itr-del

dsh-cue-bank

Name: dsh-cue-bank
Author: itr-del

Cross-session event-cue memory plugin for DeepSeek Harness: auto-builds a persistent cue bank from conversations and re-injects remembered context on topic switches.

Stars: 0
Language: —
Created: Aug 15, 2026
Updated: Aug 15, 2026

Memory

GitHub repo

Introduction

dsh-cue-bank — 跨会话「事件触点记忆」插件

让 Agent 的记忆能力向人类靠拢：人脑可以在不同任务间随时切换，靠的是对事件建立多维触点（关键词、视角、触发物…），触点被当前情境激活后，从长期记忆快速拉取事件细节。本插件把这一机制在 dsh（DeepSeek Harness）上落地。

设计原理

人脑记忆模型                          本插件实现
─────────────────                    ─────────────────────────────
事件经历                              触点库中的 topic（带摘要+关键词+时间）
事件触点（关键词/视角/触发物）         topic.keywords + dimensions
情境激活触点 → 唤醒事件               用户新消息关键词 → 扫描触点库
话题切换 → 快速拉取细节                重合度低于阈值 → 注入记忆唤醒上下文
记忆渐进完善                          每次触碰更新 lastTouchedAt / 合并关键词

两层架构

┌─ 写入侧（建库，每轮 turn 结束时）─────────────────────┐
│ agent/status=idle → 读本 turn 文本                    │
│   ├─ 对话级触点：本轮关键词（2~4 字中文 gram + 英文词）│
│   ├─ 任务级触点：session 聚合关键词（合并更新）        │
│   └─ 用户惯用词：近 N 轮窗口的高频个人用词（第二类）    │
│ → upsert 进全局触点库（原子写 JSON）                   │
└───────────────────────────────────────────────────────┘
┌─ 唤醒侧（话题切换时，每步组装前）─────────────────────┐
│ systemPrompt.context() provider（同步契约）           │
│   → 提取新消息关键词 → 与上轮关键词算重合度           │
│   → 重合度 < 阈值 = 话题切换                          │
│   → 扫描触点库（关键词 TF 加权 / 向量余弦）           │
│   → 命中 top-N → 注入 <system-reminder> 记忆唤醒块    │
│   → 命中用户惯用词 → 追加「用户惯用词」提示行          │
└───────────────────────────────────────────────────────┘

关键设计决策

1. 动态组装注入（不污染持久历史）

使用 systemPrompt.context() 注册动态上下文：每次 prompt 组装时求值 provider，生成带来源的 runtime-context 快照，随请求发送但不写入持久 session 历史。话题不切换时不注入，保持上下文干净。这正是与 agent-instructions（持久注入）的关键区别。

2. 触发时机可配置

配置	默认	说明
`topic.switchDetection`	`true`	开启话题切换检测
`topic.switchThreshold`	`0.25`	关键词重合度低于此值视为切换（0~1）
`topic.scanEveryTurn`	`false`	每轮都扫描（灵敏但开销大）；`false` 时只在切换时扫描

3. 匹配算法：双模式可配置

模式	成本/次唤醒	效果	适用
`keyword`（TF 加权穷举）	0（纯本地）	词面重合准确，语义弱	无外部 key
`vector`（向量余弦）	≈ ¥0.000025（见下）	语义匹配强	有 embedding key
`auto`（默认）	—	有 key 用向量，否则降级关键词	推荐

⚠️ DeepSeek 官方 API 不提供 embedding 端点（见 issue #806），向量模式走 OpenAI 兼容接口（默认 SiliconFlow BAAI/bge-m3）。库向量在写入时预计算并缓存，唤醒时只编码 1 条 query，不重复计费。

成本估算（bge-m3 / SiliconFlow，2026-08 行情）：

单次唤醒：编码 query ~50 tokens ≈ ¥0.000025（每 1 万次话题切换约 ¥0.25）
写入时：每轮 1 次嵌入（可忽略）
关键词模式：零外部成本

