③ 在

/cordis.yml 启用（配置示例见 dsh/cordis.yml.example）


```yaml
- id: lingshu-memory
  name: '@furongjun1999/dsh-memory'
  config:
    mdcg:
      root: 'data/mdcg'      # 记忆唯一真源（md 认知图）
    identity: '灵枢'
    tools: 'core'            # 'core'(默认, 仅 cg/stg) | 'brain' | 'all'

装完即可对话，无需理解任何理论——DSH 端自动记忆钩子已挂 session/event，你只管像往常一样对话（其它宿主可直接让 Agent 调用同一批工具）：

你说	背后发生什么（真实工具链）
「请记住：我们团队的发布窗口是每周三」	自动记忆钩子沉淀 → `cg(op=write)` 过三道闸门 → 认知图节点落盘
（新开会话）「我们的发布窗口是哪天？」	自动召回注入 → `mdcg_recall` 检索命中并带入回答
「把上次定的接口约定讲一遍」	`cg(op=route)` 条件路由 + `stg(op=timeline)` 时间线回溯，跨会话取出

首次使用记忆库为空，召回返回空结果属正常现象；未配写入凭据时以只读 guest 运行（读得到、写不进），要真正落盘见写入凭据。

前置：Node ≥ 22.19 · DSH 内核 ≥ 0.1.2-rc.1 · 大脑零安装（md_cg 随包自带，无需 pip 装任何引擎）
写权限默认关闭：不配凭据即以只读 guest 运行（读 / 召回 / 时间线可用，写入不落盘）。要真正落盘见「写入凭据」
完整配置项（30+ 项）· 自动记忆机制 · DSH 看门狗 → README 详细版
非 DSH 宿主（CodeBuddy / ZCode / Codex CLI / Claude Code）：走多 harness 接入，各端有独立三步接入说明

📊 六家记忆系统横向对比

100 题中英双查（bench6 v1.0 · 零干扰上界对照集 · CC BY-NC 4.0）：六家系统、同一份中文语料、同一套 hit@1 / hit@5 / MRR 评分器（md_cg/eval_common.py）。

系统	zh hit@1	zh MRR	en hit@1	en MRR
灵枢（词法 + meta）	99.0%	0.9950	54.0%	0.5993
灵枢（四路融合 · 真开 bucket）	81.0%	0.8983	37.0%	0.4893
纯向量 RAG	97.0%	0.9817	71.0%	0.7937
mem0	89.0%	0.9125	68.0%	0.7850
Letta（归档直插）	96.0%	0.9767	73.0%	0.8063
Letta（agent 自主入库）	0.0%	0.0000	0.0%	0.0000
Graphiti	58.0%	0.6008	46.0%	0.5303
GraphRAG	31.0%	0.3223	18.0%	0.2057

诚实口径（非选择性引用，与横评报告一致）：灵枢中文查询登顶（99.0%），但英文查询落后（54.0%）——英文侧由 Letta 归档直插（73.0%）与纯向量 RAG（71.0%）领跑，没有任何一家在两种查询语言上同时最优；灵枢四路融合在本池反而低于单词法基线（81.0% 完整题型分解 / 逐家入库取证 / 偏差判定单 → 六家横评报告 · 题集 → data/benchmarks/bench6-100-zh-en/

📚 公开评测数据集

📎 全部随仓库公开（CC BY-NC 4.0），可直接下载用于你自己的记忆系统对照评测：

基准	归属	状态
locomo-zh-500	自建（LoCoMo 中文派生 · 500 题 / 567 turns / 0.6 MB）	已随仓库公开 `data/benchmarks/locomo-zh-500/` · 可复现 · 我方成绩：hit@1 93.6% → 97.6%（+同义扩展）
bench6 · 六家横评	自建（LoCoMo 中文派生 · 100 题 / 137 turns · 中英双查 / 约 90 KB）	已随仓库公开 `data/benchmarks/bench6-100-zh-en/` · 六家同口径对照（灵枢 5 口径 / 纯向量 RAG / mem0 / Graphiti / GraphRAG / Letta 两模式）· 报告 → 横评_六家100题中英双查_v1.0.md
