---

上下文不是硬盘。 人不会记住三个月前的每一句话，只留下几个名字、半句原话、一种「我们好像聊过」的感觉。 需要的时候，再顺着这些线索，把当时的场景重新拼出来。

✨ 三个核心卖点

🧠 仿生记忆 不存原文，只存 Token 线索	落盘的只有 keywords、seed_tokens、一句摘要——没有 message 正文，没有向量，没有 embedding。回忆时用线索组装一段"想起"的提示交给模型，而不是把数据摊开给它看。
⚡ 零 Token 成本 正则蒸馏，不调模型	遗忘不经过任何 LLM：引号里的原话、文件路径、标识符、中文短语，用规则抽出来就完事。一次折叠 0 次模型调用、0 token 计费、0 延迟。
✂️ 真正释放上下文 物理切除，不是"请忽略"	走 DSH 的 surface 节点替换，被切掉的 6 个节点直接从下一轮请求里消失。不是 system prompt 里那句"请忽略更早的内容"，是真的不发了——KV cache / 显存跟着一起降。

🔁 它是怎么运转的

        agent/pre-step
             │
             ▼
   tokenMeter.measure(session)
             │
   < 8000 ───┴─── ≥ 8000
     │              │
  keep going        ▼
          keep the last 4 turns, fold the oldest 2
                    │
                    ▼
          regex distill  →  keywords + seed_tokens    (0 LLM calls)
                    │
          ┌─────────┴─────────┐
          ▼                   ▼
   SQLite memory_clues   surface replace
   (only file on disk)   6 nodes → 1 checkpoint
          │                   │
          │                   ▼
          │            【🧠 记忆已折叠】…
          ▼                   │
   recall_from_clues  ◄───────┘
   rebuilds the scene

🆚 和别的做法比

方案	每轮额外成本	上下文占用	旧事怎么找回来	真的移除了吗
全量保留	0	线性增长，迟早爆窗	原文还在	❌
LLM 摘要压缩	每次压缩 1 次模型调用	压缩后仍占位	读那段摘要	✅（摘要节点）
向量 RAG	嵌入调用 + 每次检索	检索片段临时塞入	召回原文分块	❌ 原文还在库里
Full-Life Memory	0	只留一行提示	线索 → 模型自己重建	✅（surface 替换）

一句话区别：向量库是「查」，线索是「想」。 检索把原文递给你，回忆让模型自己长出来——后者更像人，也更省。

🚀 安装

plugin_manager { action: "install_bundle", target: "<本目录的绝对路径>" }

装完重启一次 DSH。之后每个新会话都会带上：

• recall_from_clues 工具（Phase 1）
• 自动遗忘钩子（Phase 2，默认开启）

本插件是 link 安装：改完代码不用重装，但要重启 Host 才会重新加载模块。

⚙️ 配置

- insert:
    - id: full-life-memory
      name: '@tuhengyu/dsh-full-life-memory'
      config:
        dbPath: '~/.dsh/full-life-memory/memory.db'  # 线索库
        limit: 5                                     # 一次回忆取回几条线索
        maxPromptChars: 1800                         # 回忆提示的字符上限

        autoForget: true                             # Phase 2 总开关
        forgetThresholdTokens: 8000                  # 超过多少 token 开始遗忘
        forgetTurns: 2                               # 每次切掉几轮已完成对话
        keepCompletedTurns: 4                        # 最近这么多轮永远保留

字段	默认	说明
dbPath	~/.dsh/full-life-memory/memory.db	目录自动创建，WAL 模式
limit	5	单次回忆最多带几条线索（上限 20）
maxPromptChars	1800	超出截断并标注"更早的线索已淡忘"
autoForget	true	关掉后只剩手动回忆，历史不再被切
forgetThresholdTokens	8000	用 ctx.tokenMeter 的口径；没有该服务时按字符粗估
forgetTurns	2	一次折叠几轮
keepCompletedTurns	4	保护最近对话：已完成轮数 ≥ forgetTurns + keepCompletedTurns 才动手

阈值比系统提示本身还低也没关系：保护规则会把会话稳稳停在「最近 5～6 轮」的滑动窗口，不会把上下文掏空。

👀 你会看到什么

对话流里多一行系统提示：

【🧠 记忆已折叠】为了腾出空间，我已淡忘更早的 2 轮对话，
留下的线索：E:/Fishwork/app.ts、recall_from_clues、node:sqlite。
需要时我会用 recall_from_clues 自己回忆。