4. 通用插件（所有 agent 生效）

监听全局 agent/created，对每个 agent 挂载唤醒/写入钩子，不限于飞书。userId 从 session id 提取（feishu:ou_xxx → ou_xxx；其他 session 用完整 id），按用户分片存储。

5. 全局存储

触点库存于 $DSH_HOME/storages/cue-bank/users/<userId>.json（默认），跨 profile、跨会话共享；可用 storageRoot 覆盖。单用户触点上限 200 条（LRU 淘汰），惯用词上限 50 条。

安装

1. 插件包（已在 `/home/ubuntu/dsh-cue-bank`）

2. 挂载到 profile

在 profile 的 package.json 加依赖：

"dependencies": {
  "@local/dsh-cue-bank": "file:/home/ubuntu/dsh-cue-bank"
}

在 profile 的 cordis.patch.yml 插入：

- insert:
    - id: cue-bank
      name: '@local/dsh-cue-bank'
      config:
        storageRoot: ''
        matchMode: 'auto'
        embedding:
          provider: 'openai-compatible'
          baseURL: 'https://api.siliconflow.cn/v1'
          apiKeyEnv: 'SILICONFLOW_API_KEY'
          model: 'BAAI/bge-m3'
          dimensions: 1024
        topic:
          switchDetection: true
          switchThreshold: 0.25
          scanEveryTurn: false
        inject:
          enabled: true
          maxCues: 3
          maxDetailChars: 400
        dbg: false

3. 安装并重启

cd ~/.dsh/profiles/web && pnpm install
# 重启 dsh web 后生效（插件在启动时加载）

完整配置项

键	默认	说明
`storageRoot`	`''`	空 = `$DSH_HOME/storages/cue-bank`
`matchMode`	`auto`	`auto` \| `keyword` \| `vector`
`embedding.baseURL`	`https://api.siliconflow.cn/v1`	OpenAI 兼容端点
`embedding.apiKeyEnv`	`SILICONFLOW_API_KEY`	API key 环境变量名
`embedding.model`	`BAAI/bge-m3`	嵌入模型
`embedding.dimensions`	`1024`	向量维度
`embedding.timeoutMs`	`5000`	嵌入超时
`topic.switchDetection`	`true`	话题切换检测开关
`topic.switchThreshold`	`0.25`	切换阈值（关键词重合度）
`topic.scanEveryTurn`	`false`	每轮扫描
`topic.maxKeywords`	`10`	每轮提取关键词数
`inject.enabled`	`true`	唤醒注入开关
`inject.maxCues`	`3`	最多注入几条记忆
`inject.maxDetailChars`	`400`	单条细节截断长度
`extract.enabled`	`true`	建库开关
`extract.maxKeywordsPerTurn`	`12`	每轮入库关键词数
`extract.keywordMinLen`	`2`	关键词最小长度
`extract.userIdiomWindowTurns`	`10`	惯用词统计窗口（轮）
`extract.maxIdiomHints`	`5`	唤醒时最多提示几个惯用词
`dbg`	`false`	调试日志

数据模型

{
  "version": 1,
  "userId": "ou_xxx",
  "idiosyncrasies": [                      // 第二类触点：用户用词偏好
    { "word": "闭环", "score": 0.2, "firstSeen": "...", "lastSeen": "..." }
  ],
  "topics": [                              // 第一类触点：事件
    {
      "id": "t-...",
      "level": "task" | "conversation",
      "keywords": [ { "word": "飞书插件", "score": 0.035 } ],
      "summary": "对话: 讨论飞书插件…",
      "dimensions": { "trigger": "keywords", "perspective": "task" },
      "embedding": [0.1, 0.2, ...] | null, // 向量模式缓存
      "refSessions": ["feishu:ou_xxx"],
      "createdAt": "...", "lastTouchedAt": "...", "hitCount": 3
    }
  ]
}