LoCoMo	第三方 `mteb/LoCoMo` BEIR（1976 题 / 5882 turns）	上游来源（英文原版）
memory-bench-1000	自建	SNR 见评分报告 v2.0；已公开 `data/memory-bench-1000.jsonl`

上表四行性质不同，勿混读：locomo-zh-500 的分数是本仓库我方成绩（基于LoCoMo自建并公开的评测集，可复现）；bench6 · 六家横评 是同源派生的小型同口径对照集（零干扰池，只做六家系统横向对照，非我方单方成绩）；LoCoMo 一行指上游英文原版 1976 题，本仓库未在其上产出完整成绩；memory-bench-1000 是自建记忆库的评分报告。 该成绩的性质（非虚假声明）：locomo-zh-500 的分数是写入侧结构化加工后的检索成绩——入库前把每轮对话加工为「身份 / 时间 / 摘要 / 词 / 条件四槽」条目，再走词法 + 同义扩展检索。这与主流记忆系统所用的向量化嵌入 + 关键词/摘要压缩属同一类写入侧加工，差异只在索引与检索算法，不在「是否对原文做了加工」。因此该口径可用于同口径对照，不是对裸文本直读的虚高取巧。 locomo-zh-500 是本仓库对外发布的检索评测集：供外部在同一份中文题面上对自己的记忆系统做可对照评测。它只评检索命中（hit@k / MRR），不评答案正确性；被测池为零干扰（池内全是 gold），故高命中率不可外推为端到端记忆能力——完整边界与许可见 data/benchmarks/locomo-zh-500/README.md。 bench6-100-zh-en 沿用同一口径，并每题提供中英两套词面（评「换查询语言后是否仍命中」）；它同样是上界对照集——家间差距小于约 16% 不可判为显著，且竞品适配脚本未随仓库公开，详见横评报告与 data/benchmarks/bench6-100-zh-en/README.md。

复现我方成绩（零上游依赖）：

python -m md_cg.bench_locomo_zh_public   # 只读 data/benchmarks/locomo-zh-500/，产出即为公开的参考量级

自建 bench 的噪声层 400 条 + unlabeled 边界 350 条为天然负对照；任何基准报告须带干扰抑制负例组与 T-JUDGE 负例拒绝率双向报告（遵守「只报总分 = 不通过」）。

🎯 能力自评（内部标尺，非横评声明）

项目维护者按内部七维标尺（结构 / 检索 / 判断 / 调用 / 演化 / 连续 / 可信）自评 综合 8.6 / 10（全部维度 ≥ 8.5），并按外部行为级门槛自评为条件性 L4 → L5 路上——含未完成项与扣分理由的逐维证据，见 AGI 七维评分报告 v2.0。 不虚高的坦白：五个 8.5 的共同上限是「机制齐备、门槛项未齐」——T 零信任未落地、R 仍是规则层意图理解、C 去污染仍是抽样而非穷尽、U 的 LLM 固化动作尚未自动放行。

🧩 能力速查（能力 → 入口）

能力	MCP 入口
记忆写入 · 关系链接 · 结构关系	`cg(op=write)` `cg(op=link)` `stg(op=relation)`
多路融合检索 · 条件路由 · 因果链 · 时间线	`mdcg_recall` `mdcg_search` `cg(op=route)` `stg(op=timeline)`
写入裁决 · 主动遗忘 · 冲突检测 · 反思	`mdcg_remember` `cg(op=verify)` `cg(op=metacognition)` `mdcg_reflect`
重要性评分 · 预算装包 · 分层注入 · 记忆自净	`cg(op=session)` `cg(op=scrub)` `cg(op=info)`
知识固化 · 结构变更账本 / 回滚 · 自维持巡检	`mdcg_flywheel` `cg(op=consolidate)` `cg(op=maintain)` `cg(op=sustain)`
身份一致性 · 自我状态 · 演化史	`cg(op=identity)` `cg(op=self_state)` `cg(op=evolution)`
加密 · 密级隔离 · 审计留痕 · 保护/遗忘	`cg(op=protect)` `cg(op=forget)` · 护栏宪章

🧰 工具面

两个认知基元 · 35 个 op（kernel 面）：

基元	op
