dsh-mneme

dsh-mneme

给 DeepSeek Harness 的跨会话记忆插件：让 Agent 记住你、记住项目、自动整理记忆。Mneme（Μνήμη）——希腊记忆女神 Mnemosyne 之名，掌管记忆与梦境，正如 autoDream 在后台巩固记忆。

dsh-mneme 是一个 DeepSeek Harness (DSH) 插件，为 Agent 提供持久的跨会话记忆能力。它借鉴了 Claude 的 Dream 机制 与 cc-haha / Claude Code 的 autoDream 记忆巩固功能——不仅存储记忆，还会自动巩固（去重、合并、冲突裁决、摘要生成），让记忆库越用越精炼。完整溯源与致谢见文末「🙏 致谢」。

⏱️ 30 秒理解

一句话：给 Agent 装上跨会话记忆——记住你、记住项目，并在后台自动整理，越用越懂你；v0.8.0 起记忆可按 agent 与工作区隔离（scopeEnabled），多 Agent / 多项目互不串台；v0.9.0 起「这件事怎么跑」也能落进项目仓库（M.O.，actionPipelineEnabled，默认关）。

① 写入 · ② 存储 · ③ 进化 对话中模型主动记录（memory_save，可带敏感度与事件时间）；会话结束自动提炼（autoSummarize） · SQLite 主库 + 人类可编辑 Markdown 镜像；实体 / 属性 / 时间轴三层结构化；记忆带 agent / workspace / 敏感度 / 发生时间标注 · 新会话自动注入相关记忆（按当前作用域加权，strictScope 开启后显式收窄的归属硬隔离）；autoDream 后台去重 / 合并 / 归档，冲突冻结待人工裁决

# 30 秒上手
dsh plugin --profile web add @modusensus/dsh-mneme
dsh web

它不是什么（边界声明）：

• 不是向量数据库——语义搜索是可选增强，默认零额外依赖
• 不替代会话日志——它存的是「值得跨会话记住的」精炼知识
• 不改变模型本身——进化的是记忆库与每次注入的上下文
• 删对话 ≠ 删记忆——记忆是跨会话的全局知识（v0.7.11 起不再与会话绑定），删除会话不影响已存入的记忆

✨ 功能

记忆存储（SQLite + Markdown 镜像）

• SQLite 主存储：~/.dsh/memory/memory.db，node:sqlite 内置，零原生依赖
• Markdown 镜像：按类型分文件（preferences.md / projects.md / decisions.md / history.md / summary.md / patterns.md / pitfalls.md / constraints.md / rejected-solutions.md，外加只读视图 documents.md），文件头是 YAML frontmatter（type / generated.by / generated.at / covered / coverage / tags）。人类可读，条目标题与正文可手工编辑（人工修改优先合并回库）；documents.md 例外：它只有 document 指针行（id、标题、摘要首句、文件路径），不含正文也不参与人工回填。文件头与条目元数据行由机器维护
• 10 种记忆类型：preference 偏好 / project 项目 / decision 决策 / history 历史 / summary 会话总览 / pattern 模式 + 编码记忆三型 rejected_solution 被否方案 / pitfall 踩坑 / constraint 约束（v0.7.13 起，codingRetrospect 默认关；v0.7.11 近重写已收窄删除 user/fact 两型）+ document 文档指针（#230，只存摘要与 doc_path，正文留在磁盘由 agent 自管）
• 镜像同步状态机（v0.3.6+）：mirror 与主库强一致，用 generation（期望轮次）/ applied_generation（已应用轮次）建模同步债务
• 业务写操作在自身事务内原子递增 desired generation——崩溃在 COMMIT 后、渲染前，重启也能凭 durable 债务恢复，绝不静默跳过（v0.3.8）
• generation 用 SQLite 原子语句递增，多进程并发零丢失；带 CHECK 上界，负数/溢出拒绝
• 逐 type 记录 committed / failed / pending 回执，健康端点区分 ok / degraded / unknown
• 状态写失败不静默：同步失败落日志并留债务，重启自动收敛

