运动记忆(Motion Memory)v0.4.9
适配 DeepSeek Harness(DSH)的记忆管理插件:把会话里值得保留的内容自动沉淀为本地记忆文档,通过对话跟踪 + 周期总结维护一份"越用越懂你"的长期记忆。全程本地存储、本地模型、可控可查。
版本配对(先看这一节)
插件与 DSH 是硬配对关系:只有下表"精确配对"栏里的组合被实际验证过。 其他组合不是"少个功能",而是可能整棵插件树挂载失败、或整份会话历史打不开——DSH 的失败方式是 fail-closed,所以版本号对不上就当作不配对。
| 插件版本 |
精确配对(stable,已逐条复核) |
同族可能兼容(maybe,未验证) |
| v0.4.9 / v0.4.8 |
DSH 0.1.6-alpha.2、DSH 0.1.5-rc.1 |
其他 0.1.6-、其他 0.1.5- |
| v0.4.7 |
DSH 0.1.5-rc.1 |
其他 0.1.5-* |
| v0.4.4 ~ v0.4.6 |
DSH 0.1.2-rc.1 |
其他 0.1.2-* |
| ≤ v0.3.3 |
DSH 0.1.0 ~ 0.1.1 |
—— |
- 同一份表的机器可读版本:仓库根目录
compat.json(stable / maybe 两档)。
- 不用自己记:插件会报本机配对情况——设置页 →「运动记忆」→「版本与更新」、命令
memory cmd=status(【版本配对】段)、memory cmd=update(检查更新时一并给出"新版本适配哪个 DSH 版本")。
- DSH 仍在高频破坏性升级期(0.1.2 → 0.1.6 之间,本插件被同一条链路干掉过 3 次),升级 DSH 前先确认有没有对应的适配版本。
特性
- 四层记忆结构:当前活跃 → 周期 → 事件 → 原始对话,层层可溯源(
sourceChain 一路落到会话@轮次[:stepN])
- 对话跟踪:每轮结束自动把本轮内容压成记忆(含经验教训),累积进该会话聚合文件
- 周期总结:定时把未总结的活跃/重要/事件收拢压缩,防止记忆越积越多
- 关键词查重分流:写入前自动查同名/近似标题,同一实体更新、不同实体消歧新建并关联
- 引用转跳 + 只读保护:正文链接点开即溯源;事件/周期默认只读,记忆污染可隔离回滚
- 记忆面板增强:关键词页按智能体筛选 + 归属标签;活跃页关键词独立词条维护、从关键词库挑选增加
- 首轮总览注入:重要记忆按分数排序、最近会话工作摘要、用户画像/用户要求全文、隔离通知并入必要记忆区
- 无模型降级:不配模型也能用(用户消息引用累积 + 周期转正)
- 多智能体归属、自动归档、CAS 并发、失败续跑等工程细节齐全
安装
方式一:一行命令安装(推荐)
本仓库是标准 DSH 组合包(bundle),用官方安装器装进 profile 即可,配置层自动生效:
dsh plugin --profile <你的profile名> add github:li3-feng2-jie2/dsh-motion-memory
重启 DSH,记忆工具与设置界面随重启生效。之后升级版本:dsh plugin --profile <你的profile名> update dsh-motion-memory。
方式二:git clone 安装(推荐 · 支持一键更新)
cd <你的profile>/plugins
git clone https://github.com/li3-feng2-jie2/dsh-motion-memory motion-memory-dist
在 profile 的 cordis.patch.yml 里启用:
- insert:
- id: motion-memory
name: ./plugins/motion-memory-dist/motion-memory.js
- id: mm-settings
name: mm-settings
- id: mm-profile
name: mm-profile
把两个界面插件挂到 profile 的 node_modules/(Windows 推荐 junction):
mklink /J "<你的profile>\node_modules\mm-settings" "<你的profile>\plugins\motion-memory-dist\mm-settings"
mklink /J "<你的profile>\node_modules\mm-profile" "<你的profile>\plugins\motion-memory-dist\mm-profile"
重启 DSH 后,设置页 →「运动记忆」→「版本与更新」可检查并一键更新(见版本与更新)。
方式三:手动放置
- 下载源码:
https://github.com/li3-feng2-jie2/dsh-motion-memory
