让它真的跑起来，并且别像在念档案」。

角色更像人

角色卡里的扮演规则从 874 字 / 9 条压到 386 字 / 6 条：只留身份底线和工具用法，其余从「怎么演」改写成「你是什么样的人」
删掉每轮提醒里的「你上一轮是用 X 开头的，这轮换个开法」。它贴在上下文最末尾，等于逼模型一边说话一边审查自己的句式
干活场景明确要求保留人物语气，不要退化成交接文档
亲密度「还算熟」档不再要求「话少一些、玩笑点到为止」（那会让角色闷掉）

删除一个假旋钮

「角色浓度」整个删掉：它只往卡片上印一个百分比，没有任何逻辑读取它，调 0 和 100 注入内容一字不差
存档升到 v8，加载时清理 settings.concentration

认识会更新，而不是焊死

Belief 注入从「纯置信度排序」改为置信度 × 新鲜度（14 天半衰期），并在卡片里标注「今天确认过 / 3 天前确认过」
置信度、证据一个字节都不改：只决定这一轮先注入谁；被新证据确认一次，排名自动回来

修掉「看着在跑、其实没跑」

校准 / 归档 / 信念整理原先挂在内存里的轮次计数器上，插件热重载或重启就归零 —— 实测这些任务从未执行过。现在全部按数据状态触发，进度写进 data.maintenance
后台模型调用改为进程级串行，并把「错误块 / 空输出 / 流中断」显式变成异常和日志；空回复自动重试一次
记忆归档：批次阶梯 10 → 5 条（20 条这档实测必定撞满输出预算），全线失败时降级为「最早 5 条原文并入近期事件」，不再让日志卡在上限
角色卡预览改由宿主渲染后下发，客户端不再自己拼一份（之前那份和真实注入早已不一致）

Installation

需要可运行的 DSH Web 部署。包名：dsh-cultivation。

本包是一个 DSH bundle：package.json 声明了 dsh.bundle.patch，cordis.patch.yml 自带插件装载行。安装后它会被登记为 profile 的一个 bundle 层并自动挂载，不需要手动编辑任何 YAML。

需要 0.3.0-beta.6 或更新版本：更早的版本没有 dsh.bundle 声明，安装后只会成为普通依赖，不会作为 profile 层挂载。

# CLI（推荐）：在 web profile 中安装，并自动登记为 bundle 层
dsh plugin add dsh-cultivation

# 安装 beta 通道
dsh plugin add dsh-cultivation@beta

# 本地开发：直接安装 checkout 目录
dsh plugin add /path/to/dsh-cultivation

也可以从 Web UI 安装：设置 → 插件 → 安装，填入包名 dsh-cultivation。

安装完成后重启 DSH，确认 bundle 层已登记：

dsh --profile web --dump-config | grep persona-studio

「设置 → 角色养成」出现即安装成功。

从旧版手工安装迁移：如果你之前按旧 README 在 $DSH_HOME/profiles/web/cordis.patch.yml 里手写过
- insert:
    - id: persona-studio
      name: 'dsh-cultivation'
请删除这一段。bundle 层已经自带同一行，重复的 persona-studio id 会冲突。

建议使用最新版 DSH Web，以获得完整的插件与 UI 支持。

Usage

新建会话：在输入框工具行选择角色（或新建角色）
对话：以该角色身份进行；会话页右上角可开关角色
管理角色：设置 → 角色养成（设默认 / 编辑 / 导出 / 删除 / 导入）
编辑角色：表单 + AI 设计助手 + 角色卡预览 + 头像
其余全部自动：Memory、Intimacy、Event、Appraisal、Belief 由系统自动维护，长期互动后系统自动整理 Beliefs——无需手动操作

Data & Privacy

数据文件：$DSH_HOME/persona-studio.json（默认 ~/.dsh/persona-studio.json）
头像：同目录下 persona-studio-avatar-<id>.<ext>
角色状态数据由插件本地持久化；插件本身不提供云端状态同步，也不会主动把角色状态上传到第三方服务器
DSH 本身以及你配置的 LLM Provider 仍可能产生网络请求——这是 DSH 环境的一部分

Testing

npm test             # 全部单元测试（179 tests passed / 0 failed）
npm run check        # 发布前预检（语法 / 工具名 / 零外部 import / client id / dsh.bundle / 展示资源）
npm pack --dry-run   # 检查 npm tarball 内容
node dev/report.mjs  # 线上状态体检：Appraisal 覆盖率 / 未评价积压 / 信念列表 / 角色卡体积（不入包）

Node.js 内置 test runner（node --test），无新增测试依赖
Event / Appraisal / Belief / Response Generation / Belief Consolidation 均有对应测试
覆盖：数据流、状态转换、user / persona 隔离、幂等、异常处理（LLM 失败不影响对话）

测试验证的是工程行为（数据流、状态转换、隔离、幂等、异常处理），不代表已经证明角色在主观体验上"更像真人"。

Limitations

诚实的已知限制：

运行期 userId 默认为 local（多用户隔离的存储结构已就绪，真实用户体系尚未接入）
Belief 是「LLM 提议 + 确定性校验」的结果，不代表真实用户画像
Consolidation 的语义判断（哪些表述相近 / 哪些冲突）仍依赖 LLM
当前没有完整的时间衰减机制
当前不做云端同步
这是 Beta：不保证超长对话中始终保持完美的角色一致性
测试覆盖的是工程行为，不构成对角色"主观体验"的证明
记忆进入角色卡时按字符预算裁剪：超出的条目当轮不注入（本地数据不丢失，但模型这一轮看不到），这是用「信息完整度」换「角色不被记忆淹没」的有意取舍

Roadmap

Completed

Persona（角色设定与角色库）
Memory（分区记忆 + 追加式日志归档）
Relationship / Intimacy
Event（事件日志）
Appraisal（事件评价）
Belief（对用户的认识）
Response Generation（Belief 进入回复生成）
Belief Consolidation（信念整理）

Real-world validation

下一阶段重点不是继续增加认知模块，而是通过长期真实对话验证：

Belief 是否真的改善角色一致性
Consolidation 是否减少碎片化认识
不同 Persona 是否形成不同判断
用户是否能够实际感知角色「越来越了解自己」

License

MIT

Comments

Loading…