@modusensus/dsh-mneme

中文 | English（语义增强）

dsh-mneme

给 DeepSeek Harness 的跨会话记忆插件：让 Agent 记住你、记住项目、自动整理记忆。Mneme（Μνήμη）——希腊记忆女神 Mnemosyne 之名，掌管记忆与梦境，正如 autoDream 在后台巩固记忆。

dsh-mneme 是一个 DeepSeek Harness (DSH) 插件，为 Agent 提供持久的跨会话记忆能力。它借鉴了 Claude 的 Dream 机制 与 cc-haha / Claude Code 的 autoDream 记忆巩固功能——不仅存储记忆，还会自动巩固（去重、合并、冲突裁决、摘要生成），让记忆库越用越精炼。完整溯源与致谢见文末「🙏 致谢」。

⏱️ 30 秒理解

一句话：给 Agent 装上跨会话记忆——记住你、记住项目，并在后台自动整理，越用越懂你；v0.8.0 起记忆可按 agent 与工作区隔离（scopeEnabled），多 Agent / 多项目互不串台。

① 写入	② 存储	③ 进化
对话中模型主动记录（memory_save，可带敏感度与事件时间）；会话结束自动提炼（autoSummarize）	SQLite 主库 + 人类可编辑 Markdown 镜像；实体 / 属性 / 时间轴三层结构化；记忆带 agent / workspace / 敏感度 / 发生时间标注	新会话自动注入相关记忆（按当前作用域加权，strictScope 开启后显式收窄的归属硬隔离）；autoDream 后台去重 / 合并 / 归档，冲突冻结待人工裁决

# 30 秒上手
dsh plugin --profile web add @modusensus/dsh-mneme
dsh web

它不是什么（边界声明）：

• 不是向量数据库——语义搜索是可选增强，默认零额外依赖
• 不替代会话日志——它存的是「值得跨会话记住的」精炼知识
• 不改变模型本身——进化的是记忆库与每次注入的上下文
• 删对话 ≠ 删记忆——记忆是跨会话的全局知识（v0.7.11 起不再与会话绑定），删除会话不影响已存入的记忆

✨ 功能

记忆存储（SQLite + Markdown 镜像）

• SQLite 主存储：~/.dsh/memory/memory.db，node:sqlite 内置，零原生依赖
• Markdown 镜像：按类型分文件（preferences.md / projects.md / decisions.md / history.md / summary.md / patterns.md / pitfalls.md / constraints.md / rejected-solutions.md，外加只读视图 documents.md），文件头是 YAML frontmatter（type / generated.by / generated.at / covered / coverage / tags）。人类可读，条目标题与正文可手工编辑（人工修改优先合并回库）；documents.md 例外：它只有 document 指针行（id、标题、摘要首句、文件路径），不含正文也不参与人工回填。文件头与条目元数据行由机器维护
• 9 种记忆类型：preference 偏好 / project 项目 / decision 决策 / history 历史 / summary 会话总览 / pattern 模式 + 编码记忆三型 rejected_solution 被否方案 / pitfall 踩坑 / constraint 约束（v0.7.13 起，codingRetrospect 默认关；v0.7.11 近重写已收窄删除 user/fact 两型）
• 镜像同步状态机（v0.3.6+）：mirror 与主库强一致，用 generation（期望轮次）/ applied_generation（已应用轮次）建模同步债务
  • 业务写操作在自身事务内原子递增 desired generation——崩溃在 COMMIT 后、渲染前，重启也能凭 durable 债务恢复，绝不静默跳过（v0.3.8）
  • generation 用 SQLite 原子语句递增，多进程并发零丢失；带 CHECK 上界，负数/溢出拒绝
  • 逐 type 记录 committed / failed / pending 回执，健康端点区分 ok / degraded / unknown
  • 状态写失败不静默：同步失败落日志并留债务，重启自动收敛

模型工具（9 个）

工具	功能
memory_save	记录一条记忆（自动按标题去重合并；v0.8.0 起去重键含 agent/workspace/scope 作用域，可选 sensitivity / occurred_at 参数）
memory_search	全文搜索（中文子串友好，可启用向量语义搜索；可选 occurred_from / occurred_to 按事件发生时间过滤）
memory_list	按类型分页列出（include_archived=true 可查看已归档；可选 occurred_from / occurred_to 时间过滤）
memory_get	读取单条记忆完整正文（v0.7.25，按 id；memory_search / memory_list 命中后读全文）
memory_update	修改已有记忆
memory_delete	删除记忆（按记忆 ID 精确删除）
memory_forget	抑制注入（降权不删除，可恢复）
memory_archive	归档/恢复记忆（v0.2.5；归档后隐藏于列表/搜索/注入/整理，archived=false 可恢复）
memory_runtime	本地推理运行时的状态 / 供给 / 校验（v0.7.32，自管运行时三档取件）

自动注入 + 会话摘要

• 自动注入：新会话开局注入记忆摘要（summary 优先 + 少量高重要性条目）
• 会话摘要：turn/end 时用 LLM 提炼本次会话的偏好/决策/教训，自动入库（过滤 plugin 注入上下文，避免污染）

autoDream 自动记忆整理 🧠

溯源：autoDream 的理念源自 Claude Code 的 Auto Dream 记忆巩固功能（Anthropic，Memory 2.0 的后台整理子代理），其「离线巩固」思路与 UC Berkeley & Letta 的 Sleep-time Compute 论文（arXiv:2504.13171）一脉相承。dsh-mneme 将其引入 DSH 插件生态，并发展为自己的实现——K-Means++ 聚类预分组、类型化决策清单与可回放的 sha256 摘要审计链，详见文末「🙏 致谢」。

• 触发：记忆数 > 10 或总字符 > 5000 时，异步自动触发（不阻塞写入）
• 决策清单式整理：LLM 输出 keep / merge / archive / conflict / update 决策清单，服务端校验后逐条应用
  • merge：合并主题相近的条目，保留信息最完整者
  • archive：归档过时/冗余条目（可恢复，不物理删除）
  • conflict：裁决矛盾信息，胜者保留、败者归档并追加溯源注释；conflictFreezeEnabled（默认关）开启后矛盾对不自动裁决，改为冻结进冲突队列（状态页并排对比，人工选保留方，#166）
  • update（v0.2.1）：直接修正单条记忆的过时/错误内容（单 id / 必须实际变化 / 非 summary / 24h 保护 / 每次 ≤2）
• 失败追踪（v0.2.1）：用户纠正记忆时写入 failure_memories 表（旧值/新值），为后续自进化积累数据
• 摘要生成：整理后生成"记忆库总览"（单一实例），作为下次会话的优先注入
• Fail-safe：非法 LLM 输出（未知 id / 非法 action / 越界 importance / 跨类型合并等"单条非法"决策，Issue #26）默认跳过该条并应用合法子集（run 记为 degraded），绝不破坏记忆库
• 裁决审计：每次运行写入 dream_runs 审计表（输入快照 sha256 digest + 完整输入快照 + 决策清单 + 逐 id 去向 + receipt），可离线回放；merge / conflict / update 幂等应用，重放/并发重复执行无累积副作用；update 记录 _before 快照

dreamMaxTokens 调优指南

默认 131072（即上限，#135）已为思考型模型预留推理+正文的双重预算（部分思考型模型仅推理就可能消耗 8k+ token），常规记忆库无需调整。若记忆量大（数万字符以上）且正文仍被截断，优先按下方「巩固模型分类声明」换非思考模型 / 配 dreamReasoningEffort 压低思考，再考虑调大输入侧上限（如 distillMaxChars）——dreamMaxTokens 本身已无上调空间。

