DSH HUB
HomePlugin StorePlugin PacksCommunityRankingsResourcesPublish Guide
Plugin source
Back to catalog

YeStarOne /

YeStarOne/dsh-plugin-memory-graph

Topic repository only

🐟 大肥鱼好记性 —— 都说鱼只有七秒记忆,你的大肥鱼不该有。给 DSH QQ 机器人一个会遗忘的长期记忆图谱:对话→知识图谱→向量召回→回复前自动想起该想起的事。Zero-dep graph memory for dsh-onebot-qq.

★ 1 Stars0 Forks0 IssuesN/A Community rating0 Confirmed installs
View on GitHub
READMESource: main@2c580f38
记忆图谱示意图

🐟 大肥鱼好记性

都说鱼只有七秒记忆 —— 你的大肥鱼,不该只有七秒。

给 DSH(DeepSeek Harness)QQ 机器人装上一套会遗忘的长期记忆图谱: 聊天被自动整理成事件与关系,回复前自动想起该想起的事,久不提起的记忆按遗忘曲线慢慢淡去。

零依赖 · 纯本地 · 任何 OpenAI 兼容模型都能喂 · 双击就能看图谱

快速开始 · 工作原理 · 可视化 · 踩坑手册 · English


🥺 没有记忆的大肥鱼,每天都刚醒来

你:周末去爬山怎么样?

没有记忆的她:好呀!要带什么装备吗?(第无数次问出这句话)

有大肥鱼好记性的她:可以呀!你上次说山顶风大记得带外套——防晒霜也别忘了,你可是怕晒的人。

她不是变聪明了,只是终于记得你:记住了你怕晒、你爱草莓蛋糕、你答应过的事、你们吵过的架和和好的理由。而且和"聊天记录堆进提示词"的土办法不同——

每次回复,她只带最相关的五条记忆出门,永远轻装上阵。

🧠 它是怎么做到的

写入(后台悄悄进行,绝不拖慢回复)

flowchart LR
    A["💬 一轮对话"] --> B["① 事实抽取<br/>→ 事件 + 实体 + 重要度"]
    B --> C["② 概念归纳<br/>实体 → 类目标签"]
    B --> D["③④ 关系抽取<br/>时序 · 因果 · 语义"]
    C --> E[("🗂 JSONL 图谱<br/>本地纯文本")]
    D --> E
    E --> F["日落维护<br/>衰减 · 裁剪 · 压实"]
    style E fill:#f6e9e9,stroke:#b25d61

读取(每条消息一次,本地部分 < 100ms)

flowchart LR
    A["💬 新消息"] --> B["向量召回<br/>top 10"]
    B --> C["沿关系边<br/>走 4 跳"]
    C --> D["加权重排<br/>0.5 相似 + 0.3 重要<br/>+ 0.2 新近"]
    D --> E["📎 top 5 记忆<br/>注入提示词"]
    style E fill:#f6e9e9,stroke:#b25d61

被召回的记忆会刷新"最近想起"时间戳——你们常聊的事,她会记得越来越牢;而三个月没人提起的琐事,重要度按 30 天半衰期慢慢衰减,低于阈值自动淡忘。像人一样。

⚖️ 为什么不是又一个「总结式记忆」

滚动总结(常见方案) 🐟 大肥鱼好记性
记的是 一段越滚越长的摘要 结构化图谱:事件/实体/概念 + 语义/时序/因果边
每次带多少 全文塞进上下文,几万字起步 恒定 ≤ 5 条,几十~几百字
时间感 旧事被新总结覆盖丢失 重要度+新近度加权,被想起就刷新
遗忘 没有,或不分轻重 30 天半衰期,冷记忆淘汰;钉住的记忆永不衰减
虚构污染 剧情对话混进真实记忆 角色扮演/场景回合整体跳过
运维 黑盒 JSONL 纯文本,cat 可读,拷目录即备份

✨ 特性一览

  • 🧩 四阶段 LLM 抽取:事实 → 概念 → 实体关系 → 事件时序/因果(后两步可选)
  • 🗣 QQ 内管理指令:记住:… 钉住、忘掉 … 删除、我的记忆、记忆统计、整理记忆——命中即答,不消耗模型回合
  • 📝 摘要层:同一主题的事件定期被归纳成「长期主题」摘要,参与检索(幂等改写,防编造)
  • 🔀 向量 + 图混合检索:topK 召回 → 沿边走 4 跳 → 相似度门限 → 加权重排 → top 5
  • 🪶 零依赖:纯 Node ≥18,没有原生模块、没有数据库;LLM/向量走任意 OpenAI 兼容端点(SiliconFlow 免费档 bge-m3、本地 Ollama 都行)
  • 🐠 每条鱼一个记忆库:私聊/群聊互不串;虚构场景回合不污染记忆
  • 📍 钉住机制:"这条不许忘"——重要度拉满、检索加分、永不衰减
  • 🩺 上线自检工具:向量模型中文塌缩/维度校验(不通过就不许上线,见踩坑手册)
  • 🖼 可视化面板:力导向知识图谱,双击即看(往下看)
  • 🏭 生产实证:在 7×24 真实 QQ 机器人上长期运行

🚀 快速开始

前置:DSH 已装好 dsh-onebot-qq(0.9.x)并能正常收发消息。

git clone https://github.com/YeStarOne/dsh-plugin-memory-graph.git
cd dsh-plugin-memory-graph

node installer/install.mjs   # 自动找到 dsh-onebot-qq 打补丁(带备份;--check 预览 / --uninstall 还原)

