什么时候能给 DeepSeek Harness 加一个记忆功能？

[FGBKILO-AGS]

知道 Harness 还在早期预览阶段，所以想趁这个阶段提一个功能方向的设想：

背景

现在的 Harness 只有两种状态：要么什么都不记得，要么把全部上下文
一次性灌进来。这都不是"记忆"。人的记忆不是录像带，而是分层的、
会取舍的、能被联想唤醒的。我希望 Harness 的记忆功能向人靠拢。

期望：拟人化的记忆

1. 短期记忆 → 长期记忆
   当前对话的细节自动沉淀成长期记忆，而不是全部保留或全部丢弃，
   类似人把"今天的事"变成"记得的事"。

2. 选择性遗忘
   人可以忽略无关细节。希望记忆有重要度/衰减机制，
   旧而无用的信息逐渐淡出，而不是永久占着上下文。

3. 联想式召回
   不是关键词检索，而是像人一样"看到 A 突然想起 B"——
   按语义关联、场景相似度主动唤醒相关记忆。

4. 记忆可以被提问、被修正
   人可以被问"你还记得上次怎么解决的吗"，也可以被纠正
   "你记错了"。希望记忆对用户是透明的、可检查、可编辑的。

5. 触类旁通的联想
   这是我最期待的一点：遇到一个新问题时，希望模型能
   联想出其他角度的思路或更优的解法——就像人有经验之后
   能举一反三，而不是只从当前问题的字面信息里找答案。
   比如在评测代码生成时，它能想起类似场景下踩过的坑、
   用过的技巧，主动提出更好的方案。

一个具体的期待场景

我连续几天用 Harness 做同一个项目的评估，今天说
"按上次的结论继续"，它应该知道"上次的结论"是什么，
而不是让我重新贴一遍背景。

开放问题

• 记忆的"遗忘"策略该由模型自判，还是由用户配置？
• 拟人化记忆会如何影响评测的可复现性？
• 触类旁通式的联想会不会引入不可控的输出，如何约束？
• 有没有可能先做一个"轻量记忆层"作为实验特性？

欢迎讨论，特别想听维护团队对这个方向的想法。

[QIANLING-0831]

“连续几天做同一项目，按上次结论继续”可以先试 dsh-memory-plus 的跨会话记忆层。

• memory_remember 保存项目约定、偏好、决策及 lesson/correction，通过提示区块带入同一 workspace 后续会话。
• /memory-pin 固定重要规则，保护它们不被模型侧记忆接口改写。
• memory_search 按需检索当前会话旧内容，中文会话检索后端支持中英混排、扩展汉字和短查询。
• 后台技能蒸馏从完成回合提炼可复用技能，把解决问题的方法留下来。

这样可以先把“长期事实、历史细节、可复用方法”分开保存。你提到的主动联想和选择性遗忘，仍是值得进一步设计的部分。

v0.2.2 已有独立安装包，无需 clone：

dsh plugin --profile web add https://github.com/QIANLING-0831/dsh-memory-plus/releases/download/v0.2.2/dsh-memory-bundle-0.2.2.tgz

需要 Node.js 24、pnpm 和兼容 DSH。验证记录包含 DSH 0.2.0-rc.2 / Linux Web 的安装、持久化和冷重启；桌面端组合待验证。

[FGBKILO-AGS]

感谢你

[xg-gh-25]

你列的几个开放问题，我们在自建 agent 的跨会话记忆里都踩过，分享几个具体结论（非官方，仅供参考）：

1. "遗忘"不要做成统一衰减，按记忆类型分开

我们最早给每条记忆一个重要度权重 × 时间衰减，结果两个问题：权重乘子会把检索排序的校准搞乱（高权重的旧条目压过真正相关的新条目），而且"决策/教训/纠错"这类判断型记忆，恰恰是时间越久越值钱。现在的做法是：

• 判断型（decision / lesson / correction）结构上豁免衰减，不是靠调高分数
• 操作型（某次的路径、临时状态）按"是否还被召回/使用"衰减
• 检索层只看相关度，不掺权重
• "遗忘"= 移入可恢复的归档（墓碑），而不是删除——用户说"你记错了/你忘了"时能找回来

2. 模型自判 vs 用户配置：模型提议，用户拥有最终权

让模型自己决定"这条要长期记住"会出现两种失败：把一次性的细节固化成规则，或者把用户明确说过的偏好悄悄降级。我们的规则是：模型可以提议沉淀，但提升到长期层需要一个确定性的下限条件（例如被用户明确确认、或被多次召回且有用），不交给 LLM 判官一票决定；用户钉住（pin）的内容模型侧不可改写。

3. 可复现性：把"注入了哪些记忆"当成评测输入的一部分

拟人化记忆和评测可复现确实冲突。比较实用的折中：每次会话把实际注入的记忆块（条目 ID + 版本）记录下来，评测时可以冻结到某个快照或整体关闭。这样"按上次的结论继续"在日常使用里成立，评测时又能精确重放。

4. 联想式召回：先别急着上向量

我们一度用向量检索做"联想"，后来把向量那条腿拆了，主路径改成结构化关键词 + 全文检索（FTS5/BM25）。原因是这类记忆多是散文式的判断和约定，向量召回的"相似"经常是表面相似，噪声比收益大；代价是同义词盲区，需要在写入时就规范好关键词。"触类旁通"更像是在写入时把教训抽象成可复用的模式，而不是在召回时指望语义相似度碰运气。

你说的"先做一个轻量记忆层作为实验特性"我很赞同——显式保存 + 会话开始时有界注入 + 用户可查看/编辑，这三件事做好，就已经覆盖"连续几天做同一项目"这个场景的大部分了。

---

以上来自我们在 SwarmAI 里运行分层跨会话记忆的经验。Discussion: Agent Memory Architecture