若使用思考型模型（如 deepseek-v4-flash / DeepSeek-R1 类），模型可能把全部预算花在 reasoning 上导致正文为空（日志出现 no json array in llm output）。#135 修复后：未配置 dreamReasoningEffort 时会自动取模型支持的最低档发流（不再省略字段让模型自带默认档——v4-flash 系默认 high——顶上烧光预算），默认配置即生效；显式 none = 不发送字段用服务商默认，off/low/medium/high 原样传递，模型不支持的档位自动换用（拒绝原因记入 llm_audit）。正文仍为空时配置 dreamProvider/dreamModel 指向非思考模型（dreamMaxTokens 默认已是上限 131072，无上调空间）。sleep 侧对应 sleepReasoningEffort。

巩固模型分类声明（settings panel「巩固模型」= dreamProvider/dreamModel，睡眠侧对应 sleepProvider/sleepModel）：

模型类别	例子	说明
非思考模型（推荐）	glm-5-2 类等	无 reasoning 声明；即使配了 effort 被 harness 拒绝，fallback 去掉字段重试即成功。空体风险最低
思考模型（需实测）	deepseek-v4-flash-ga 等 v4-flash-ga 系	默认开推理，可能烧光 token 预算返回空体；部分型号（如 v4-flash-ga）在 harness 侧被声明为不接受任何 reasoning effort（去掉 effort 时 harness 的 defaultEffort 会顶上来再次拒绝）。v0.7.26+ 已根治：resolveDreamEffort 发流前探测模型支持的档位，不支持的配置档位自动换用模型默认/首个支持档位，声明无 reasoning 能力的型号则省略字段。选用时建议配 dreamReasoningEffort 实测（未配置时自动取最低档），不行就换非思考模型

Sleep Mode 系统级睡眠 💤（v0.4.0，opt-in）

从 autoDream 的"被动阈值触发"升级为"主动定时维护 + 分层压缩"。系统空闲 sleepIdleMinutes 分钟自动执行深度维护，默认关闭（sleepModeEnabled: false），开启后行为：

• 可中断：AbortController 实现，用户恢复活动即中止当前周期（noteWrite 重置空闲计时 + 中断信号）
• 串行安全：睡眠周期走 service.enqueue 串行队列，与 autoDream 严格不重叠；minRefTimeMs 防止快照后被召回的记忆被误降级
• 四阶段深度维护：
  • conflict_resolution：全库冲突消解，strictness 三级可配（gentle 0.92 / normal 0.85 / aggressive 0.75）
  • archival_demotion：按 last_accessed_at 分层——30 天未召回压成摘要（原文进 _full_content，可无损恢复）、90 天完全归档
  • pattern_discovery：LLM 扫描近期记忆提炼规律，产出 type=pattern 记忆，evidence 强校验防伪造
  • relation_completion：检测孤立实体并补全隐含关系（共现 related_to / 项目 part_of / 技术 depends_on）
• Fail-safe：每阶段独立 try/catch，LLM 故障只跳过对应阶段；无 LLM 路由时纯规则降级（demotion/relations）照常执行
• 审计延续：睡眠周期写入 dream_runs，run_type='sleep'，与 autoDream 共用审计表可追溯

配置详见 docs/SLEEP.md。

官方设置面板 → 「记忆库设置」→「记忆」标签：按类型浏览、全文搜索；启用向量搜索后可用「语义」切换做向量召回。

用户设置（画像 / 规则）与自定义指令 ⚙️

官方设置面板 → 「记忆库设置」标签：

• 用户画像：一段自由文本描述用户自己（角色、背景、偏好），每轮注入到系统提示，让 Agent 始终遵循
• 规则：Agent 必须遵守的行为规则列表（如"回答先给结论"），同样每轮注入
• 自定义指令：注册斜杠命令（/名称 [补充说明]），触发时把用户定义的指令内容作为一条用户消息提交给当前 Agent，命令后缀会作为补充说明一并提交；界面仅显示提交回执（宿主不支持 followup 提交时退回旧行为，指令原文会显示在界面，便于复制后手动发送）。命令持久化到 SQLite，启动时自动注册到 DSH 命令表，增删实时生效

画像与规则通过独立的 [用户设置] 注入区块（优先级高于记忆库），即使记忆为空也会注入。

向量搜索（语义搜索）🔎

可选能力：接入 OpenAI 兼容的 embeddings API，让搜索能命中字面不同但语义相近的记忆。

配置：官方设置 → 「记忆库设置」→ 滚动到底部「向量搜索」区块：

字段	说明
启用向量搜索	总开关；开启后记忆面板出现「语义」切换
API 地址 (Base URL)	OpenAI 兼容端点，如 https://api.openai.com/v1；也支持 SiliconFlow、智谱、本地 Ollama 等
API Key	对应服务的密钥
模型名	embedding 模型，如 text-embedding-3-small、text-embedding-v3、bge-m3 等

保存配置后点「重建索引」，为已有记忆批量补建向量（新写入的记忆会自动嵌入）。之后在记忆面板输入查询并点「语义」，即可用向量召回语义相关结果；向量服务不可用时自动回退全文搜索。

⚠️ 密钥仅保存在本机 ~/.dsh/memory/memory.db 的 user_settings 表，不会上传，也不会写入代码仓库。 需要 embedding 而非 rerank 模型：如阿里云 text-embedding-v3 可用，qwen3-vl-rerank 是 rerank 模型（不走 /embeddings）。

语义增强（Semantic）🧠

v0.2 起新增完全离线的语义记忆引擎（本地模型 + 精排 + 聚类）：

• 本地 Embedding：三后端可选——ONNX（Xenova/bge-small-zh-v1.5，离线）/ Ollama / OpenAI 兼容，失败自动逐级降级，最差回退关键词搜索
• Rerank 精排：Xenova/bge-reranker-base 对召回候选交叉编码精排，提升 Top-K 准确率
• autoDream 语义增强：对记忆向量聚类（clusterMemories），自动发现主题相近 / 疑似矛盾的记忆，巩固更精准
• 搜索流水线：混合召回（关键词 + 向量）→ Rerank → Top-K
• 自管运行时：本地推理的依赖闭包（@huggingface/transformers + onnxruntime-node + sharp，从宿主收编时本机实测 49 个包 / 约 393MB）可收编到 ~/.dsh/mneme/runtime/，与 profile 的依赖图解耦——由于 profile 是所有插件共用的依赖图，这份闭包留在此前的位置会让「安装任何插件」都替它重走一遍整条依赖链；收编优先硬链接，同盘时几乎不额外占盘。@huggingface/transformers 已从 dependencies 降为可选 peer，因此安装插件不再携带它；正在使用本地嵌入的用户请先按文档收编，否则升级后本地嵌入不可用（读写信道不受影响）
• 取回运行时的三条来源：① 收编本机已有（零网络、同盘硬链接）→ ② 本地 .tgz 目录（runtimeTarballDir，某个包网络下不到时用）→ ③ npm registry（runtimeMirror 可换镜像），按随包发布的 runtime-manifest.json 逐个取并先校验 sha512 再落盘（win32-x64 实测约 33 个包 / 2142 个文件 / 数百 MB；清单平台无关，一份覆盖 win32/darwin/linux × x64/arm64；剔除 onnxruntime-web——Node 构建从不 import 它）。面板「向量索引」卡片在不就绪时会给出这段代价说明并提供一个按钮；不想开面板也可以让 agent 用 memory_runtime 工具（status / provision / verify）代做