模型工具（默认注册 11 个；开 organizeEnabled 后 12 个）

工具 · 功能 memory_save · 记录一条记忆（自动按标题去重合并；v0.8.0 起去重键含 agent/workspace/scope 作用域，可选 sensitivity / occurred_at 参数） memory_search · 全文搜索（中文子串友好，可启用向量语义搜索；可选 occurred_from / occurred_to 按事件发生时间过滤） memory_list · 按类型分页列出（include_archived=true 可查看已归档；可选 occurred_from / occurred_to 时间过滤） memory_get · 读取单条记忆完整正文（v0.7.25，按 id；memory_search / memory_list 命中后读全文） memory_update · 修改已有记忆 memory_delete · 删除记忆（按记忆 ID 精确删除） memory_forget · 抑制注入（降权不删除，可恢复） memory_archive · 归档/恢复记忆（v0.2.5；归档后隐藏于列表/搜索/注入/整理，archived=false 可恢复） set_scope_state · 按下/松开某个作用域的可逆闸门（#471：政策轴。暂停期间该作用域的记忆照旧存着，只是不注入、不参与巩固，松开即原样回来；不改任何一条记忆的标注，与上面逐条操作的 memory_forget / memory_archive 是两根不同的轴）。两级开关 scopeState.enabled / .enforce 默认都关，没开时按下不产生拦截效果 memory_register_document · 登记 agent 产长文档的指针行（#230：摘要 + doc_path + evidence 落 document 类型；正文留在磁盘、由 agent 自管，注册口唯一，旁路写入被拒） memory_organize · 主动整理（#231，要 `organizeEnabled` 打开才注册）：mode=dryRun 先出比对报告（每条候选 exact / near / new + 命中行，不写一行库、只留审计回执），agent 判断后 mode=apply 引用那份报告的 run_id 落地。两种「不要它」要分清——`discard` = 这条候选不写，什么都不动（只进回执）；`archive` = 把报告标为被取代的那条既有行归档（可恢复，绝不物理删除）。没有比对过的候选写不进库，一份报告也只许落地一次 memory_runtime · 本地推理运行时的状态 / 供给 / 校验（v0.7.32，自管运行时三档取件）

工作流（M.O.，v0.9 beta）

记忆库答的是「这件事为什么这么办」，答不了「这件事到底怎么跑」。v0.9 把后者从记忆库里的一行文字变成项目里可提交、可 review、可被 CI 读的一份文件——一条工作流一个 JSON：

<项目>/.mneme/pipelines/<id>.json     ← 项目层（默认；跟着项目提交）
<插件包>/pipelines/<id>.json          ← 全局层（兜底；今天包里没有这个目录，有意为空）

• 两层来源，顺序即优先级：同 id 两处都有，项目层赢，被挡住的那份进 shadowed 报出来（不静默丢弃）；项目层的坏文件进 unreadable 而不拖死全局层——一层写坏不该让人连兜底那份也看不见
• 校验很硬：id / name / project / version / status / done 与每一步的 phase / title / when / do / done / why 缺一不可，risk 限 R0–R3、needs 必须指向存在的步骤、图里有环直接报错——任何一处不合规整条读不出来，不做「跳过坏文件继续」：半个工作流比没有更危险
• 护栏，不是轨道：绕行要留出口。自报 R0/R1 且不跨闸门 且兜底清单（IRREVERSIBLE_PATTERNS，机械匹配、不看自报）没命中 → 记账先走；其余 → 停下问人
• 候选分层：草稿住 /candidates//，只在本地。升格要同时满足「走过两次（至少一次成功）」且「写得出反事实」；够格之后系统只提议，promoteCandidate() 只返回内容不写盘，提交与推送是人握着的那道门
• 两个指标分开数：跳过（这次不用这一步，≥3 次提议删这一步）与绕开（这条路整个不对，≥3 次提议重看这条路径）各自累加，混在一起两种提议都发不出来
• 只读路由 GET /api/dsh-mneme/pipeline[?id=&project=]（project 非绝对路径回 400 project-not-absolute，不回退 process.cwd()）；答复契约 mneme.pipeline/v1，面板渲染与 agent 读的是同一份数据
• 默认关（actionPipelineEnabled），设计取舍见 docs/WORKFLOWS.md

