🧠 TimeWeave Memory — DeepSeek Harness 插件

给 Harness（一切皆插件）装上"长期记忆"——TimeWeave 五层记忆引擎的标准 MCP 接入。 零 TS 代码、零内部泄露（只暴露 4 个 MCP 工具）、用户自装模型（BM25 降级兜底）。

为什么用 TimeWeave

对比点	TimeWeave	其他记忆插件
架构	五层（时间线/图谱/预测/rawdata）	多为单层文件记忆
检索	L1 混合检索（语义+词法，紧凑摘要）	通常全量重读
Token	L1 摘要 ~82 tokens 替代全量	无此压缩
持久化	SQLite 跨进程不丢（写读一致）	文件/内存
语言	中文友好	多为英文
降级	无模型自动 BM25 关键词	依赖完整环境

---

TimeWeave Memory MCP 接入

TimeWeave 记忆引擎以标准 MCP Server 提供 4 个工具，任何 MCP 客户端/Agent 框架即插即用：

工具	用途
bootstrap_context	新会话加载核心上下文（替代全量重读历史）
memory_search	L1 混合检索（语义+词法，返回紧凑摘要）
memory_store	写入记忆（时间线打点 + 原始数据归档）
memory_recall	按 memory_id 取回完整内容（含时间线上下文）

特性

• 标准 stdio 协议（FastMCP），零框架绑定
• 写读一致 + SQLite 持久化（跨进程不丢）
• 优雅降级：无向量模型时自动 BM25 关键词检索
• 可选增强：安装 Nemotron embedding → 启用 L1 混合检索（2048 维）

启动

python path/to/timeweave-memory-mcp/server.py

用户侧最小安装

pip install mcp
# （可选增强）pip install sentence-transformers
# （可选增强，下载 Nemotron 模型）python -c "from sentence_transformers import SentenceTransformer; SentenceTransformer('nvidia/Nemotron-3-Embed-1B-BF16')"

---

Harness 接入配置

Harness 内置 MCP 客户端（@deepseek-ai/dsh-mcp-client），在 cordis.patch.yml 中配置：

# cordis.patch.yml
- name: '@deepseek-ai/dsh-mcp-client'
  config:
    servers:
      - serverName: 'timeweave'
        transport: 'stdio'
        command: 'python'
        args: ['F:/MCP集合/timeweave-memory-mcp/server.py']  # ⚠️ 替换为你的实际绝对路径
        toolCallTimeoutMs: 30000

Windows 提示：确保 python 在 PATH 中（或把 command 写成 python 的绝对路径，如 'C:/Python313/python.exe'）。

启用后，Harness 的 agent 即可调用 bootstrap_context / memory_search / memory_store / memory_recall 四个工具，获得跨会话长期记忆。

---

安全边界（内部结构零泄露）

• 只暴露 MCP 工具：4 个工具是全部对外接口
• 不暴露内部：五层架构 / 检索融合策略 / 压缩细节 / embedding 配置 均不可见
• 本地运行：MCP server 在用户本机运行，数据不出机器
• 用户自装模型：Nemotron-3-Embed-1B 是 HF 公开模型，用户自行下载（非我们资产）

---

文档

• Nemotron 模型安装
• 使用说明

License

Apache-2.0