配置只需在 cordis.patch.yml 里设置 embedProvider（默认 openai，保持 v0.1 行为；改为 local 即离线）。升级无需迁移数据。

node scripts/mneme-runtime.mjs status    # 运行时在哪、来源、结构是否完整（不加载模型）
node scripts/mneme-runtime.mjs adopt --from ~/.dsh/profiles/<profile>/node_modules
node scripts/mneme-runtime.mjs verify    # 真加载运行时并跑一次推理

三个命令的退出码为 0 健康 / 1 不健康 / 2 用法错误，便于脚本 gate；--json 输出机器可读结果。运行时不可用时不会崩——检索降级为关键词/BM25，读写不受影响。详见 本地模型部署指南 §2.5。

实体结构化记忆（Entity Gene）🧬

v0.3.0 起新增记忆基因层：从记忆里抽取命名实体、带时间轴的属性、实体间关系，让搜索从"字面关键词"升级为"按实体/属性精确召回"。

• 三表：entities / entity_attrs（valid_until 快照式时间轴）/ entity_relations，旧库打开自动建表，幂等无迁移成本
• 自动抽取：entityExtractionEnabled=true 后，新写入的记忆 fire-and-forget 触发 LLM 抽取（同名实体去重、属性存时间轴、关系追加；失败绝不阻塞写入）
• 实体搜索（searchMemories 前缀路由，entitySearchEnabled 默认开）：
  • entity:阿尔托 → 属性精确关联的记忆（_score 1.0）排在关键词提及（_score 0.7）之前
  • attr:国籍=芬兰 → 精确匹配该属性值的记忆
  • attr:国籍 → 该属性键的全部当前有效记忆（value 为空契约）
• autoDream 联动：update 决策写 supersedes 自引用（属性版本被替代）；merge 决策把 loser 的属性归属迁移到 keeper（keeper 已有同键当前值则失效）

📖 详见 实体结构化记忆设计 · 语义增强架构 · 本地模型部署指南

记忆质量过滤 🧼（v0.4.6，默认开）

写库前对每条记忆做启发式质量打分（纯函数，无 I/O、无共享状态）：元记忆词汇（谈论记忆系统本身）、自指类型标签、内容过短、重复度高、与近期记忆近似重复都会扣分（0-100）：

• score ≥ 60：正常存储
• 30 ≤ score < 60：quality_score 落库，注入排序改为按 importance × quality/100 降权（degraded）
• score < 30：归档并标记 low_quality——仍可显式搜索召回，只是永不自动注入。例外（#135）：importance ≥ memoryQualityFilter.exemptImportance（默认 4）的记忆只降权不归档——评分与信号标签照常落库，归档决定不再静默越过用户标注的重要性

memoryQualityFilter.enabled 可整体关闭，archiveThreshold / degradeThreshold / minContentLength / exemptImportance（1=全部豁免，5=仅最重要豁免）可调。此外更新记忆（memory_update 等）不会抹掉系统信号标签（low_quality / duplicate / meta / self_referential / repetitive / short_content）——它们是「为什么被降权/归档」的审计线索，与用户自传标签并集保留（#135）。

LLM 消耗审计 📊（v0.4.6，默认开）

每次后台 LLM 调用都会写入 llm_audit_logs 表：tokens / duration / status / source（由哪个触发产生）。失败调用记为 status=error，绝不阻塞功能本体；retentionDays（默认 90）在启动时清理超期行。

覆盖的后台调用（source 即触发源，operation_type 区分同一源下的不同调用）：

source	operation_type	说明
autoDream	dream_consolidate / dream_summarize	巩固的整理裁决与总览摘要，各一行
autoDream	dream_narrative	叙述条合成，需 dreamNarrativeEnabled（默认关）才跑
autoSummarize	summarize_compress	空闲蒸馏的压缩
sleep	sleep_conflict / sleep_pattern	Sleep Mode 的冲突裁决与模式挖掘，两阶段各一行
entityExtract	entity_extract	实体抽取，每次写入记忆都会跑

后两条链路见 #250——它们是结构上漏接的后台路径（sleep 的 streamText 副本没有 onUsage、实体抽取适配器拿不到 service），不是刻意收窄口径。

新增两个只读 API：

• GET /api/dsh-mneme/semantic/llm-audit?page=&pageSize=&source= — 分页查询 + 按 source 过滤
• GET /api/dsh-mneme/semantic/llm-audit/stats?days= — 近 N 天按 source 汇总预算（tokens / 次数 / 失败数）

/llm-audit/stats 的 by_source 是服务端 GROUP BY trigger_source，不做任何白名单过滤，因此新链路自动进入汇总。

面板侧现状（#250 之后，未改面板）：

• 「LLM 消耗」卡读 /llm-audit/stats，但只渲染 total_calls / total_tokens 两个总数。新链路的 token 与次数已经计入这两个总数，所以「mneme 总共花了多少」现在是对的；
• 按链路的拆分（by_source）目前只能从 API 读，面板不展示——「哪条链路最费」在面板上还答不了；
• 状态页活动流仍只显示 autoDream / autoSummarize 两个硬编码来源（lib/client.js），新链路不会出现在活动流里。

这三处要动面板（活动流还有一处来源白名单加一处二元标签兜底，且 pageSize=12 会被每次写入都跑的实体抽取占满），留到面板批次，不在 #250 内。

实体抽取是每次写入记忆都会跑的链路，计入审计后 llm_audit_logs 的行数会随写入量线性增长（retentionDays 只约束上界、不约束增速）。若实测增速过快，再考虑按 operation_type 采样或单独保留期。

只读端点，与 list/search/semantic 一样在设置 apiToken 后仍保持开放。

记忆库主区视图与记忆图谱 🕸️（v0.5.0）

记忆功能从侧边栏抽屉收进主内容区全宽 tab（conversation.view 插槽，与「对话 / Trajectory」并列），侧边栏「记忆」入口点击后直接激活该 tab。页面顶部子 tab 行切换三个子视图：

• 记忆（三栏浏览）：左栏分类树（类型 + 计数）/ 中栏时间树（月 → 日两级倒序、可折叠）/ 右栏详情（全文不截断 + 复制全文）；语义搜索内嵌工具栏开关（防抖 250ms），entity: 前缀可「在图谱中查看」
• 图谱：输入实体名，加载以该实体为中心的关联网络——
  • 服务端只读 ego-graph API：GET /api/dsh-mneme/semantic/graph/ego?entity=<name>&depth=1|2（BFS 层级遍历，limit 防大图失控，实体不存在 404；配套 /semantic/graph/entity-attrs 查实体属性）
  • 前端零依赖手写 SVG 力导向布局（插件运行时无法 require vis-network 等第三方库）：斥力 + 弹簧 + 向心引力物理模拟，节点按类型着色、按提及次数定半径，支持拖拽、点节点看属性、点边跳回来源记忆
• 设置：画像 / 规则 / 指令 / 向量配置，限宽居中

