一句话定位

把腾讯云开源的四层记忆系统（TencentDB Agent Memory，原 OpenClaw 插件）整体搬进 DeepSeek Harness：自动保存每一轮对话、用 LLM 抽取事实/偏好/画像，下次提问时按当前消息自动把相关记忆塞进提示词里，让模型"凭空想起"过去的事。

核心能力

• 自动保存每一轮对话到本地 SQLite + JSONL + FTS + 向量索引（L0 原始捕获）
• 后台用 LLM 从对话里抽取事实、偏好、事件，写入结构化记忆库（L1）+ 自动生成用户画像和场景块（L2/L3）
• 每次发送消息前，按当前用户输入自动检索相关记忆，作为动态上下文注入提示词（无需手动搜）
• 模型可主动调用 tdai_memory_search（结构化记忆检索）和 tdai_conversation_search（原文对话检索）两个工具
• Web UI 设置页自带「记忆」栏，可视化编辑所有配置（数据目录、提取模型、Embedding、开关），密钥写空即保留原值
• 数据目录复用 ~/.memory-tencentdb/memory-tdai，腾讯云版旧记忆直接迁移可用

技术实现

• 语言: JavaScript（ESM，Node 原生，TypeScript 仅用于 vendored 核心）
• 关键依赖: @deepseek-ai/schemastery（配置 schema）、@deepseek-ai/dsh-tools（工具注册）、@tencentdb-agent-memory/tcvdb-text（向量库绑定）、sqlite-vec（本地向量检索）、@node-rs/jieba（中文分词）
• 架构模式: Cordis 插件（profile bundle）。index.js 监听 session/event+session/flush 做捕获，监听 system-prompt/assemble 做召回注入；client.js 渲染 Web UI 设置栏；recall-inject.js 作为预设行级别的备用召回注入器。底层核心 TdaiCore 来自 vendored 腾讯云版，零改动通过 StandaloneHostAdapter 直连 OpenAI 兼容 LLM/Embedding
• 入口文件: index.js（宿主侧 Cordis 插件）+ client.js（浏览器侧 ModuleLoader 插件）+ recall-inject.js（agent 预设内备用行）

适用场景

在 DSH 里长期使用同一个对话/Agent、想让模型记住你说过的事实（项目背景、个人偏好、历史决定）的用户；或者希望"问一句就能想起上次聊过什么"，而不是每次都重述背景。一次性问答场景用不到此插件，需要一个长会话/长 Agent 才会有感知。

前置依赖与兼容性

安装方式

dsh plugin --profile web add github:Scorp1o117/dsh-tdai-memory

配置项

常见问题

Q: 安装命令跑完后还要不要手改 cordis.patch.yml？

A: 不用。cordis.patch.yml 里的 - insert 声明已经把 tdai-memory 注册成 profile bundle，装包时由 dsh plugin 自动合并挂载。

Q: 设置页面改完怎么没生效？

A: TdaiCore 在插件启动时构建一次，运行时改 settings 不会重建。修改后必须重启 dsh web 才会真正生效（index.js:380 也有 warn 提示）。

Q: 提取模型用 deepseek-v4-flash 行不行？

A: 不推荐。它的 JSON 输出经常不合规，会导致 L1 一条都提不出来；README 默认改用 mimo-v2.5，单次 20–30s 但跑在后台不阻塞对话。

Q: 一定要装 node-llama-cpp 吗？

A: 不必须。它只是「完全本地 embedding」后端的可选 peer，peerDependenciesMeta 标为 optional；用 OpenAI 兼容远程 embedding（默认）不需要它。

Q: 旧机器上用腾讯云版积累过的记忆会丢吗？

A: 不会。数据目录固定为 ~/.memory-tencentdb/memory-tdai，腾讯云版写的内容原样保留，新插件直接复用。

Q: 模型能主动搜旧记忆吗？

A: 可以。tdai_memory_search（L1 结构化检索）和 tdai_conversation_search（L0 原文检索）注册后会出现在工具列表，模型可主动调用。

Q: 卸载插件数据还在吗？

A: 还在。dsh plugin remove 只卸包和解除挂载，~/.memory-tencentdb/memory-tdai 不会被清；想彻底删需手动 rm 该目录。

上手难度

进阶 — 需要自行选择并接入一个 OpenAI 兼容的提取 LLM 和 embedding 服务（默认 http://127.0.0.1:8088 的 Qwen3-Embedding 不一定存在），理解四层记忆架构的 L0/L1/L2/L3 才能调好参数；装上就能跑，但想榨出价值需要挑对模型和 embedding 后端。