`cg` 认知图统一入口	31：`theory` `link` `info` `route` `read` `write` `goal` `recent` `verify` `review` `forget` `protect` `identity` `consistency` `metacognition` `self_state` `evolution` `sustain` `scrub` `predict` `causal` `whitebox` `index_code` `index_doc` `ref` `session` `ingest` `export` `maintain` `consolidate` `insight`
`stg` 语义时空图入口	4：`relation` `timeline` `anchors` `consistency`

细粒度面（MDCG_MCP_SURFACE=full，插件运行时使用）：cg + stg + 31 个 mdcg_* = 33 个工具。

`tools` 模式	暴露数	说明
`'core'`（默认）	2	仅 `cg` / `stg`
`'brain'`	30	`cg`/`stg` + 28 细粒度
`'all'`	30	full 面 33 − 3 个宿主级风险工具

风险工具 mdcg_forget / mdcg_restore / mdcg_review_decide 需 can_admin，即使 tools: 'all' 也不自动暴露。 35 op 已逐一冒烟验证：35/35 可达，0 未知 op、0 意外崩溃。每个 op 的「功能 → 代码（含行号）→ MCP op」见功能调用映射表；历史 82 工具去向见迁移映射。

🏗️ 架构（以 DSH 为例 · 其它 MCP 宿主同构）

DeepSeek Harness (cordis)
  Agent Loop ──┬── 工具面 ctx.tools（cg / stg / mdcg_*）
               └── session/event（自动记忆钩子 · 自动召回注入）
                     │ stdio · 逐行 JSON-RPC
┌────────────────────▼─────────────────────┐
│ 灵枢大脑子进程（spawn · 唯一）             │
│ python -m md_cg.mcp_server               │
│ cg/stg 基元 + 31 细粒度 · md 认知图真源    │
└──────────────────────────────────────────┘
（可选）「身体」能力后端：仅 capability.enabled=true 时另起一个能力库子进程，默认不启动

记忆只有一个真源：md_cg/ 认知图（纯 md 文档，随包自带）。确定性规则引擎与知识库已内迁； AEIS 仅作可选「身体」能力后端（角色扮演生成），不再存记忆、默认不启动。

其它 MCP 宿主同构：宿主工具面（cg / stg / mdcg_*）↔ stdio MCP ↔ md_cg 大脑；四端差异只在纪律注入方式（矩阵见多 harness 接入），大脑与记忆真源零改动。

🔑 写入凭据（让记忆真正落盘）


# 签发（明文不进配置文件）
python -m md_cg.tokens issue --role designer --actor dsh-memory --clearance internal ^
  --ops-allow info,route,read,write,recent,goal,identity,whitebox,verify ^
  --layers-allow knowledge,contextual,structural,self,goals,unresolved,rejected
setx MDCG_TOKEN "mdcg1.xxxxx"     # 然后重启 DSH

    env:
      MDCG_TOKEN: !!js process.env.MDCG_TOKEN

--role recorder 为最小权限版（只能自动记忆 / 转录；whitebox、identity、verify 会被拒）。 落盘充要条件 = 最终判定 ACCEPT：cg(op=write) 需依次穿过 audit → 一致性 → gated 三问四态三道闸门，非 ACCEPT 均不新增落盘点。 别把 ok: true 当写成功：未落盘时返回体形如 {"ok": true, "committed": false, "moved_to": "review_queue"}——ok 只表示请求被受理，是否落盘只看 committed。首次写入最常踩的坑：content_kind 省略或填 text 时，未配置规则库（MDCG_POLICY_FILE）的审核器一律判 DEFER（"缺能力返回 DEFER，绝不假装通过"），内容进审核队列而非落盘；要立刻落盘请用可验证类型，如 content_kind: 'code'（AST 解析通过即 ACCEPT）。