图谱 ↔ 记忆双向互跳：图谱详情侧的关联记忆可点击，记忆边的「来源记忆」按 memory_id 直跳三栏视图并自动定位。

四路召回融合与会话热记忆 🔎（v0.5.0，v0.8.4 扩四路）

• BM25 稀疏第三路召回（src/search/bm25.js）：与向量召回、FTS5/LIKE 关键词并列——ASCII 词元 + CJK bigram 分词、IDF 加权（归一化 [0,1]），专有名词 / ID / 代码片段等散词查询不再依赖子串命中。融合规则：未召回行按 0.3×BM25分 回填；仅向量召回行获得词法加分；LIKE 已命中行不叠分。bm25SearchEnabled 可关
• 实体图召回轴（第四路，v0.8.4）（entityRecallEnabled 默认关）：开启后检索融合池三源扩四源——store 新增 findEntitiesMentionedIn / getLinkedMemoryIds 反查原语 + idx_relations_memory 索引，命中实体所在记忆按边入池，fuseRecall 的 blend / rrf / minmax 全配方参与；实体轴与 BM25 同为确认/回填信号（we 并入 wb 共用 0.3 回填权重），永不主导语义排序，失败降级空数组；keyword 模式纯文本路径不吃实体轴
• 自适应阈值（src/search/adaptive.js）：取代固定 0.65 截断——entity:/attr: 前缀放宽 0.5，短查询（<5 字符）收紧 0.7，长查询（>50）放宽 0.6，Top1/Top5 分差 > 0.3 时放宽让尾部进 Rerank；显式传 threshold 或 adaptiveThresholdEnabled=false 走旧行为
• 会话级短期热记忆（src/hot-memory.js）：最近 N 轮对话（默认 5 轮，hotMemoryRounds）按 token 预算（默认 2000，hotMemoryMaxTokens）滚动截断，从会话事件日志无状态重建、不落库；注入顺序为「短期上下文 → 长期记忆召回 → 摘要」
• 选择性注入：query 向量可用时注入候选按主题相似度重排（selectiveInjectEnabled 可关）；搜索时语义去重为激进选项（searchSemanticDedup=true 显式开启，近重复行 Rerank 前丢弃）
• 召回基准（scripts/benchmark-recall.js）：标准查询集驱动，计算 Recall@5 与 MRR，legacy（三特性全关）vs fused（默认配置）双跑对比

📜 版本历史与路线图

完整版本说明见 CHANGELOG 与各版本 GitHub Release；当前特性以本 README 正文与配置表为准。早期版本中的实验性功能（Wiki-Link、tag 系统等）已在 v0.7.11 移除，详见 CHANGELOG 对应条目。

🧬 Gene → 🛡️ 审计加固 → 💤 Sleep Mode → 🕸️ 召回融合与图谱 → ✨ 面板体验 → 🌡️ 自进化记忆 → 🔐 作用域隔离 → 🌐 MCP 生态

📦 安装

前置条件

• DeepSeek Harness（DSH）— 兼容 DSH 0.1.x，已验证 0.1.2-rc.1（Session.events → snapshotEvents() 变更已由插件垫片兼容，新旧版本通吃；v0.7.9 确保该垫片真正进入发布产物 lib/）
• Node 24+（node:sqlite）

安装步骤

方式一：npm 安装（推荐）

dsh-mneme 是一个 bundle（声明了 dsh.bundle manifest），安装即自动激活，无需手动写配置：

# 1. 安装插件（自动注册 bundle 层）
dsh plugin --profile web add @modusensus/dsh-mneme

# 2. 重启
dsh web

如需自定义配置（阈值、延迟等），可在 ~/.dsh/profiles/web/cordis.patch.yml 中按 id: dsh-mneme 覆盖默认值（见下方配置表）。

方式二：从源码安装

git clone https://github.com/slow-stack/mneme.git
cd dsh-mneme
dsh plugin --profile web add .
dsh web

自定义配置（可选）

默认配置即可用。如需调整，在 ~/.dsh/profiles/web/cordis.patch.yml 中覆盖：

- id: dsh-mneme
  name: '@modusensus/dsh-mneme'
  config:
    memoryDir: ~/.dsh/memory
    language: zh
    autoInject: true
    autoSummarize: true
    maxInjectedItems: 5
    importanceThreshold: 3
    autoDream: true
    dreamThresholdCount: 10
    dreamThresholdChars: 5000
    dreamDelayMs: 2000

