dsh-ocr1-memory

简体中文 | English

@dsh-external/dsh-ocr1-memory

基于 DeepSeek-OCR 光学上下文压缩（OCR1）的 DeepSeek Harness 视觉记忆扩展。

本插件将 DeepSeek-OCR 论文中提出的“上下文光学压缩”（Contexts Optical Compression, OCR1）前沿架构引入智能体记忆工程中。系统将长文本记忆分段排版并渲染为带有 Set-of-Mark (SoM) 编号的光学图像，利用视觉 Token 对文本信息的超高信息密度进行压缩存储，并结合动态分辨率衰减与主动回忆（Active Recall）机制，在保持极高压缩率的同时实现无损原文召回。

---

核心设计与技术亮点

• 文本光学压缩（Optical Context Compression）：打破传统纯文本或嵌入向量存储的局限，将段落文本渲染为密集视觉图像。通过视觉 Token 替代海量文本 Token，在长程上下文中显著削减 Token 开销。
• 分级分辨率衰减与主动回忆（Active Recall）：
  • 时间衰减三档位：记忆图像随时间推移在 vivid (高清) → normal (标准) → fuzzy (模糊/低显存) 档位间动态退化。
  • 主动回忆机制：当检索命中低分辨率历史记忆时，系统触发 Active Recall 将其自动恢复至高清层，保证后续重读的高置信度。
• SoM 空间标记与光学定位器（Optical Locator）：
  • 图像预置 SoM 编号锚点，支持可选的轻量级本地视觉定位器（基于 GGUF/llama-server）。
  • 模型仅需输出 K-bit 的 0/1 视觉分类标记即可快速命中目标候选段落，最后精准还原并输出百分之百真实的原文。
• 压缩效率监控面板（Metrics & Baseline）：内建 ocr1_mem_metrics 工具，实时跟踪文本 Token 数、视觉 Token 消耗及实际光学压缩比。
• 完备的治理与生命周期：原生兼容三层记忆治理体系（L1 索引紧凑化、版本回滚、归档与跨命名空间晋升）。

---

运行架构

flowchart TD
    A["原始长文本"] --> B["段落切片与排版引擎"]
    B --> C["渲染为 SoM 空间标记图像"]
    C --> D["三档分辨率衰减管理 (vivid / normal / fuzzy)"]
    D --> E["检索触发 Active Recall 主动回忆"]
    E --> F["视觉定位器 / OCR 快速筛选"]
    F --> G["精确原文溯源并输出无损原文"]

---

工具矩阵

---

安装与快速上手

# 通过 DSH 插件管理器安装
dsh plugin --profile web add github:DDDFXYqiming/dsh-ocr1-memory

本地开发：

git clone https://github.com/DDDFXYqiming/dsh-ocr1-memory.git
cd dsh-ocr1-memory
npm install && npm run build
dsh plugin --profile web add .

---

配置指南

在对应 Profile 的 cordis.patch.yml 中配置光学存储与 OCR 服务：

- id: dsh-ocr1-memory
  config:
    memoryDir: '~/.dsh/memory'         # 记忆与光学文件主目录
    ocrModel: 'deepseek-ai/DeepSeek-OCR' # OCR 模型标识
    requireOcr: false                  # 是否在 OCR 服务离线时阻断降级
    maintenanceBatchSize: 8            # 批次维护的光学条目上限

    # 本地 llama-server 自启配置（可选）
    autoStartOcrServer: false          # 是否由插件托管拉起 OCR 服务进程
    ocrServerPort: 18080               # 服务端口
    ocrServerPath: ''                  # llama-server 二进制绝对路径
    ocrModelDir: ''                    # GGUF 模型文件目录

    # 光学定位器设置（可选）
    opticalLocatorEnabled: false       # 是否启用基于视觉定位器的快速标记过滤
    opticalLocatorThreshold: 0.4       # 召回阈值
    opticalLocatorTopK: 5              # 最大候选数

---

许可证

本项目基于 MIT License 开源。