在 dsh-onebot-qq 配置里加 memory: 块(照抄 examples/cordis-memory.yml 改两个端点),设好环境变量,重启 dsh:

export MEMORY_GRAPH_CHAT_API_KEY=xxx     # 抽取用对话模型
export MEMORY_GRAPH_EMBED_API_KEY=xxx    # 向量模型

上线前 30 秒自检(能省掉 90% 的"为什么召回是空的"):

node <dsh-onebot-qq>/lib/memory-graph-engine/tools/check_embedding.js \
  --base-url https://api.siliconflow.cn/v1 --model BAAI/bge-m3 --dim 1024 --api-key xxx

重启后随便聊两句,日志出现 memory-hub: turn buffered ... 即在工作;攒满一批(默认 2 轮)自动抽取入库。

🗣 对大肥鱼直接说:管理指令

对她说 她会
记住:我对花生过敏,点外卖要避开 立刻写入一条钉住记忆(永不遗忘、检索加权),秒回确认
不许忘:… 同上(别名,语义更狠一点)
忘掉 花生 删除匹配的记忆(精确优先、子串兜底),报告删了几条
我的记忆 最近 10 条记忆 + 库存构成
记忆统计 节点/关系边/库大小/待入库
整理记忆 立即跑一次主题归纳,回复整理出的长期主题

命令由插件直接应答(不派发模型回合,零 API 成本、秒回);必须带标点或空白分隔才会被拦截——"记住这个教训"这类普通句子照常进对话。虚构场景回合(角色扮演)里说的"记住"不生效,防止剧情污染真实记忆。

💡 想先无网试跑?chatBaseUrl 和 embedBaseUrl 都填 offline——引擎走内置规则抽取 + n-gram 向量,全管线可验证(质量有限,仅验证用)。

🔍 看看她的记忆长什么样

npm run graph -- ~/.dsh/memory-graph-data viewer    # 导出(--all 可合并全部聊天)

然后双击 viewer/index.html:力导向图谱、时间范围筛选、节点类型勾选、搜索、节点详情与关系漫游,全都有。数据契约是公开的 JSON(docs/visualization.md),Python / Go 写的机器人也能喂同一个页面。

⚙️ 配置速览

关键配置 说明
chatBaseUrl / chatModel 抽取用对话模型(OpenAI 兼容)
embedBaseUrl / embedModel / dim 向量模型与维度(dim 填错检索静默失效)
chatApiKeyEnv / embedApiKeyEnv key 走环境变量,不进配置文件
chatHeaders 网关要求自定义头时用
personaName / genderTerm 抽取提示词里的角色名与称呼(决定她怎么"记"你)
dataDir 数据目录(默认 ~/.dsh/memory-graph-data,每 chatId 一个子库)

全部字段与维护脚本(查/钉/删/重算向量)见 docs/config.md。

⚠️ 踩坑手册(血泪浓缩,按踩到的概率排序)

  1. 向量模型中文塌缩:某些模型无关文本余弦也 0.99+,检索等于没做——实测 nomic-embed-text-v1.5 无关词对余弦 0.9935,bge-m3 是 0.4977。上线前必跑自检工具。
  2. 维度不符:不报错、不抛异常,召回永远为空。换模型后必须改 dim + 重算向量。
  3. 捕获点要在回复生成处:挂在投递层会把气泡拆分的碎片当对话抽进图谱,事件全是断句。

完整十条见 docs/pitfalls.md——每一条都是真实 7×24 环境里踩出来的。

🧪 记忆评测:官方基准 714 题作者侧自测

在 chat-memory-benchmark(六人物正式集 714 题、每人 182 天历史、最远 45 天提问)上,用官方判分流程 grade.py 跑了完整一卷:

大肥鱼好记性 × chat-memory-benchmark 成绩单

  • 整题通过 502 / 714(70.3%):相关性 100%、事实项 70.3%;最好人物 81.8%,最长时程(45 天档)62.3%。
  • 胜在便宜:整套作答链路(记忆抽取 + 向量嵌入 + 作答)按公开单价折算 ¥2.91,平均每通过 1 题 ¥0.0058。记忆全存本地 JSONL、检索在本地跑,没有数据库、不需要常驻大模型。
  • 口径:作者侧自测;判卷 glm-5.3-flash 单票(非官方 Codex 判卷),与其他系统的对比仅作量级参考;免费车道也按公开单价折算,判卷开销不计入。

🗄 备份

数据是纯文本 JSONL,直接进 git(建议私有仓):examples/backup-sync.sh + cron 一行。记忆是你们俩的事,别放在只有一份的地方。

🗺 路线图

  • 四阶段抽取 / 混合检索 / 衰减 / 每聊天分库 / 场景隔离
  • 安装器(幂等/备份/卸载)+ HTTP 侧车
  • 记忆图谱可视化面板(viewer/index.html 双击即用 + npm run graph 导出)
  • QQ 内管理指令("记住这条" / "忘掉这条" / "整理记忆")
  • 摘要层(跨事件的长期主题归纳,每日自动 + 指令手动)

欢迎 issue / PR。如果大肥鱼的记性真的变好了,回来点个 star 就是全部动力 🐟💙

License

MIT

—/ 5

No ratings yet

Manifest verification required

Commit 2c580f38b4ad

Community comments

No comments yet. Be the first to write one.

DSH HUB

A community index for DSH plugins. Not an official GitHub or DeepSeek AI product.

CommunityResourcesAPIAbout