自动注入 + 会话摘要

• 自动注入：新会话开局注入记忆摘要（summary 优先 + 少量高重要性条目）
• 会话摘要：turn/end 时用 LLM 提炼本次会话的偏好/决策/教训，自动入库（过滤 plugin 注入上下文，避免污染）

autoDream 自动记忆整理 🧠

溯源：autoDream 的理念源自 Claude Code 的 Auto Dream 记忆巩固功能（Anthropic，Memory 2.0 的后台整理子代理），其「离线巩固」思路与 UC Berkeley & Letta 的 *Sleep-time Compute* 论文（arXiv:2504.13171）一脉相承。dsh-mneme 将其引入 DSH 插件生态，并发展为自己的实现——K-Means++ 聚类预分组、类型化决策清单与可回放的 sha256 摘要审计链，详见文末「🙏 致谢」。

• 触发：记忆数 > 10 或总字符 > 5000 时，异步自动触发（不阻塞写入）
• 决策清单式整理：LLM 输出 keep / merge / archive / conflict / update 决策清单，服务端校验后逐条应用
• merge：合并主题相近的条目，保留信息最完整者
• archive：归档过时/冗余条目（可恢复，不物理删除）
• conflict：裁决矛盾信息，胜者保留、败者归档并追加溯源注释；conflictFreezeEnabled（默认关）开启后矛盾对不自动裁决，改为冻结进冲突队列（状态页并排对比，人工选保留方，#166）
• update（v0.2.1）：直接修正单条记忆的过时/错误内容（单 id / 必须实际变化 / 非 summary / 24h 保护 / 每次 ≤2）
• 失败追踪（v0.2.1）：用户纠正记忆时写入 failure_memories 表（旧值/新值），为后续自进化积累数据
• 摘要生成：整理后生成"记忆库总览"（单一实例），作为下次会话的优先注入
• Fail-safe：非法 LLM 输出（未知 id / 非法 action / 越界 importance / 跨类型合并等"单条非法"决策，Issue #26）默认跳过该条并应用合法子集（run 记为 degraded），绝不破坏记忆库
• 裁决审计：每次运行写入 dream_runs 审计表（输入快照 sha256 digest + 完整输入快照 + 决策清单 + 逐 id 去向 + receipt），可离线回放；merge / conflict / update 幂等应用，重放/并发重复执行无累积副作用；update 记录 _before 快照

dreamMaxTokens 调优指南

默认 131072（即上限，#135）已为思考型模型预留推理+正文的双重预算（部分思考型模型仅推理就可能消耗 8k+ token），常规记忆库无需调整。若记忆量大（数万字符以上）且正文仍被截断，优先按下方「巩固模型分类声明」换非思考模型 / 配 dreamReasoningEffort 压低思考，再考虑调大输入侧上限（如 distillMaxChars）——dreamMaxTokens 本身已无上调空间。

不要为了省 token 把它调小（#135 成本审计实测）：这个键是上限而非计费口径，流式按实际用量计费，压上限只在真撞顶时生效；而撞顶的后果是整轮失败（截断 → 无完整 JSON → no json array in llm output），且调度器只有 ok 轮才刷新基线，下一次写入会用同一批输入重跑。按 133 个有真实用量的成功轮折算，cap=16384 撞顶 78.9%、净总量 +54.1%；cap=32768 +15.9%。真正的大头（dream_consolidate 输出 token 里约 88% 是推理与 JSON 骨架，只有约 11.8% 是决策正文）由 dreamReasoningEffort 与模型选择决定，与本键无关。相关的数量护栏见 dreamMaxMergePerRun。

若使用思考型模型（如 deepseek-v4-flash / DeepSeek-R1 类），模型可能把全部预算花在 reasoning 上导致正文为空（日志出现 no json array in llm output）。#135 修复后：未配置 dreamReasoningEffort 时会自动取模型支持的最低档发流（不再省略字段让模型自带默认档——v4-flash 系默认 high——顶上烧光预算），默认配置即生效；显式 none = 不发送字段用服务商默认，off/low/medium/high 原样传递，模型不支持的档位自动换用（拒绝原因记入 llm_audit）。正文仍为空时配置 dreamProvider/dreamModel 指向非思考模型（dreamMaxTokens 默认已是上限 131072，无上调空间）。sleep 侧对应 sleepReasoningEffort。

