dsh-memory-tdai

🚀 使用

开箱即用（默认配置）

装好重启后什么都不用配：

1. 正常聊天——你的对话会被自动记录和提炼。
2. 跨会话提问——新开一个会话，问"你还记得我喜欢怎么工作吗？"，模型会通过自动回忆或 memory_search 用上之前的记忆。
3. 手动查——直接让模型"查一下我上周讨论过的 X"，模型会调 conversation_search 找到原文。

数据都存哪

~/.dsh/memory-tdai/
├── conversations/     L0 原始对话（每日 jsonl）
├── records/           L1 原子记忆（SQLite vectors.db + 索引）
├── scene_blocks/      L2 场景块
├── persona.md         L3 人设档案
└── .metadata/         管线进度游标

删除整个目录 = 清空记忆（谨慎）。

---

开箱即用（默认配置）

装好重启后什么都不用配：

1. 正常聊天——你的对话会被自动记录和提炼。
2. 跨会话提问——新开一个会话，问"你还记得我喜欢怎么工作吗？"，模型会通过自动回忆或 memory_search 用上之前的记忆。
3. 手动查——直接让模型"查一下我上周讨论过的 X"，模型会调 conversation_search 找到原文。

⚙️ 配置

默认零配置。可用 bundle 行 config（cordis.patch.yml 或 --patch）或环境变量覆盖：

配置	默认	环境变量
数据目录	$DSH_HOME/memory-tdai	DSH_MEMORY_DATA_DIR
LLM 路由 provider	部署默认（deepseek-official）	DSH_MEMORY_PROVIDER
LLM 路由 model	部署默认（deepseek-v4-flash）	DSH_MEMORY_MODEL
自动捕获	开	DSH_MEMORY_CAPTURE_ENABLED（0/1）
自动回忆	开	DSH_MEMORY_RECALL_ENABLED（0/1）
L1 抽取	开	DSH_MEMORY_EXTRACTION_ENABLED（0/1）

管线节奏参数（在 bundle 行 config 里，见上游 config.ts）：pipeline.everyNConversations（默认 5 轮触发一次 L1，warmup 渐进）、persona.triggerEveryN（默认 50 条记忆触发一次人设生成）等。

---

🧠 Embedding 配置（专业用户）

默认零配置即可运行（关键词检索）。需要语义级检索（向量 + 关键词混合、RRF 融合排序）时，配置一个 OpenAI 兼容的 embedding 端点即可。DeepSeek 官方 API 没有 embedding 端点，需使用第三方 OpenAI 兼容服务。

完整字段

在 bundle 行 config 的 embedding 组下（~/.dsh/profiles/web/cordis.patch.yml 给 memory-tdai 行加 config）：

字段	必填	默认	说明
enabled	否	true	总开关（provider 为 none 时仍视为禁用）
provider	是	none	任意非 none/local 的值（如 openai、dashscope）都被当作 OpenAI 兼容远端；qclaw 走本地代理转发
baseUrl	是	—	兼容端点的 base URL，如 https://dashscope.aliyuncs.com/compatible-mode/v1
apiKey	是	—	端点密钥
model	是	—	模型名，如 text-embedding-v4、text-embedding-3-small、BAAI/bge-m3
dimensions	是	—	向量维度，必须与模型输出一致（见下表），不一致会导致向量表建错、查询全空
sendDimensions	否	true	是否在请求体里发送 dimensions 字段。OpenAI text-embedding-3-* 支持（Matryoshka 可降维）；BGE-M3 等开源模型会拒绝未知字段（HTTP 400），设 false
maxInputChars	否	5000	单条文本超长截断阈值
timeoutMs	否	10000	单次 embedding 请求超时
recallTimeoutMs	否	同上	回忆路径超时（用户侧，应更短）
captureTimeoutMs	否	同上	捕获路径超时（后台，可更长）
conflictRecallTopK	否	5	L1 去重时的候选召回数
proxyUrl	否	—	仅 provider="qclaw" 时使用（本地代理转发）

常用端点示例

### 1. 未配置 embedding 时，检索是"关键词模式"，不是"语义模式"

**这是什么意思？** 记忆检索有两种引擎，能力差别很大：

| 检索方式 | 工作方式 | 例子（记忆内容："用户喜欢喝咖啡"） |
|---|---|---|
| **关键词检索（默认）** | 按字面词匹配（jieba 中文分词 + SQLite FTS5） | 问"咖啡" ✅ 命中；问"我早上喝什么提神" ❌ 查不到（句子里没有"咖啡"二字） |
| **向量检索（需配置）** | 把文字转成向量，按语义距离匹配 | 问"提神的饮品" ✅ 也能命中"咖啡" |

**为什么会这样？** 向量化需要一个 embedding API（把文字变成数字向量的服务）。DeepSeek 官方 API 目前**没有** embedding 端点；插件也不会在未配置的情况下偷偷调用第三方服务。所以默认走关键词模式——够用，但"望文生义"。

**怎么升级？** 在插件配置（bundle 行 config）里提供一个 **OpenAI 兼容的 embedding 端点**（OpenAI `text-embedding-3-small`、阿里云百炼 `qwen3-embedding`、硅基流动、vLLM/Ollama 自托管等皆可），插件自动切换为"向量 + 关键词"混合检索（RRF 融合排序），语义匹配能力大幅增强。不配置也不影响使用，只是检索更"字面"。

> jieba 是中文分词器——"我喜欢喝咖啡"入库前会被切成"我/喜欢/喝/咖啡"再建立索引，这正是 FTS5 能匹配中文的关键。关键词模式对中文检索已经可用，只是做不到"同义替换"级别的语义理解。

---