⚙️ 配置

键	默认值	说明
memoryDir	~/.dsh/memory	记忆存储目录（SQLite + Markdown）
language	zh	记忆语言：生成的记忆条目、注入标题与后台 LLM 提示词所用语言（zh / en）
autoInject	true	会话启动自动注入记忆
autoSummarize	true	会话结束自动提炼摘要
summarizeProvider / summarizeModel	空	摘要的 LLM 路由覆盖（空=使用当前会话模型）；推荐轻量模型节省主模型 token
summarizeMinIntervalMinutes	0	autoSummarize 最小触发间隔（0-10080，0=不限）：两次蒸馏之间最短间隔，失败/degraded run 也占用（#127）
summarizeMaxEntriesPerRun	0	单次蒸馏产出记忆条数上限（0-50，0=不限）：节流防单会话大量重复条目（#127）
summarizeMinWindowChars	0	蒸馏前零 LLM 预判：窗口可蒸馏文本不足此字符数直接跳过调用（0-100000，0=关）；skip 原因写入审计（#239）
summarizeMaxRunsPerSession	0	每会话最多发起多少次蒸馏 LLM 调用（0-1000，0=不限）；只计真实调用，被预判拦下的不占额度（#239）
summarizePeakHours	空	高峰时段（本地时间，逗号分隔、可带星期前缀，支持跨零点）：空=关；命中时蒸馏顺延到非高峰、窗口累积后一次蒸、skip 原因入审计。例：按高峰计费的供应商可写 mon-fri 08:00-12:00,14:00-18:00（如 DeepSeek，以其官方定价页为准）（#239）
summarizePeakMaxDeferMinutes	120	高峰顺延上限（0-1440 分钟，0=不设上限）：到点仍处高峰就照常跑，避免长高峰把蒸馏饿死（#239）
summarizeDedupeMode	off	落库前去重档位：off（默认=现状）/ title（零成本，仅拦完全同名）/ vector（复用 embedding 列做同会话语义近邻，无 LLM 调用，#127）
summarizeDedupeMinSim	0.92	vector 去重档的相似度阈值（0.5-0.99）
summarizeDedupeWindowHours	24	vector 去重的同会话时间窗（小时，0-168）
distillMaxChars	24000	蒸馏输入的正文截断上限（1000-200000）：防止单轮转录把 LLM 输入撑爆
distillRateLimitIntervalMs	1000	蒸馏 LLM 调用全局串行队列的最小间隔（ms，0-60000，429 保护默认开）
distillRateLimitRetries	3	命中 429 限流时的指数退避重试次数（0-10）
distillRateLimitBaseDelayMs	1000	429 退避基准延迟（ms）：1s→2s→4s…
maxInjectedItems	5	最多注入几条记忆
injectUncertaintyAdaptive	false	注入条数的查询自适应：确定性强的话题把条数收缩到一半（下限 1），模糊话题（回指/时间线索，或极短查询）维持 maxInjectedItems 上限；只做单向收缩，判据只看查询本身、不做额外检索（#239 第 5 项）
injectRotationTurns	0	注入位跨轮轮换：同一条记忆在最近 N 个查询轮次注入过后本轮不再优先（新鲜优先、不足回填，槽位数不变；会话边界自动重置；0 = 关闭保持现状）
injectContentMaxChars	300	注入单条正文截断上限（60-4000，原硬编码 300，#164①/#225）：截断尾部带上限/原长/全文 memory_get 指引；块预算 Math.max(1500, 上限+600) 随上限放大
importanceThreshold	3	注入的最低重要性（1-5）
autoDream	true	自动记忆整理开关
dreamThresholdCount	10	触发整理的记忆条数阈值
dreamThresholdChars	5000	触发整理的总字符阈值
dreamDelayMs	2000	整理异步延迟（去抖）
dreamProvider / dreamModel	空	dream 的 LLM 路由覆盖（显式配置优先于 agent 默认模型；留空则回退到 agent 默认模型）
dreamMaxTokens	131072	dream LLM 调用最大 token 数（上限 131072；#135 起默认即上限——思考型模型的 reasoning 与正文共享该预算，正文仍为空时优先换非思考模型或调 dreamProvider/dreamModel，见下方调优指南）
dreamReasoningEffort	未配置=最低档	dream LLM 推理强度透传：off / low / medium / high / none（未配置 = 自动取模型支持的最低档，避免思考模型用自带默认档烧光预算；none=不传该字段、用服务商自带默认；v0.7.26+ 模型不支持配置档位时自动换用其支持的默认/首个档位，无 reasoning 能力的型号省略字段）
dreamCandidateMode	window	dream 候选集构造：window（只取最近 dreamMaxSnapshotSize 条）/ hybrid（在此基础上并入向量翻出的高相似组）。纯时间窗口下，实测 45 对「双方活跃且 sim≥0.85」里 0 对能同时进窗口——该合并的一对几乎永远碰不到面。已知边界：dream 侧动作集仍是五分支（keep / merge / archive / update / conflict），hybrid 翻出的互补型 / 演进型对在 dream 里没有 differentiate / supersede 出口；正确出口在 sleep 侧（sleepActionSet: full）
dreamCandidateMax	0	hybrid 的候选总量上限；0 = 复用 dreamMaxSnapshotSize。候选总量与库总量解耦，输入成本不随库增长
dreamCandidateMinSim	0.85	hybrid 判「高相似」的阈值（与 sleep 的 normal 档对齐，两个模块共用同一个「高相似」定义）
dreamMaxArchivePerRun	8	单轮 archive 决策上限（超限整单拒绝，防一次性大扫除；正常清理可调高）
dreamSkipInvalid	true	单条非法决策跳过 + 合法子集应用 + run 记 degraded（#89）；false 恢复严格模式整单拒绝
allowCrossTypeMerge	false	显式放宽跨类型合并（默认关，类型边界由用户承担）；跨类型意图的正确出口是 sleepActionSet: full
dreamImplicitKeep	true	显式决策覆盖率不足时的隐式 keep（未提及条目保持原样）；false + dreamMinExplicitCoverage: 0 恢复旧严格行为
dreamMinExplicitCoverage	0.5	显式决策覆盖率下限（0-1）：合法子集低于该值降级 degraded 而非整单拒绝（#104 方向 1，PR #200）
dreamMaxSnapshotSize	200	autoDream 滑动窗口上限：每次只对最近 N 条做 consolidation，窗口外不进 snapshot（防 LLM 输入撑爆）
dreamSummaryProvider / dreamSummaryModel	空	总览（dream_summarize）专用模型路由（留空 = 沿用 dreamProvider/dreamModel）。consolidate 有窗口（dreamMaxSnapshotSize）而总览输入随库增长，ctx 需求差数倍——用小 ctx 模型跑巩固时把总览指到大 ctx 模型（issue #258）
dreamSummaryMaxInputs	0	总览输入条数硬上限（0 = 不设上限）：超过时按 updated_at 倒序只保留最新 N 条进总览，防小 ctx 模型被全库输入撑爆；总览口径脚注的条数随实际输入变化
dreamMinIntervalMinutes	0	autoDream 最小触发间隔（0-10080，0=不限）：失败/degraded run 也占用
dreamPeakHours	空	巩固侧高峰时段（本地时间，与 summarizePeakHours 同一份语法）：空=关；命中时不调模型、baseline 不刷新（阈值继续累积，留到非高峰一次性巩固）、登记 skipped/peak-hours 审计并顺延到最近的高峰结束时刻。适合「白天要留算力给交互、巩固挪到夜里」的场景（#239 第 4 项镜像到巩固）
dreamPeakMaxDeferMinutes	120	巩固侧高峰顺延上限（0-1440 分钟，0=不设上限）：到点仍处高峰就照常跑，避免长高峰把巩固饿死（#239）
dreamNarrativeEnabled	false	叙述条总开关（#164 对齐，v0.8.4）：按共享 tag 主题簇合成叙述 + evidence 证据链，注入候选排除（按需检索，常驻位只留 dream 总览）；也走 feature_flags 白名单，lightMode 强制关
dreamNarrativeMinCluster	3	主题簇合成叙述的最小成员数（2-20，v0.8.4）
apiToken	空	可选 API 鉴权 token；设置后写操作与密钥接口要求 Authorization: Bearer <apiToken>
externalApiEnabled	false	独立 HTTP API 服务开关（v0.7.12）：开 standalone API（CLI 依赖它）
externalApiHost	127.0.0.1	standalone API 监听地址
externalApiPort	8790	standalone API 监听端口
lightMode	false	轻量模式（v0.7.12）：关闭所有重型增强（语义/实体/叙述/heat 等，见 feature_flags 白名单），纯存储+注入
policyEpoch	0	冲突裁决规则版本：bump 后旧 dream_runs 降级为历史证据（receipt 不再驱动实时裁决）
embedProvider	openai	语义后端：openai（默认，兼容 v0.1）/ local（ONNX 离线）/ ollama
localEmbedModel	Xenova/bge-small-zh-v1.5	本地 ONNX embedding 模型
localEmbedDimension	512	本地 embedding 向量维度
localEmbedDevice	cpu	本地推理设备：cpu / gpu
localEmbedBatchSize	8	本地 embedding 批大小（1-64）
ollamaBaseUrl	http://localhost:11434	Ollama 服务地址
ollamaModel	nomic-embed-text	Ollama embedding 模型
embedModelCacheDir	空	模型缓存目录（空 = 用户级 ~/.dsh/mneme/models）
embedModelMirror	https://hf-mirror.com	模型下载镜像源
resilientModelDownload	true	模型文件下载断点续传与重试（v0.8.3，#194/#207）：Range/If-Range 续传、416/偏移失配重置、单写者锁+降级直通、空闲看门狗；false 恢复 env.fetch 原样
runtimeDir	空	自管运行时目录（#131）：空 = ~/.dsh/mneme/runtime，放收编/下载的 transformers+onnxruntime 闭包（不留宿主 profile 依赖图）
runtimeTarballDir	空	运行时离线取件：本地 .tgz 目录（如 onnxruntime-node 网络下不到时 npm pack 丢进去），有则优先于联网
runtimeMirror	空	运行时 registry 镜像前缀（如 https://npmmirror.com/mirrors/npm/）；留空用 runtime-manifest.json 官方地址
vectorSearchTopK	20	向量搜索返回 Top-K
vectorSearchThreshold	0.65	向量搜索相似度阈值
hybridSearchVectorWeight	0.6	混合搜索向量权重
hybridSearchKeywordWeight	0.4	混合搜索关键词权重
recallFusion	blend	召回融合配方：blend（默认，加权求和）/ rrf（Reciprocal Rank Fusion）/ minmax（min-max 归一化加权）——后两者按 rank/尺度感知融合，修复原始分数单位不匹配
signalTransparency	false	给每条检索结果附加 signals 对象（{keyword, vector, bm25, final}）便于调试；只装饰不改排序
rerankEnabled	false	是否启用 Rerank 精排（显式开启才加载本地 onnxruntime 模型）
rerankProvider	none	Rerank 后端：local / none（默认 none）