巩固模型分类声明（settings panel「巩固模型」= dreamProvider/dreamModel，睡眠侧对应 sleepProvider/sleepModel）：

模型类别 · 例子 · 说明 非思考模型（推荐） · glm-5-2 类等 · 无 reasoning 声明；即使配了 effort 被 harness 拒绝，fallback 去掉字段重试即成功。空体风险最低 思考模型（需实测） · deepseek-v4-flash-ga 等 v4-flash-ga 系 · 默认开推理，可能烧光 token 预算返回空体；部分型号（如 v4-flash-ga）在 harness 侧被声明为不接受任何 reasoning effort（去掉 effort 时 harness 的 defaultEffort 会顶上来再次拒绝）。v0.7.26+ 已根治：resolveDreamEffort 发流前探测模型支持的档位，不支持的配置档位自动换用模型默认/首个支持档位，声明无 reasoning 能力的型号则省略字段。选用时建议配 dreamReasoningEffort 实测（未配置时自动取最低档），不行就换非思考模型

Sleep Mode 系统级睡眠 💤（v0.4.0，opt-in）

从 autoDream 的"被动阈值触发"升级为"主动定时维护 + 分层压缩"。系统空闲 sleepIdleMinutes 分钟自动执行深度维护，默认关闭（sleepModeEnabled: false），开启后行为：

• 可中断：AbortController 实现，用户恢复活动即中止当前周期（noteWrite 重置空闲计时 + 中断信号）
• 串行安全：睡眠周期走 service.enqueue 串行队列，与 autoDream 严格不重叠；minRefTimeMs 防止快照后被召回的记忆被误降级
• 四阶段深度维护：

1. conflict_resolution：全库冲突消解，strictness 三级可配（gentle 0.92 / normal 0.85 / aggressive 0.75）
2. archival_demotion：按 last_accessed_at 分层——30 天未召回压成摘要（原文进 _full_content，可无损恢复）、90 天完全归档
3. pattern_discovery：LLM 扫描近期记忆提炼规律，产出 type=pattern 记忆，evidence 强校验防伪造
4. relation_completion：检测孤立实体并补全隐含关系（共现 related_to / 项目 part_of / 技术 depends_on）

• Fail-safe：每阶段独立 try/catch，LLM 故障只跳过对应阶段；无 LLM 路由时纯规则降级（demotion/relations）照常执行
• 审计延续：睡眠周期写入 dream_runs，run_type='sleep'，与 autoDream 共用审计表可追溯

配置详见 docs/SLEEP.md。

官方设置面板 → 「记忆库设置」→「记忆」标签：按类型浏览、全文搜索；启用向量搜索后可用「语义」切换做向量召回。

用户设置（画像 / 规则）与自定义指令 ⚙️

官方设置面板 → 「记忆库设置」标签：

• 用户画像：一段自由文本描述用户自己（角色、背景、偏好），每轮注入到系统提示，让 Agent 始终遵循
• 规则：Agent 必须遵守的行为规则列表（如"回答先给结论"），同样每轮注入
• 自定义指令：注册斜杠命令（/名称 [补充说明]），触发时把用户定义的指令内容作为一条用户消息提交给当前 Agent，命令后缀会作为补充说明一并提交；界面仅显示提交回执（宿主不支持 followup 提交时退回旧行为，指令原文会显示在界面，便于复制后手动发送）。命令持久化到 SQLite，启动时自动注册到 DSH 命令表，增删实时生效

画像与规则通过独立的 [用户设置] 注入区块（优先级高于记忆库），即使记忆为空也会注入。

向量搜索（语义搜索）🔎

可选能力：接入 OpenAI 兼容的 embeddings API，让搜索能命中字面不同但语义相近的记忆。

配置：官方设置 → 「记忆库设置」→ 滚动到底部「向量搜索」区块：

字段 · 说明 启用向量搜索 · 总开关；开启后记忆面板出现「语义」切换 API 地址 (Base URL) · OpenAI 兼容端点，如 https://api.openai.com/v1；也支持 SiliconFlow、智谱、本地 Ollama 等 API Key · 对应服务的密钥 模型名 · embedding 模型，如 text-embedding-3-small、text-embedding-v3、bge-m3 等