- 把
motion-memory.js、mm-settings/、mm-profile/、motion-memory-modules/、compat.json 放到 profile 的插件目录(如 ~/.dsh/profiles/<profile名>/plugins/)
- 把
mm-settings、mm-profile 挂到(或复制进)profile 的 node_modules/
- 在
cordis.patch.yml 里按方式二的三行启用,重启 DSH
版本与更新
- 检查更新:启动 8 秒后 + 每 12 小时一次(设置页可关);手动入口是设置页「版本与更新」或
memory cmd=update(检查)/ memory cmd=update action=apply(更新)。只检查不下载。
- 更新只在本机 DSH 的配对范围内进行:远端"最新版"若不是给本机这个 DSH 版本用的,就不提示升级(更新会把人拖到不配对的版本,DSH 是 fail-closed);执行更新也被同一道门挡住。检查结果一行给全:
插件版本 ↔ DSH 版本 · 配对状态 · 可更新至 vX / 已是最新。
- 更新范围(设置页可调,配置项
updatePolicy):exact 只认精确配对 / epoch(默认)精确配对 + 同接口世代 / family 再放宽到同子版本族。放宽依据在 compat.json 的 iface(接口世代)——接口没大变动时把子版本族登记进去(如 "0.1.6": "dsh3"),不用改代码。
- 执行更新:git 安装
git pull --ff-only;手动安装按 MANIFEST.json 清单增量覆盖(逐个校验 sha256)。都需重启 DSH 生效;离线只影响提示,不影响使用。
快速上手(3 步)
- 按上面安装并重启 DSH;
- 设置页 →「记忆管理员」→ 选一个本地模型(LM Studio / Ollama 加载的 7B~9B 足够);
- 设置页 →「对话跟踪」→ 启用、间隔设 0(每轮);正常聊天即可自动沉淀,之后去对话页「记忆」面板看轮次总结 / 关键词 / 周期总结。
为什么不建议用付费模型:本工具是"组装上下文 + 提示模型处理",每次调用都带着记忆上下文去提问,缓存几乎必定未命中,用付费大模型成本很高。提示词与模型能力也会明显影响总结质量——同一套提示词在不同模型上效果差异很大。
记忆结构(四层)
原始对话(DSH 会话日志,不可变) ← sourceChain:会话@轮次[:stepN]
↑
事件记忆(每会话一个聚合文件) ← links:kind=turn 指向事件
↑
关键词记忆(重要/,跨会话知识点,可遗忘入补充区) ← 周期 coveredEvents
↑
周期记忆(中长期摘要)→ 当前活跃(每会话一个工作段,贯穿始终,可指向上面任意一层)
文档与工具
| 工具 |
用途 |
memory |
综合入口:status / config / notify / recent / history / recall_past / restore / track_run / period_run / period_status / enhance / admin_view / admin_summarize / isolation / update 等 |
memory_query |
查询/回忆:开工总览 / keyword 搜索 / open 阅读(关联展开)/ openTurn 读轮次原文 / recent / enhance |
memory_add |
写入:keyword / necessary / event / update / edit(用户确认强改)/ forget |
会话模型可调用工具共 3 个(memory / memory_query / memory_add);另有内部无更新占位(memory_noop)仅用于管理员总结的降级通道,不暴露给会话调用。
交流群
- 运动记忆 · 聊天交流群:1073657377
- 运动记忆 · 开发交流群:1090687976
欢迎反馈使用问题、参与功能设计与代码共建。
项目状态与协作(请先读)
开发模式:个人提供想法,DeepSeek v4 Flash 负责代码编辑与审阅——功能设计与迭代方向由作者主导,代码实现与审查由 AI 协助完成。
完善度说明:作者未系统学习 TypeScript,也没有做过长期数据累积的正式测试,纯粹靠以往其他语言的代码经验设计管理流程,并在 DSH 的高自定义环境下反复打磨。功能可用、结构清晰,但请把它当作一个"能跑、可改、欢迎一起完善"的版本——部分细节和 bug 可能修得不够好,改动未经充分回归测试。
寻求合作:主要作者现在还有其他工作,可能没那么多精力做细节开发。欢迎懂一些的朋友参与——提 issue、改代码,一起把记忆流程打磨得更稳。