rerankModel	Xenova/bge-reranker-base	Rerank 交叉编码模型
rerankBatchSize	8	Rerank 批大小
rerankMaxCandidates	30	Rerank 最大候选数
rerankScoreThreshold	0.1	Rerank 分数阈值（低于丢弃）
rerankDtype	q8	Rerank 模型量化档（q8 ≈ fp32 体积的 1/4，fp32 可关）
reflectionUpdateEnabled	true	update 决策总开关
reflectionFailureTracking	true	失败追踪总开关
reflectionUpdateMaxPerRun	2	每次整理最多 update 数
reflectionUpdateMinAgeHours	24	新建记忆保护期（小时）
codingRetrospect	false	编码记忆蒸馏（v0.7.13，默认关）：完整转录提炼编码原子记忆（rejected_solution/pitfall/constraint 三类型）
codingKeywords	内置词表	编码任务识别词表（读取侧门控）：命中即视为编码类任务，编码记忆才注入
codingBoostFactor	2	编码记忆注入排序的 boost 倍数（1-5）
entityExtractionEnabled	false	实体抽取总开关（v0.3.0；存储层恒可用）
entityExtractionModel	空	抽取专用模型（空 = 用 agent 默认模型）
entityExtractionProvider	空	抽取专用模型服务商（空 = 用 agent 默认 provider/model，v0.7.29）
entityExtractionReasoning	未配置=最低档	实体抽取推理档位（同 dreamReasoningEffort 语义，v0.7.29）：被模型拒绝时自动去 effort 重试
entityExtractionMaxEntities	10	每次抽取实体数上限
entityRecallEnabled	false	图召回轴（v0.8.4，#219）：实体挂联记忆并入检索融合池（三源扩四源，blend/rrf/minmax 全配方参与）；依赖实体抽取产出，也走 feature_flags 白名单，lightMode 强制关
entityExtractionMaxAttrs	20	每实体属性数上限
entitySearchEnabled	true	entity: / attr: 前缀搜索开关
trustEpistemicWeighting	false	记忆可信度加权（v0.4.5，opt-in 默认关）：记忆按来源分级 observation> inferred > subjective，开启后检索排序优先高可信记忆、注入对 observation 标注 [verified]、dream merge/conflict 偏向高可信一方；关闭时 epistemic_status 仅随保存落库、不参与行为
evalPersistTestResults	false	检索评估落库（v0.4.5，opt-in 默认关）：开启后 evaluateRetrieval 把 precision/recall/mrr 快照写入 recall_evals；默认关时仅返回调用方不落库。生产 searchMemories 审计始终走 recall_runs，无条件不触碰 recall_evals
autoReindexOnBoot	true	存量记忆缺 embedding 时，向量已配置则启动后延迟后台按批次限速自动回填重建（设为 false 仅手动重建）。只补活跃记忆（归档/遗忘行不参与召回，#128）；模型指纹一致时照常补缺失行、不再短路（#128）
hybridInject	true	注入语义召回优先（v0.4.6，Bug4）：injectCandidates 带非空 query 时先走向量索引语义召回候选，规则筛选补足/去重；空 query / 无向量回退旧逻辑
bm25SearchEnabled	true	BM25 稀疏第三路召回（v0.5.0）：ASCII 词元 + CJK bigram，IDF 加权，散词/ID/代码片段查询不再依赖子串命中
adaptiveThresholdEnabled	true	自适应相似度阈值（v0.5.0）：按查询形态动态截断（前缀 0.5 / 短查询 0.7 / 长查询 0.6 / 头部分差大放宽 0.5），显式传 threshold 走旧行为
hotMemoryEnabled	true	会话级短期热记忆总开关（v0.5.0）：关闭后热记忆块不再注入（长期召回不受影响）
heatEnabled	false	热度模型总开关（v0.7.0 / v0.7.20 回归，默认关——v0.7.12 起用户已习惯无 heat 行为）：开启后提供热度字段 / sleep 热联合降级保护 / 前端热度投影，并在注入排序的优先级层内乘热度（#218；order=chrono 分页序与召回融合序不动）；关闭则跳过 heat 计算与热度触达，sleep 降级退回纯时间分层。也走 feature_flags 白名单（面板可启停=回滚开关），lightMode 预设强制关
heatGlobalBeta	1.0	广义指数形状参数 β（H=exp(-λ·Δt^β)，issue #218 拍板）：β=1 纯指数；以 Δt>1 小时为准，β<1 衰减更慢（亚线性长尾）、β>1 衰减更快（超线性）；0<Δt<1 的首小时内方向相反（Δt^β 随 β 增大而变小）
heatTypeDecay	内置 TYPE_DECAY	per-type 衰减因子 λ；λ=0 的类型免疫（preference/pattern/summary 热度恒 1.0，sleep 永不降级）
sleepHeatThreshold	0.05	sleep 降级联合判定热度下限：heat<该值 且 importance<5 才允许降级
sleepModeEnabled	false	Sleep Mode 总开关（v0.4.0，opt-in）：会话空闲 sleepIdleMinutes 后触发深维护（巩固/降级/模式发现），与 autoDream 串行不重叠
sleepIdleMinutes	5	触发 sleep 的空闲窗口（分钟，1-60）
sleepMinIntervalHours	8	两次 sleep 最小间隔（小时，1-168）：间隔内再次空闲不重复触发
sleepConflictStrictness	normal	冲突裁决严格度：gentle（高置信，阈值 0.92）/ normal（标准，0.85）/ aggressive（低置信也裁决，0.75）
sleepActionSet	conflict	sleep 冲突阶段动作集：conflict（默认=现状，只用 conflict/keep，后台流程不静默扩张）/ full（六分支 merge/update/supersede/differentiate/conflict/keep，#126）
sleepArchiveDays	30	降级分层一：N 天未访问 → 缩为摘要（正文进 _full_content）
sleepCompressDays	90	降级分层二：N 天未访问 → 直接归档（实体关系保留）
sleepPatternMinMemories	100	模式发现扫描窗口（最近 N 条记忆，10-1000）
sleepPatternLookbackDays	30	模式发现回看实体属性变更的天数（1-90）
sleepMaxPatternPerRun	3	每轮模式记忆产出上限（0=禁用，0-10）
sleepProvider / sleepModel	空	sleep 深维护专用 LLM 路由覆盖（留空用巩固模型或当前模型；建议同巩固模型选非思考模型）
sleepReasoningEffort	未配置=最低档	sleep 各阶段 LLM 推理档位（同 dreamReasoningEffort 语义，v0.7.26）
recallRecordDefault	true	recall_runs 记录默认开（显式传 recordRecall:false 的调用方不受影响）；注入同样落账（mode='inject'，随本开关，#217）
recallRetentionDays	90	recall_runs 滚动清理保留天数
hotMemoryRounds	5	会话级短期热记忆轮次（v0.5.0）：最近 N 轮对话滚动注入，从会话事件日志无状态重建、不落库
hotMemoryMaxTokens	2000	热记忆 token 预算（v0.5.0，200-32000），超出滚动截断
selectiveInjectEnabled	true	选择性注入（v0.5.0）：query 向量可用时注入候选按主题相似度重排，替代固定规则序
searchSemanticDedup	false	搜索时语义去重（v0.5.0，激进选项默认关）：embedding 余弦 ≥0.95 近重复行在 Rerank 前丢弃
searchSemanticDedupThreshold	0.95	语义去重相似度阈值（v0.5.0，默认 0.95，范围 0.5-1.0）：searchSemanticDedup=true 时生效，调整可防小模型误折叠
memoryQualityFilter	{enabled:true, archiveThreshold:30, degradeThreshold:60, minContentLength:10, exemptImportance:4}	记忆质量过滤（v0.4.6，默认开）：写库前启发式打分 0-100，元记忆词汇/自指/过短/重复/近似重复扣分；≥60 正常存储，30-60 降权（注入排序按 importance×quality/100），<30 归档标记 low_quality（显式搜索仍可召回，永不自动注入；exemptImportance 豁免：importance ≥ 该值只降权不归档，#135）
llmAudit	{enabled:true, retentionDays:90}	LLM 消耗审计（v0.4.6，默认开）：每次后台 LLM 调用（autoDream / autoSummarize / sleep / entityExtract，对应 operation_type 为 dream_consolidate / dream_summarize / dream_narrative、summarize_compress、sleep_conflict / sleep_pattern、entity_extract）写 llm_audit_logs（tokens/duration/status/source）；失败记 error 不阻塞；只读 API /api/dsh-mneme/semantic/llm-audit + /llm-audit/stats
scopeEnabled	false	作用域隔离总开关（v0.8.0，issue #17）：memory_save 按会话身份写入 agent / workspace 标注（agentPreset / 工作区路径，registry 反查取不到回退 header.cwd，再取不到 NULL）；去重键扩展含作用域三元——跨作用域同标题不再物理合并；检索按当前会话作用域加权（命中 ×1.25、他 scope ×0.5 保留可见）。也走 feature_flags 白名单（面板可启停）
strictScope	false	作用域硬过滤（v0.8.0 引入，v0.8.1 起只认显式声明；依赖 scopeEnabled）：检索 / 注入 / 列表 / 单取四路过滤，显式声明收窄到他者作用域的记忆完全不可见；载体自动标注只降权保留可见——真正的物理隔离请用 sensitivity。会话身份解析不到时 fail-closed 只挡显式行。关闭时全部为软隔离（降权保留可见）。也走 feature_flags 白名单
writeAdmission	{enabled:false, enforce:false}	写入准入（issue #254，默认关）：把「这条该不该进库」前移到 LLM 之前。第 1 级是零 LLM 的确定性判据——空白 / 纯噪声 + 密钥 / PII（判据来源是 #164 A2，经 sensitiveScan 注入，本批只定义接口）。enabled 跑判据并落审计行（llm_audit_logs 的 metadata.deny），enforce 才真的拒（store.save 之前返回，memory_save 返回 action:"denied" + reason）；只开 enabled = 仅告警、写入不拦。去重键命中不进第 1 级（归 write-update 放行），G1/G2 阈值只计量。也走 feature_flags 白名单
conflictFreezeEnabled	false	冲突冻结（v0.4.4）：dream 发现矛盾对不自动裁决，冻结进冲突队列；状态页「冲突队列」支持并排对比与人工确认（保留 A / 保留 B / 仅标记已处理，v0.8.0）
conflictFreezeMaxPending	100	冲突冻结队列最大挂起数（1-1000）：超出后不再入队（防队列无限膨胀）
escapePromptVariables	true	注入文本花括号转义（v0.8.0 恢复，issue #162）：注入边界把 {{...}} 转义，防止 hot memory / 记忆原文里的 Go template / Vue 语法触发宿主 interpolate 抛错卡死会话（v0.7.4 曾修复、v0.7.11 误删）