保存配置后点「重建索引」，为已有记忆批量补建向量（新写入的记忆会自动嵌入）。之后在记忆面板输入查询并点「语义」，即可用向量召回语义相关结果；向量服务不可用时自动回退全文搜索。

⚠️ 密钥仅保存在本机 ~/.dsh/memory/memory.db 的 user_settings 表，不会上传，也不会写入代码仓库。

需要 embedding 而非 rerank 模型：如阿里云 text-embedding-v3 可用，qwen3-vl-rerank 是 rerank 模型（不走 /embeddings）。

语义增强（Semantic）🧠

v0.2 起新增可以完全离线运行的语义记忆引擎（本地模型 + 精排 + 聚类）：

• 本地 Embedding：三后端可选——ONNX（Xenova/bge-small-zh-v1.5，离线）/ Ollama / OpenAI 兼容，失败自动逐级降级，最差回退关键词搜索
• Rerank 精排：Xenova/bge-reranker-base 对召回候选交叉编码精排，提升 Top-K 准确率
• autoDream 语义增强：对记忆向量聚类（clusterMemories），自动发现主题相近 / 疑似矛盾的记忆，巩固更精准
• 搜索流水线：混合召回（关键词 + 向量）→ Rerank → Top-K
• 自管运行时：本地推理的依赖闭包（@huggingface/transformers + onnxruntime-node + sharp，从宿主收编时本机实测 49 个包 / 约 393MB）可收编到 ~/.dsh/mneme/runtime/，与 profile 的依赖图解耦——由于 profile 是所有插件共用的依赖图，这份闭包留在此前的位置会让「安装任何插件」都替它重走一遍整条依赖链；收编优先硬链接，同盘时几乎不额外占盘。@huggingface/transformers 已从 dependencies 降为可选 peer，因此安装插件不再携带它；正在使用本地嵌入的用户请先按文档收编，否则升级后本地嵌入不可用（读写信道不受影响）
• 取回运行时的三条来源：① 收编本机已有（零网络、同盘硬链接）→ ② 本地 .tgz 目录（runtimeTarballDir，某个包网络下不到时用）→ ③ npm registry（runtimeMirror 可换镜像），按随包发布的 runtime-manifest.json 逐个取并先校验 sha512 再落盘（win32-x64 实测约 33 个包 / 2142 个文件 / 数百 MB；清单平台无关，一份覆盖 win32/darwin/linux × x64/arm64；剔除 onnxruntime-web——Node 构建从不 import 它）。面板「向量索引」卡片在不就绪时会给出这段代价说明并提供一个按钮；不想开面板也可以让 agent 用 memory_runtime 工具（status / provision / verify）代做

配置只需在 cordis.patch.yml 里设置 embedProvider（默认 openai，保持 v0.1 行为；改为 local 即离线）。升级无需迁移数据。

node scripts/mneme-runtime.mjs status    # 运行时在哪、来源、结构是否完整（不加载模型）
node scripts/mneme-runtime.mjs adopt --from ~/.dsh/profiles/<profile>/node_modules
node scripts/mneme-runtime.mjs verify    # 真加载运行时并跑一次推理

三个命令的退出码为 0 健康 / 1 不健康 / 2 用法错误，便于脚本 gate；--json 输出机器可读结果。运行时不可用时不会崩——检索降级为关键词/BM25，读写不受影响。详见 本地模型部署指南 §2.5。

