dsh-brain-memory

给 DSH 接一套「模拟人脑」记忆：FSRS-5 遗忘曲线 + 性格权重 + 中文 2-gram + 可选本地向量。 记忆存在独立的 SQLite 库里（不是 DSH 自己的 session 存储），每轮对话自动召回 3 段塞进上下文， 回合结束自动把这一问一答落库；聊得越久，越像跟同一个老朋友说话。

v2.0：遗忘曲线从线性衰减换成 FSRS-5，召回加了一路本地向量（CPU，不占显存）， 新增人物账本和只读 3D 面板。插件本身（lib/index.js）一行没改——服务接口向后兼容， 老库启动时自动迁移。

---

它到底做了什么

插件挂三条贡献：

• 召回（system-prompt/assemble 瀑布）：拿最后一条用户消息去服务端查记忆， 取前 3 条（≤1200 字，服务端自带护栏模板）追加成一段动态上下文；
• 落库（agent/settled）：回合结束时把「最后一问 + 最后答」写进记忆库，服务端按 sha256 去重、 按内容估重要度与性格权重、按 FSRS-5 慢慢淡忘；
• 工具（brain_memory）：recall 主动翻旧账、write 手动钉一条、stats 看库状态。

三条底线：只加记忆、不动人格；召回超时 800ms 硬截断、失败就当没有；注入文本里的 {{ 会被拆开，不会让 system-prompt 的变量插值炸掉整次组装。

---

v2.0 相对 1.0 的改动

	1.0	2.0
遗忘	线性衰减（每天固定减一点）	FSRS-5：每条记忆有自己的牢固度 S 和难度 D
召回	只有中文 2-gram	2-gram + 本地向量两路 RRF 合并（向量可选）
人物档案	无	账本表：喜欢/不喜欢/事实/经历/约定（带到期）
观察	/stats 一行数字	/graph + 只读 3D 星脑面板
库结构	documents	+ vectors + ledger + fsrs 字段（老库自动迁移）

插件侧完全兼容：lib/index.js、cordis.patch.yml、test/smoke.mjs 都没动。

---

目录

lib/index.js               插件本体（cordis plugin）
cordis.patch.yml           一条 insert 贡献
package.json
server/memory_service.py   记忆服务（标准库，零依赖，Python 3.10+）
server/embed_service.py    向量服务（可选，torch + transformers，强制 CPU）
scripts/memory-nebula.mjs  星脑面板适配器（只读，Node 18+）
web/                       面板静态页 + vendor/three
docs/                      说明书 / 参数与调优 / FAQ
test/smoke.mjs             冒烟测试：假 ctx 跑一遍，验证三条贡献都接上了

---

安装插件

DSH 桌面版没有 dsh plugin add，手工装（和现有插件同一套流程）：

1. 把整个目录放进 ~/.dsh/plugins/dsh-brain-memory

2. 在 profile 的 package.json 里加依赖与 bundle 条目：

   "dependencies": { "dsh-brain-memory": "link:../../plugins/dsh-brain-memory" },
   "dsh": { "profile": { "bundles": ["dsh-brain-memory"] } }
   

3. 在 ~/.dsh/profiles/<profile>/node_modules 下建同名的 junction；

4. 重启一次 DSH（或等它热加载），日志里出现 dsh-brain-memory 就通了。

---

起服务

python server/memory_service.py      # 默认 127.0.0.1:8790

接这个插件时把端口设成 8793（插件默认连这里）： set MEM_PORT=8793（PowerShell）或 MEM_PORT=8793 python server/memory_service.py

库位置也建议挪到 DSH 自己的目录，别跟别的实例混： MEM_DB=%USERPROFILE%\.dsh\brain-memory\memory.db

想要语义检索再加一个进程（可选，CPU 跑，不占显存）：

pip install torch transformers
huggingface-cli download BAAI/bge-base-zh-v1.5 --local-dir state/models/bge-base-zh-v1.5
python server/embed_service.py       # 8794

向量服务挂了不影响任何事：请求失败就退回纯 2-gram，只是少了语义那一路。

---

配置

插件侧：

变量	默认	说明
DSH_BRAIN_URL	http://127.0.0.1:8793	记忆服务地址
DSH_BRAIN_DIR	~/.dsh/brain-memory	插件日志目录（plugin.log）
DSH_BRAIN_RECALL_TIMEOUT	800	召回超时（ms），超了就当没记忆
DSH_BRAIN_WRITE_TIMEOUT	2500	落库超时（ms），fire-and-forget

服务端：见 docs/参数与调优.md（MEM_DB / MEM_PORT / MEM_K / MEM_INJECT_CAP / MEM_FREEZE_BELOW / MEM_EMBED_* …）。

服务端接口：

GET  /health  /stats  /graph  /ledger/people
POST /write    {text, importance?, personality?, emotion?, source?, pin?}
POST /recall   {query, k?}
POST /context  {query, k?, max_chars?}     -> 带护栏模板的注入块
POST /decay    {}                          手动跑一次每日衰减
POST /reindex  {limit?}                    补向量（换模型后必跑）
POST /ledger/add | /ledger/list | /ledger/update | /ledger/digest | /ledger/due

---

从 1.0 升级

直接换代码就行，库会自动迁移：

1. 停掉旧服务，备份库（WAL 模式下别只拷 .db）： sqlite3 ~/.dsh/brain-memory/memory.db ".backup memory.db.bak"
2. 用 2.0 的 server/memory_service.py 覆盖旧的，起服务；
3. 日志里会有一行 FSRS 迁移：补列 …；按 importance 反推初始 S/D 的记录 N 条—— 旧的重要度原样保留，只是给每条补上 S/D；
4. 如果起了向量服务，跑一次 curl -X POST 127.0.0.1:8793/reindex -d "{\"limit\":24}" 给老记忆补向量（分批，别一次要太多）；
5. 插件不用动，重启 DSH 即可。

/stats 里 vectors 追上 total 就说明向量补齐了。

---

面板（可选）

想看看库里长什么样：

MEM_BASE=http://127.0.0.1:8793 node scripts/memory-nebula.mjs --open    # 8643

每个点是一条记忆，亮度和大小对应重要度；四个区域：钉住的、跟她自己有关的、快忘光的、日常话题。 只读——写接口一律 403，面板不是编辑器。

---

冒烟测试

# 先起服务（指向临时库，别污染日常记忆）
MEM_PORT=8794 MEM_DB=./tmp/db.sqlite MEM_LOG=./tmp/svc.log python server/memory_service.py
DSH_BRAIN_URL=http://127.0.0.1:8794 node test/smoke.mjs

预期输出几行 [ok] 加一行 [ok] 全部通过。

---

文档

• 说明书：原理、一条记忆的一生、为什么这么设计
• 参数与调优：所有环境变量 / 调优顺序 / 场景推荐值
• FAQ：排查与踩坑

License

MIT © Samanthara726。面板的视觉部分派生自 dsh-memory-brain-plugin 的 web 目录（同样 MIT），详见 NOTICE。