日志里多一行账：

full-life-memory: folded 2 turn(s) (~9123 tokens) from surface seq 2..9
                  as compaction 6f1c…; clues: E:/Fishwork/app.ts, recall_from_clues, node:sqlite

然后你随口问一句「我们之前那个 sqlite 的事呢？」——模型会自己调 recall_from_clues，把线索接成回忆。

🧩 工作原理（30 秒版）

1. 测压：agent/pre-step（waterfall）里用 ctx.tokenMeter.measure(session) 读当前请求压力。
2. 选段：只挑已完成轮次（turn/end 之后），天然避开半个 tool-call；surface 第 0 个 system 节点永不参与。
3. 蒸馏：正则抽 keywords 与 seed_tokens，连同 session_id 写进 memory_clues 表。
4. 切除：session.append('user/message', checkpoint, { surfaceOp: { op:'replace', startSeq, endSeq } })——和 DSH 自己的 dsh-compaction-basic 逐字同一条路径。
5. 留痕：外面套 compaction/start → summary → replace → end，Chat 因此把它渲染成原生的「记忆折叠」行，而不是一条用户消息。

安全边界都是显式校验过的：区间必须工具配对平衡、没有未闭合的 compaction/start、同一轮最多切一次、最近轮次受保护。任何一步失败都只是"这次不遗忘"，绝不留半截事务。

❓ 常见问题

忘掉的东西还能找回来吗？ 能找回"上下文"，找不回"原文"——这正是设计目标。线索足够模型重建当时在聊什么、做到哪一步；逐字复述不重要。

真的不花 token 吗？ 遗忘过程 0 token（纯正则）。只有你主动回忆时才会花几百 token——这笔钱花在真正需要的那一刻，而不是每一轮都替全部历史付费。

中文能匹配吗？ 能。线索库用 LIKE 模糊匹配而不用 FTS5：中文不分词，线索本来就短，LIKE 反而更稳；% 和 _ 已转义。

会不会和 DSH 自带的自动压缩打架？ 不会。检测到未闭合的 compaction/start 就跳过；自己开事务时严格成对闭合，不会把锁留给别人。

会不会把系统提示或工具配对切坏？ 不会。system 头永不切；只切 turn/end 之后的范围；区间前后都做 tool-call/result 平衡校验。

数据在哪？会不会上传？ 只有一个本地 SQLite 文件，默认 ~/.dsh/full-life-memory/memory.db。没有网络请求，没有遥测。

能只用手动回忆吗？ autoForget: false。历史不再被切，recall_from_clues 照常可用。

🗂 项目结构

dsh-full-life-memory/
├── package.json          # bundle 清单 + dsh.bundle.patch
├── cordis.patch.yml      # 插入 Host 插件行 + 默认 config
├── index.ts              # 源码（类型完整，改这里）
├── index.js              # 运行时孪生版 = index.ts 去掉类型注解，Loader 加载它
├── locale/{en,zh}.json   # 插件管理器里的标题与描述
├── icon.svg
└── test/
    ├── smoke.mjs         # Phase 1：命中 / 未命中 / 截断 / 转义 / 连接回收
    └── auto-forget.mjs   # Phase 2：阈值 / 切除区间 / 配对校验 / 落库 / 每轮一次

🧪 测试

node test/smoke.mjs
node test/auto-forget.mjs

auto-forget.mjs 用一个仿 Session 契约的假会话跑完整链路，并额外做一次 index.ts 与 index.js 的行为对拍：同一个场景分别执行，逐字段比较追加事件、被切的 surface 区间、落库的线索行，确保"编译产物"和源码不漂移。

覆盖：阈值以下不动、到阈值切最旧两轮、replace 区间精确、system 头保留、后续轮次完好、线索落库、同轮不重复切、最近轮次受保护、工具配对不平衡拒绝、未闭合 compaction 拒绝、落库失败不留半截事务。

🧭 设计取舍

规则蒸馏不如语义摘要细腻——它抓的是"名字、路径、术语、原话"，不是"结论"。这是刻意的：遗忘不该再花钱，也不该再等一次模型响应。真想要语义摘要，只需替换 extractClue() 一个函数，返回结构不变，其余逻辑（选段、切除、落库）完全复用。

🛣 Roadmap

• extractClue 的可选 LLM 后端（默认仍是正则）
• 遗忘曲线权重：越久远的线索越淡，命中时排在后面
• 按项目 / workspace 分区的线索库
• /forget 手动命令与「回忆命中率」统计
• 线索之间的弱关联图，支持"顺着一条线索想起另一条"

📄 License

MIT © tuhengyu