❓ 常见问题（FAQ）

为什么不能用裸 npm install 安装进 profile？

必须用 dsh plugin --profile add . 安装：插件声明了 6 个 peerDependencies（cordis / dsh-llm / dsh-session / dsh-system-prompt / dsh-tools / schemastery），dsh plugin add 走 pnpm 正确解析宿主提供的 peer 版本；裸 npm install 会把错误版本的依赖装进 profile 导致加载失败。仓库根目录的 npm install 仅用于开发构建（npm run build）。

装完插件 / 配完凭据没有生效？

DSH 采用 Cordis bundle 机制，新增或更新插件后必须重启 DSH 进程（或刷新 Web UI 页面）才会重新加载；通过 setx 配置 MDCG_TOKEN 后同理，须重启才可见（见写入凭据）。

怎么确认 Agent 真的把记忆写进去了？

看返回体的 committed 字段，别把 ok: true 当写成功——{"ok": true, "committed": false, "moved_to": "review_queue"} 表示请求被受理但未落盘（内容进了审核队列）。落盘充要条件 = 三道闸门最终判定 ACCEPT。

为什么我的写入没有落盘？

三个最常见原因：① 未配写入凭据 → 只读 guest，写入不落盘（配凭据见写入凭据）；② content_kind 省略或填 text 且未配置规则库（MDCG_POLICY_FILE）→ 审核器一律判 DEFER（"缺能力返回 DEFER，绝不假装通过"）→ 用 content_kind: 'code' 等可验证类型（AST 解析通过即 ACCEPT）；③ 未穿过 audit → 一致性 → gated 三问四态任一闸门。

CodeBuddy / ZCode / Codex CLI / Claude Code 等其它宿主也能用吗？

能。大脑 md_cg/ 是标准 stdio MCP server（python -m md_cg.mcp_server），任何支持 MCP 的宿主可直接挂载；五端接入差异只在纪律注入方式，见多 harness 接入。

📚 文档导航

文档	内容
README 详细版	完整能力说明 · 配置项全表 · 安装与验证细节
发布说明 v0.4.5	本版变更 / 兼容性 / 升级指引
AGI 七维评分报告 v2.0	逐维得分依据 / 扣分项 / 实库证据 / 诚实边界
功能调用映射表	任何功能 → 调用哪段代码（含行号、MCP op）
护栏宪章 v2.0	对外部智能体与人类使用者的行为边界
教学四篇	白箱智能是什么？ · 智能的认知过程 · 智能的公理化基石 · 信息差为什么必然存在
工作纪律·认知图条目 v1.1	自我约束的 16 条工作纪律（嵌套认知图条目 `work_discipline`）
六家记忆系统横评 v1.0	100 题 · 中英双查 · 六家同口径对照；含判定单 / 条件层归因 / 诚实边界（题集 → data/benchmarks/bench6-100-zh-en/）
Rust 检索库	`mdcg_eval` 三形态：库内嵌大批量检索 / `--serve` 多智能体进程实例 / 公开数据集评测器（零依赖 · 与 Python 口径逐位对齐）

多 harness 接入（按端分目录）

共享层（md_cg/ 大脑 · data/ · docs/ · scripts/）在仓库根；harness 专属配置按端归置：

目录	harness	接入文档	纪律注入方式
`dsh/`	DeepSeek Harness	dsh/README.md	`~/.dsh/profiles/web/cordis.patch.yml` 的 `personaPrefix`（compact · 每轮）
`codebuddy/`	CodeBuddy	codebuddy/README.md	项目根 `CODEBUDDY.md`（full · 会话起始）
`zcode/`	ZCode	zcode/README.md	项目根 `AGENTS.md`（full · 会话起始）
`codex/`	Codex CLI	codex/README.md	项目根 `AGENTS.md`（full · 会话起始）