实体结构化记忆（Entity Gene）🧬

v0.3.0 起新增记忆基因层：从记忆里抽取命名实体、带时间轴的属性、实体间关系，让搜索从"字面关键词"升级为"按实体/属性精确召回"。

• 三表：entities / entity_attrs（valid_until 快照式时间轴）/ entity_relations，旧库打开自动建表，幂等无迁移成本
• 自动抽取：entityExtractionEnabled=true 后，新写入的记忆 fire-and-forget 触发 LLM 抽取（同名实体去重、属性存时间轴、关系追加；失败绝不阻塞写入）
• 实体搜索（searchMemories 前缀路由，entitySearchEnabled 默认开）：
• entity:阿尔托 → 属性精确关联的记忆（_score 1.0）排在关键词提及（_score 0.7）之前
• attr:国籍=芬兰 → 精确匹配该属性值的记忆
• attr:国籍 → 该属性键的全部当前有效记忆（value 为空契约）
• autoDream 联动：update 决策写 supersedes 自引用（属性版本被替代）；merge 决策把 loser 的属性归属迁移到 keeper（keeper 已有同键当前值则失效）

📖 详见 实体结构化记忆设计 · 语义增强架构 · 本地模型部署指南

记忆质量过滤 🧼（v0.4.6，默认开）

写库前对每条记忆做启发式质量打分（纯函数，无 I/O、无共享状态）：元记忆词汇（谈论记忆系统本身）、自指类型标签、内容过短、重复度高、与近期记忆近似重复都会扣分（0-100）：

• score ≥ 60：正常存储
• 30 ≤ score < 60：quality_score 落库，注入排序改为按 importance × quality/100 降权（degraded）
• score < 30：归档并标记 low_quality——仍可显式搜索召回，只是永不自动注入。例外（#135）：importance ≥ memoryQualityFilter.exemptImportance（默认 4）的记忆只降权不归档——评分与信号标签照常落库，归档决定不再静默越过用户标注的重要性

memoryQualityFilter.enabled 可整体关闭，archiveThreshold / degradeThreshold / minContentLength / exemptImportance（1=全部豁免，5=仅最重要豁免）可调。此外更新记忆（memory_update 等）不会抹掉系统信号标签（low_quality / duplicate / meta / self_referential / repetitive / short_content）——它们是「为什么被降权/归档」的审计线索，与用户自传标签并集保留（#135）。

LLM 消耗审计 📊（v0.4.6，默认开）

每次后台 LLM 调用都会写入 llm_audit_logs 表：tokens / duration / status / source（由哪个触发产生）。失败调用记为 status=error，绝不阻塞功能本体；retentionDays（默认 90）在启动时清理超期行。

覆盖的后台调用（source 即触发源，operation_type 区分同一源下的不同调用）：

source · operation_type · 说明 autoDream · dream_consolidate / dream_summarize · 巩固的整理裁决与总览摘要，各一行 autoDream · dream_narrative · 叙述条合成，需 dreamNarrativeEnabled（默认关）才跑 autoSummarize · summarize_compress · 空闲蒸馏的压缩 sleep · sleep_conflict / sleep_pattern · Sleep Mode 的冲突裁决与模式挖掘，两阶段各一行 entityExtract · entity_extract · 实体抽取，每次写入记忆都会跑

后两条链路见 #250——它们是结构上漏接的后台路径（sleep 的 streamText 副本没有 onUsage、实体抽取适配器拿不到 service），不是刻意收窄口径。

新增两个只读 API：

• GET /api/dsh-mneme/semantic/llm-audit?page=&pageSize=&source= — 分页查询 + 按 source 过滤
• GET /api/dsh-mneme/semantic/llm-audit/stats?days= — 近 N 天按 source 汇总预算（tokens / 次数 / 失败数）

/llm-audit/stats 的 by_source 是服务端 GROUP BY trigger_source，不做任何白名单过滤，因此新链路自动进入汇总。

面板侧现状（#250 之后，未改面板）：

• 「LLM 消耗」卡读 /llm-audit/stats，但只渲染 total_calls / total_tokens 两个总数。新链路的 token 与次数已经计入这两个总数，所以「mneme 总共花了多少」现在是对的；
• 按链路的拆分（by_source）目前只能从 API 读，面板不展示——「哪条链路最费」在面板上还答不了；
• 状态页活动流仍只显示 autoDream / autoSummarize 两个硬编码来源（lib/client.js），新链路不会出现在活动流里。