唤醒注入示例（模型视角）

<system-reminder>
📌 记忆唤醒（cue-bank）: 检测到话题切换，以下为与该话题相关的历史记忆，可作为参考：
- [conversation] 对话: 我想做一个飞书插件，用来管理跨会话记忆…
  触点命中: 飞书插件、插件
  最近提及: 2026-08-15
  细节: 对话: 我想做一个飞书插件…
- [task] 任务: 我想做一个飞书插件…
用户惯用词: 形成闭环、闭环（用户习惯的表述，回复可顺应）
</system-reminder>

与 dsh 官方插件的对比（重复度调研）

调研日期：2026-08，基于 dsh-base 实际装配的插件清单逐一核验源码/README。

结论：核心能力几乎不重复（估计重复度 10-15%），方向相反——官方是「被动查询」，cue-bank 是「自动记忆 + 主动唤醒」。

官方插件（dsh-base 已装配）	做什么	与 cue-bank 重复度
`dsh-session-query` + `sqlite`	会话历史 FTS5 全文检索、关系追踪（被动查询 API，需有人调用）	⚠️ 低——管"查"，不管"自动记+自动唤醒"
`dsh-session-reference`	显式 `@` 引用跨会话快照注入（需用户主动提及，dsh-base 默认未启用）	⚠️ 低——被动触发 vs 话题切换主动触发
`dsh-compaction(-basic)`	同会话内 token 压力摘要压缩（管理当前窗口）	✅ 无——不跨会话
`dsh-agent-instructions`	AGENTS.md/CLAUDE.md 静态指令文件加载	✅ 无——静态文件
`dsh-spill`	超大工具输出暂存+取回定位	✅ 无——存储优化

cue-bank 独有能力（官方全部缺失）：

自动建库：turn 结束自动提取任务级/对话级关键词 + 用户惯用词（官方只存原始日志，零自动提取）
话题切换检测：关键词重合度阈值触发唤醒（官方无此机制）
自动注入：systemPrompt.context() 动态组装，无需用户提及（官方 session-reference 必须显式 @）
用户用词画像：第二类触点（惯用词）官方完全没有
结构化全局存储：$DSH_HOME/storages/cue-bank/（官方是 SQLite/JSONL 原始日志）

协同方向（可选，不影响当前设计）：未来可用 session-query 的 FTS 作为 cue-bank 的补充召回通道——关键词穷举漏掉的记忆用全文搜索兜底，互补而非竞争。

测试

cd dsh-cue-bank && node test/integration.test.js   # 13/13 通过

覆盖：写入建库、话题切换唤醒、同话题抑制、无关话题抑制、惯用词提取、惯用词参与唤醒（第二类触点闭环）。

真实环境验证（headless profile，真实 dsh 进程）：插件加载无报错、turn 结束自动写入全局触点库（conversation+task 两级）、emoji 过滤生效。

向量模式离线验证（未配置真实 key）

用本地 mock OpenAI 兼容 embedding 服务器验证代码路径，未调用任何真实 API：

✅ API 调用契约（POST /embeddings、Bearer auth、OpenAI 兼容格式）
✅ 余弦相似度算法：相关文本 0.68 vs 无关文本 0.12，阈值 0.3 命中/不误报判定正确
✅ 无 key 时 available=false → matchMode: auto 自动降级 keyword
✅ 超时中止（AbortController）错误处理

启用向量模式只需设置 SILICONFLOW_API_KEY 环境变量（或配置 embedding.apiKey），无需改代码或配置。

后续演进方向

图片/文件触点（dimensions.trigger 已预留，需接入 attachment 解析）
闹钟/定时触点（dsh-schedule 联动）
向量模式本地化（bge-small 本地推理，零 API 成本）
触点衰减（久未触碰的触点降权）
记忆来源可追溯（点击注入块跳转原文）