`claude/`	Claude Code	claude/README.md	项目根 `CLAUDE.md`（full · 会话起始）

五端纪律同源（docs/工作纪律_认知图条目_v1.1.json），由 scripts/render_discipline.py 渲染、 scripts/verify_discipline.py 守卫漂移；矩阵见 docs/discipline/harnesses.yaml。

插件生态形态（免手工复制，本仓自带双端 marketplace）

宿主	安装	插件位置	装后一步
Claude Code	`/plugin marketplace add FuRongJun-1999/dsh-memory` → `/plugin install lingshu-memory@lingshu`	`claude/lingshu-memory/`（纪律以 skill 分发，`/lingshu-memory:linglu-discipline` 可显式调用）	复制插件内 `mcp.json.example` 为项目根 `.mcp.json`，填 `PYTHONPATH`
Codex CLI	`codex plugin marketplace add` → `codex plugin add lingshu-memory@lingshu`	`codex/lingshu-memory/`（skill 三级渐进加载；`.codex-plugin/plugin.json` 清单）	把插件内 `config.toml.example` 两段合并进 `~/.codex/config.toml`，填 `PYTHONPATH`

marketplace 清单：Claude 端在仓根 .claude-plugin/marketplace.json，Codex 端在仓根 .agents/plugins/marketplace.json。插件不含大脑本体（md_cg/ 不随插件分发）——MCP 装好后大脑仍是你本机的 dsh-memory 仓库；插件形态的纪律 skill 同样由真源渲染（skill 变体，矩阵槽位 claude-code-plugin-skill / codex-plugin-skill），漂移由同一 verify_discipline.py 守卫。

🛠️ 开发

npm install
npm run build    # TypeScript 编译
npm test         # 真实集成测试（spawn 本机灵枢，验证握手/往返/注册/卸载）

测试不依赖 DSH 全组件——用最小 Cordis host（SystemPrompt + ToolRegistry + 插件）隔离不稳定面。

📏 工程纪律与设计者视角（可选推荐）

这段话是什么：灵枢自身按一套 16 条工程纪律 运行——方法论（理论先行 / 全面处理 / 根因纪律）、执行（验证先行 / 双副本同步 / 兜底路径）、合规（内容政策双清单 / 敏感信息隔离）、记忆闭环（查记忆 → 执行 → 写记忆）。它原本是灵枢的「自我约束」，与你要不要用灵枢无关；但如果你希望自己的 Agent 也具备同样的工作方式，这套纪律与配套元技能都可以直接复用。

两个可复用入口：

入口	内容	位置
工程纪律（16 条）	每条 ≡ 一个认知图节点（生效条件 / 执行锚点 / 不适用条件 / 直答出口），含触发词路由	真源：`docs/工作纪律_认知图条目_v1.1.json` · 全文投影：`AGENTS.md`
设计者视角（元技能）	在动手前回答「该不该做 / 为什么做 / 条件够不够」：条件空间声明 → 四态资格裁决（ACCEPT/REJECT/DEFER/BLINDSPOT）→ 失配归因；附自检 17/17	`skills/skills/designer-perspective/`（`tests/selftest.py` 可自行验收）

按需裁剪：16 条中部分条款针对灵枢私有管线（如图像选源线），复用时建议只取方法论 / 执行 / 合规 / 记忆闭环四组通用条款。多 harness 渲染与防漂移守卫见多 harness 接入。

护栏宪章（接入即接受约束）

本插件接入即接受 灵枢护栏宪章 v2.0-published 约束——对外部智能体与人类使用者的行为边界作出公开、可执行、可审计的规定，并保护人类使用者。

许可证

DeepSeek Harness 为 DeepSeek 官方开源项目（MIT），本插件与之无隶属关系。

@furongjun1999/dsh-memory

AI 분석

설치

문서

③ 在