这三处要动面板（活动流还有一处来源白名单加一处二元标签兜底，且 pageSize=12 会被每次写入都跑的实体抽取占满），留到面板批次，不在 #250 内。

实体抽取是每次写入记忆都会跑的链路，计入审计后 llm_audit_logs 的行数会随写入量线性增长（retentionDays 只约束上界、不约束增速）。若实测增速过快，再考虑按 operation_type 采样或单独保留期。

只读端点，与 list/search/semantic 一样在设置 apiToken 后仍保持开放。

记忆库主区视图与记忆图谱 🕸️（v0.5.0）

记忆功能从侧边栏抽屉收进主内容区全宽 tab（conversation.view 插槽，与「对话 / Trajectory」并列），侧边栏「记忆」入口点击后直接激活该 tab。页面顶部子 tab 行切换三个子视图：

• 记忆（三栏浏览）：左栏分类树（类型 + 计数）/ 中栏时间树（月 → 日两级倒序、可折叠）/ 右栏详情（全文不截断 + 复制全文）；语义搜索内嵌工具栏开关（防抖 250ms），entity: 前缀可「在图谱中查看」
• 图谱：输入实体名，加载以该实体为中心的关联网络——
• 服务端只读 ego-graph API：GET /api/dsh-mneme/semantic/graph/ego?entity=&depth=1|2（BFS 层级遍历，limit 防大图失控，实体不存在 404；配套 /semantic/graph/entity-attrs 查实体属性）
• 前端零依赖手写 SVG 力导向布局（插件运行时无法 require vis-network 等第三方库）：斥力 + 弹簧 + 向心引力物理模拟，节点按类型着色、按提及次数定半径，支持拖拽、点节点看属性、点边跳回来源记忆
• 设置：画像 / 规则 / 指令 / 向量配置，限宽居中

图谱 ↔ 记忆双向互跳：图谱详情侧的关联记忆可点击，记忆边的「来源记忆」按 memory_id 直跳三栏视图并自动定位。

四路召回融合与会话热记忆 🔎（v0.5.0，v0.8.4 扩四路）

• BM25 稀疏第三路召回（src/search/bm25.js）：与向量召回、FTS5/LIKE 关键词并列——ASCII 词元 + CJK bigram 分词、IDF 加权（归一化 [0,1]），专有名词 / ID / 代码片段等散词查询不再依赖子串命中。融合规则：未召回行按 0.3×BM25分 回填；仅向量召回行获得词法加分；LIKE 已命中行不叠分。bm25SearchEnabled 可关
• 实体图召回轴（第四路，v0.8.4）（entityRecallEnabled 默认关）：开启后检索融合池三源扩四源——store 新增 findEntitiesMentionedIn / getLinkedMemoryIds 反查原语 + idx_relations_memory 索引，命中实体所在记忆按边入池，fuseRecall 的 blend / rrf / minmax 全配方参与；实体轴与 BM25 同为确认/回填信号（we 并入 wb 共用 0.3 回填权重），永不主导语义排序，失败降级空数组；keyword 模式纯文本路径不吃实体轴
• 自适应阈值（src/search/adaptive.js）：取代固定 0.65 截断——entity:/attr: 前缀放宽 0.5，短查询（50）放宽 0.6，Top1/Top5 分差 > 0.3 时放宽让尾部进 Rerank；显式传 threshold 或 adaptiveThresholdEnabled=false 走旧行为
• 会话级短期热记忆（src/hot-memory.js）：最近 N 轮对话（默认 5 轮，hotMemoryRounds）按 token 预算（默认 2000，hotMemoryMaxTokens）滚动截断，从会话事件日志无状态重建、不落库；注入顺序为「短期上下文 → 长期记忆召回 → 摘要」
• 选择性注入：query 向量可用时注入候选按主题相似度重排（selectiveInjectEnabled 可关）；搜索时语义去重为激进选项（searchSemanticDedup=true 显式开启，近重复行 Rerank 前丢弃）
• 召回基准（scripts/benchmark-recall.js）：标准查询集驱动，计算 Recall@5 与 MRR，legacy（三特性全关）vs fused（默认配置）双跑对比