🔐 API 安全：DSH 无内置鉴权且默认仅监听 127.0.0.1。插件 API 默认开放（便于 Web 面板即装即用）。如需防护（如局域网暴露），在配置中设置 apiToken：写操作（画像/规则/命令）与密钥端点（vector-config、vector-reindex）需携带 Authorization: Bearer <token>（前端设置面板可填入同一 token），只读的 list / search / semantic 保持开放。/api/dsh-mneme/vector-config 返回的 apiKey 已掩码（sk-***…），存储仍保留明文供调用；前端回传空或掩码值表示"不改 key"。

⚠️ 已知边界：极简模式（minimal agent preset）下不注入（宿主设计，非插件缺陷）：minimal 预设的组合文件显式 complete: true + includeRuntimeContext: false——整条系统提示词被 persona 钉死、全部 runtime context 快照被压制，记忆注入 / 用户画像 / hot memory 在极简模式会话中一律不送达模型（宿主内置 context 同样消失）。判断与解法：会话头部显示「极简模式」即为该形态；需要记忆注入请改用标准模式（会话级切换，或 ~/.dsh/settings.yaml 设 agent-presets.default: standard——注意 --dump-config 显示的是 bundle 默认值，会被用户层覆盖，不能反映实际生效值）；极简模式下的过渡方案是把画像/规则写入 AGENTS.md（agent-instructions 走 section 路径，不受该压制影响）。

外部 API 与 CLI

除 DSH 内部端口外，插件还可以开启一个独立的 HTTP 外部 API（默认 http://127.0.0.1:8790，Bearer token 鉴权），供其他插件、CLI 脚本或桌面工具读写记忆，不依赖 DSH 内部端口。

启用与鉴权

• 在插件设置中开启外部 API（默认监听 127.0.0.1:8790，仅本机可访问）；
• 访问 token 在插件设置 / 面板「设置 → 外部访问」中查看；
• 除 GET /health（免鉴权）外，所有路由需携带 Authorization: Bearer <token>，无效 token 返回 401 {"error":"unauthorized"}。

主要路由：

方法	路由	说明
GET	/health	健康检查（免鉴权），返回 {ok:true}
GET	/status	版本、记忆统计、实体数、运行时长
GET	/profile	用户画像，返回 {profile:"..."}；未设置时为空字符串
GET	/rules	行为规则列表，返回 {rules:[...]}；未设置时为空数组
GET	/memories?limit&offset&type&minImportance&source&order=chrono&include_archived&occurred_from&occurred_to	分页列出记忆（include_archived=true 含归档；occurred 时间窗按 occurred_at 回退 created_at）
GET	/memories/:id	单条记忆
POST	/memories	新增记忆 {type,title,content,importance?,tags?,source?,sensitivity?,occurred_at?,agent_scope?,workspace_scope?}；响应含 action: created|merged
PUT	/memories/:id	局部更新 {title?,content?,type?,importance?,tags?,reason?,agent_scope?,workspace_scope?}；content 改写按 human_override 入档
DELETE	/memories/:id	删除记忆
GET	/search?q&mode=keyword|vector|hybrid|auto&topK&occurred_from&occurred_to	搜索（关键词 / 向量 / hybrid=向量领位关键词补位 / 自动）
POST	/bootstrap	冷启动（v0.8.4）：从仓库目录反向构建初始记忆，body {dir} 必填；幂等（(type,title,scope) 去重 + _overwrite 原地刷新），零 LLM、必有产出

curl 示例

# 服务状态
curl -s -H "Authorization: Bearer $DSH_MNEME_TOKEN" http://127.0.0.1:8790/status

# 列出最近 5 条记忆
curl -s -H "Authorization: Bearer $DSH_MNEME_TOKEN" \
  "http://127.0.0.1:8790/memories?limit=5"

# 新增一条决策记忆
curl -s -X POST http://127.0.0.1:8790/memories \
  -H "Authorization: Bearer $DSH_MNEME_TOKEN" \
  -H "Content-Type: application/json" \
  -d '{"type":"decision","title":"采用 SQLite","content":"存储层使用 node:sqlite","importance":4,"tags":["存储"]}'

CLI 安装

插件自带零依赖 CLI（随 npm 包一起发布）：

npm i -g @modusensus/dsh-mneme
dsh-mneme --help

首次使用先配置服务地址与 token（也可用环境变量 DSH_MNEME_URL / DSH_MNEME_TOKEN，或 --url / --token 参数临时覆盖）：

dsh-mneme config set http://127.0.0.1:8790 <你的token>

CLI 常用命令

dsh-mneme status                                     # 服务状态
dsh-mneme list --type project --limit 10             # 列出记忆
dsh-mneme search "部署流程" --mode vector --topk 5    # 语义搜索
dsh-mneme add --type decision --title "采用 SQLite" \
  --content "存储层使用 node:sqlite" --importance 4 --tags 存储,决策
dsh-mneme get 42                                     # 查看单条
dsh-mneme delete 42                                  # 删除
dsh-mneme config show                                # 查看当前配置（token 打码）