已知问题与限制

• 提取模型 deepseek-v4-flash 输出 JSON 不合规，会出现 L1 一条都提不出来的情况；默认推荐 mimo-v2.5（20–30s/次，后台执行）（README.md:125-127）
• 冲突检测（dedup）的 LLM 输出解析不稳，曾导致 stored=0，默认关闭，开启需换更可靠的模型（README.md:128-129 / index.js:63）
• mimo-v2.5 单次提取 20–30s，长会话多轮时整体 L1 抽取耗时可观（README.md:125）
• L0 向量写入走后台任务，headless 一次性任务退出时由 destroy() drain，任务量过大可能丢失尾部（README.md:130-131）
• Vendored 核心里的 seed-runtime.js 标注了 FIXME：teardown 只等 L1 闲下来就销毁，L2/L3 管线可能未跑完就被打断（vendor/tdai/core/seed/seed-runtime.js:8-14）
• Vendored 核心里的 tcvdb.js 标注了 TODO：向量集合创建未延迟到首次使用，启动期可能阻塞插件初始化（vendor/tdai/core/store/tcvdb.js:178）
• Web 设置页面改完配置必须重启 dsh web 才生效，运行时改 settings 仅写盘不重建核心（README.md:111 / index.js:379-382）
• 升级后若拉取新的上游代码，需要在 tdai 项目目录重跑 npx tsc -p dsh-tsconfig.json（README.md:132-133）

dsh-tdai-memory

GitHub: Scorp1o117/dsh-tdai-memory · npm: dsh-tdai-memory

Part of the DeepSeek Harness Enhancement Suite — Vision · Soul/Persona · Long-term Memory · Plugin Marketplace.

A port of TencentDB Agent Memory (Tencent Cloud's open-source four-layer memory system, originally an OpenClaw plugin) into DeepSeek Harness.

Features

• L0 conversation capture: every turn (turn end, request boundary) is written to raw conversation storage (JSONL + SQLite + FTS + vectors)
• L1 structured memory: a background pipeline uses an LLM to extract facts / preferences / events (persona / episodic / instruction) from conversations, stored in records/ + SQLite + FTS + vectors
• L2 scenes / L3 persona: scene blocks and user profile generation (pipeline-scheduled)
• Automatic recall injection: on every prompt assembly, relevant memories and the user profile are retrieved by the current user message and injected as dynamic context (the model "just remembers")
• Tools: tdai_memory_search (L1 structured search), tdai_conversation_search (L0 raw-text search)

The data directory reuses the existing ~/.memory-tencentdb/memory-tdai, so previously accumulated memories carry over seamlessly.

Architecture (porting approach)

Hard-won wiring details:

• Capture: session/flush listener (await semantics; must complete before headless exits); turn/start timestamps as the L0 cursor floor; turn-id dedup
• Headless one-shot runs: wait for core.handleSessionEnd() inside flush (L1 extraction finishes before exit; otherwise the 5s shutdown timeout kills it)
• Recall injection: must be registered on agent.ctx (assembly runs in the agent scope; root listeners never see it); attach one tick after session/created by resolving the agent from the agents service

Configuration (profile patch + settings)

Configuration is settings-namespace driven: the profile patch is the base layer, and the tdai-memory: section of $DSH_HOME/settings.yaml overrides it (LLM/embedding keys live in settings.yaml). The Web UI Settings → 记忆 section edits every field (v0.2.0, write-only keys); TdaiCore is built at startup, so changes apply after a restart.

# $DSH_HOME/settings.yaml
tdai-memory:
  llm:
    apiKey: 'sk-...'
  embedding:
    apiKey: 'local-no-key'

# profile patch (base layer)
- id: tdai-memory
  name: 'dsh-tdai-memory'
  config:
    extraction:
      enabled: true
      enableDedup: false      # dedup LLM output parsing is flaky; off by default
    llm:                      # L1/L2/L3 extraction model (OpenAI-compatible)
      baseUrl: 'https://opencode.ai/zen/go/v1'
      model: 'mimo-v2.5'      # deepseek-v4-flash produces invalid extraction JSON
    embedding:                # vectors (OpenAI-compatible /v1/embeddings)
      baseUrl: 'http://127.0.0.1:8088/v1'
      model: 'Qwen3-Embedding-0.6B'
      dimensions: 1024
      sendDimensions: false

Install

dsh plugin --profile web add dsh-tdai-memory

then mount it in $DSH_HOME/profiles/web/cordis.patch.yml:

- insert:
    - id: tdai-memory
      name: 'dsh-tdai-memory'
      config: {}          # keys can live in settings.yaml instead

and restart dsh web. LLM/embedding API keys can be set in the Web UI settings page (记忆 / Memory) or directly in settings.yaml under tdai-memory:.

Note for users

• This plugin is a standard profile bundle (dsh.bundle.patch): dsh plugin --profile web add dsh-tdai-memory installs and mounts it in one step — no manual cordis.patch.yml edits needed.
• The settings section needs the dsh-host-apiproxy namespace allowlist; the plugin patches it automatically on first start — restart dsh web once more and the section appears. A dsh update overwrites the patch; the next plugin start re-applies it.
• Settings changes apply after a restart (TdaiCore is built at startup).
• Tested against DSH 0.1.0-rc.6, 0.1.0-rc.7, and 0.1.0-rc.8.

Known trade-offs

• Extraction model: mimo-v2.5 extracts correctly but takes 20-30s per call (background execution, does not block the conversation); deepseek-v4-flash is fast but its JSON output is non-compliant (extracts 0)
• dedup: LLM conflict-detection output parsing is unstable (once caused stored=0); off by default; enable only with a more reliable model
• L1 memory vectors: written with storage (8088 embedding is fast); L0 vectors run as a background task, drained by destroy() on headless exit
• Upgrades: after pulling new upstream code, rerun npx tsc -p dsh-tsconfig.json in the tdai project dir (output in dist-dsh/)

License

MIT