graph-memory：DeepSeek Harness 的知识图谱记忆插件
adoresever/graph-memory
Graph Memory 是 DeepSeek Harness 的原生知识图谱记忆插件，从对话中提取结构化三元组，压缩上下文约75%，实现跨会话经验复用与可追溯召回。
graph-memory 是 DeepSeek Harness 的 DSH 插件，把对话历史变成可追溯、可搜索、跨会话复用的知识图谱。它通过提取 TASK、SKILL、EVENT 等结构化三元组和类型化边，在召回时只注入相关的局部子图，从而压缩上下文、减少 token 消耗。支持原生宿主集成、持久化记忆、智能召回和可观测性，本地优先、无需图数据库。
如何安装
dsh plugin --profile web add github:adoresever/graph-memory- 分类
- 记忆与上下文
- 平台
- DSH Plugin
- 作者
- adoresever
- 分发方式
- 插件
graph-memory 核心特性
graph-memory 仓库简介
它是做什么的？
Graph Memory 是 DeepSeek Harness（DSH）的 DSH 插件，将对话历史转化为可追溯、可搜索、跨会话复用的知识图谱记忆。它解决 AI 代理上下文膨胀和跨会话经验丢失的问题，通过提取结构化三元组（如 TASK、SKILL、EVENT）和类型化边（如 USED_SKILL、SOLVED_BY），在召回时只注入相关的局部子图，而非完整历史。核心能力包括原生宿主集成、持久跨会话记忆、上下文压缩（实测可减少约 75% 的 token 消耗）以及本地优先的轻量部署。
核心功能
- 原生集成：通过 DSH/Cordis 插件生命周期加载，无缝接入 Session、Tool、Agent Loop、Prompt Assembly、LLM 和 Credentials 等接口，不修改 DSH 核心。
- 跨会话记忆：会话 A 的知识可在会话 B 中自动召回，记忆在 DSH 重启后依然存在，且通过稳定事件 ID 保证幂等。
- 上下文压缩：保留最新的真实用户轮次（默认 5 轮），使用 DSH 压缩服务将旧前缀替换为滚动检查点，并索引每个检查点以保留来源。
- 智能召回：结合语义向量检索和 FTS5 词法回退，通过高精度语义门控（默认阈值 0.6）自动注入相关子图，并标记为不可覆盖用户指令的参考材料。
- 可观测性：提供 gm_status 命令报告存储路径、图计数、向量覆盖等状态，模型或维度变化时自动重新嵌入。
怎么使用这个插件？
在 DSH 中启用后，插件会自动处理对话并构建知识图谱。用户可通过显式命令 gm_record 记录关键知识，或使用 gm_search 进行广泛搜索。日常使用中，无需手动干预，插件会在后台自动召回相关历史知识并注入当前提示。要调整行为，可修改配置项如 freshTurnCount（保留的原始轮次数）、recallTokenBudget（召回 token 预算，默认 4096）和 autoRecallMinScore（自动召回的最低语义分数）。
本页是基于该插件官方 README 独立重写的导读——权威文档和最新变更请以源头为准：adoresever/graph-memory。插件是安装时就在你机器上运行的第三方代码；收录不代表背书——安装前请自行审阅源码。