所有读取/写入命令支持 --json 输出原始 JSON；config path 打印配置文件路径（~/.dsh-mneme/cli.json）。

MCP Server（任意 MCP 客户端接入）

Claude Code / Codex / Hermes / OpenCode / OpenClaw 等各客户端的最小挂载配置速查表见根 README；本节是完整配置与安全说明。规划中的独立分发包 mneme-memory 落地后，挂载命令将保持兼容（详见仓库 Discussions #300）。

插件自带 stdio MCP server（bin/dsh-mneme-mcp.mjs，零依赖，随 npm 包发布，bin 名 dsh-mneme-mcp）。任何支持 Model Context Protocol 的客户端（Claude Code、Cursor 等）挂载后即可获得与 DSH 内一致的记忆工具六件套：memory_save / memory_search / memory_list / memory_get / memory_update / memory_delete——工具名、参数与去重合并、重要性等语义与 DSH 内工具对齐（测试锁漂移）。

数据面走上面的独立外部 API（8790，Bearer）：写入并发由 DSH 单点负责；DSH 未运行（外部 API 未启动）时 MCP 侧调用会报连接失败。scope 语义注意：外部 API 无会话上下文，memory_save 不做自动标注，只认显式 agent_scope / workspace_scope 声明。

配置优先级沿用 CLI 约定：环境变量 DSH_MNEME_URL / DSH_MNEME_TOKEN > ~/.dsh-mneme/cli.json > 默认 http://127.0.0.1:8790。安全注意：服务默认只绑 127.0.0.1；若把 DSH_MNEME_URL 指向非回环的明文 HTTP 地址，Bearer token 将明文过网（启动时会有 stderr 警告）——远程场景建议走 SSH 隧道。

Claude Code 挂载示例（项目根 .mcp.json；token 在面板「设置 → 外部访问 API」查看）：

{
  "mcpServers": {
    "dsh-mneme": {
      "command": "dsh-mneme-mcp",
      "env": { "DSH_MNEME_TOKEN": "<你的token>" }
    }
  }
}

未全局安装 npm 包时，把 command 换成 npx、加 args: ["-p", "@modusensus/dsh-mneme", "dsh-mneme-mcp"] 即可。

🏗️ 架构

┌─────────────────────────────────────────────────┐
│  存储层：SQLite (archived/forgotten 状态)         │
│         + Markdown 镜像（人工可编辑，双向同步）    │
├─────────────────────────────────────────────────┤
│  服务层：saveWithDedupe / injectCandidates        │
│         / mergeHumanEdits / onWrite 钩子          │
├─────────────────────────────────────────────────┤
│  模型接口：9 个工具 + 自动注入 + 会话摘要          │
├─────────────────────────────────────────────────┤
│  autoDream：阈值调度 → LLM 决策清单               │
│            → 校验（fail-safe）→ 应用 → 摘要       │
├─────────────────────────────────────────────────┤
│  Web 面板：设置面板内嵌 + 浏览/搜索（含向量）    │
└─────────────────────────────────────────────────┘

源码结构：

src/
├── store.js          # SQLite 存储（CRUD、搜索、归档/遗忘、schema 迁移、scope 四列）
├── mirror.js         # Markdown 镜像（渲染/解析，人工优先）
├── service.js        # 领域逻辑（去重合并、注入筛选、写入钩子、scope 加权/硬过滤、冲突队列）
├── scope.js          # 作用域解析（agentPreset + workspace registry 反查，issue #17）
├── config.js         # schemastery 配置 schema
├── tools.js          # 9 个模型工具（defineTool）
├── inject.js         # systemPrompt.context 动态注入（含花括号转义）
├── summarize.js      # 会话结束 LLM 摘要
├── dream.js          # autoDream 调度 + runDream（LLM 决策 + 摘要）
├── dream/decisions.js# 决策校验（fail-safe）+ 决策应用
├── dream/clustering.js # 候选集聚类（k-means++ seeding）
├── dream/sleep.js    # Sleep Mode 分层压缩
├── entities/extractor.js # 实体抽取器（v0.3.0：LLM JSON 抽取 + 去重 + fail-safe）
├── search/bm25.js    # BM25 稀疏召回（v0.5.0：分词 + IDF 索引）
├── search/adaptive.js# 自适应相似度阈值（v0.5.0）
├── hot-memory.js     # 会话级短期热记忆（v0.5.0：滚动轮次 + token 预算；注入剥离 reasoning）
├── runtime/          # 自管本地推理运行时（收编 / 本地 .tgz / registry 三档取件 + 校验）
├── embedding.js      # OpenAI 兼容 embeddings 客户端 + 向量检索
├── api.js            # HTTP 路由（Web 面板数据通道，含 /conflicts 冲突队列）
└── index.js          # 插件接线
lib/                  # src 的同步分发产物（npm run sync；发布前由 root prepack 的 check-sync.js 校验一致性；唯一手写例外 lib/client.js——Web 面板 bundle，sync 不覆盖）
test/                 # 1431 个 node:test 测试（审计与三轴线压测不变量；src↔lib 一致性由 scripts/check-sync.js 发布闸门校验）
scripts/              # e2e-dsh.js 端到端演示 · stress-dsh.js 三轴线压测 · sync-lib.js 同步 · check-sync.js 发布闸门 · benchmark-recall.js / benchmark-embed.js / benchmark-rerank.js 基准 · sync-test-badge.mjs 测试徽章 · build-runtime-manifest.mjs 运行时清单

🧪 开发

cd dsh-mneme
npm install        # 安装 peer 依赖（以 devDependencies 形式，用于本地测试）
npm test           # 运行 1431 个测试
npm run stress     # 三轴线压测：长会话检索 / 冲突仲裁 / 多 Agent 并发（离线 mock LLM）
npm run sync       # 把 src/ 同步到 lib/（发布时由 prepack 钩子自动执行）

压测（npm run stress）三条轴线：长会话检索（Recall@k、陈旧残留率）、冲突裁决（可重放仲裁集：审计快照 hash + receipt + 幂等回放）、多 Agent 并发（丢更新、重复合并、事务/崩溃恢复）。每次 autoDream 运行都会写入审计表 dream_runs（输入快照 digest + 决策清单 + 逐 id 去向 + receipt），让高通过率下也能定位静默错误。

lib/ 是 src/ 的同步分发产物（npm run sync）：除 lib/client.js（Web 面板 bundle）为 lib 独有的手写文件、sync 与 check-sync 均不触碰外，其余全部由 src 复制而来。改 src 必 npm run sync 并提交 lib，否则发布产物静默失效（issue #65 教训）。

📄 设计文档

设计文档位于仓库根 docs/，链接以 ../docs/ 相对路径指向（GitHub 上从本目录打开可正常跳转）。

• 配置说明（全键参考）
• 实体结构化记忆设计
• 语义增强架构
• 本地模型部署指南

🙏 致谢

autoDream 的理念溯源（理念借鉴、实现原创）：

• Claude Code 的 Auto Dream（Anthropic，Memory 2.0）：理念源头——会话间隙由后台子代理整理记忆文件（去重、修矛盾、清衰减）。
• Sleep-time Compute: Beyond Inference Scaling at Test-time（UC Berkeley & Letta，arXiv:2504.13171）：Auto Dream「离线巩固」思想背后的学术脉络。
• cc-haha：早期实现思路的参照之一。

在上述工作之上，dsh-mneme 做了自己的工程发展：K-Means++ 聚类预分组（src/dream/clustering.js）、类型化决策清单（keep / merge / archive / conflict / update，及 sleep 侧 supersede / differentiate）与可回放的 sha256 摘要审计链（dream_runs / receipt_chain）。如有遗漏的灵感来源，欢迎提 issue 指出。

📜 License

MIT