dsh-engram-relay

本仓库是公开镜像（上游：dsh-external/dsh-engram-relay，BSD-3-Clause）。 安装请用下方公开地址；上游转为公开后本镜像仍保持同步。

跨会话分层记忆：大一统记忆图谱（Obsidian 式双向链接 + 因果双向追溯 + 自组织聚类）， N-gram 哈希确定性寻址 × 三通道纯算法语义精排（词汇/图/共现，零外部模型） × 因果传播的超稀疏主动唤醒，渐进披露 （入口 = [[标题]] + 摘要，按需展开正文）；分层归属由 AI 自主决策—— global 全局持久 / project 项目持久 / session 会话临时，跨会话沉淀与召回。

是什么

dsh-engram-relay 把 DeepSeek Engram 的「N-gram 哈希 O(1) 确定性寻址」思想做成系统级 外置记忆转接层（无需训练任何小模型）：

1. **[Engram（条件记忆，deepseek-ai/Engram）](https://arxiv.org/abs/2601.07372)**：N-gram 哈希 O(1) 确定性寻址 → 巨大静态记忆表。为 Transformer 补上「知识查找原语」（MoE 扩计算容量，Engram 扩静态记忆容量）。
2. 三通道纯算法语义引擎（SemanticScorer，零嵌入模型）：对哈希粗筛候选做语义精排—— 词汇通道（n-gram Jaccard 重叠 + 词频）、图通道（因果/链接邻居语义传播）、 共现通道（PCA 谱分解语义桥，跨词共现如「缓存↔cache」）；确定性、可解释、 零外部模型、零联网、零 Python。修掉哈希的 mode-level 跨主题误命中 （同 80 查询实测：纯哈希精确率 54% → 混合 95%，三通道承接了当年 bge 实验的增益）。
3. 因果图：节点间 causes/effects 双向边，唤醒时沿因果链双向传播激活——「什么导致了它 / 它导致了什么」，这是普通向量索引做不到的。

混合检索管线：哈希粗筛（精确、O(1)、确定性）→ 三通道纯算法精排（修误命中，零模型）→ 因果传播（召回前因后果）→ top-K 超稀疏注入 = 精确 + 语义 + 因果。

架构

┌────────────────────────────────────────────────────────┐
│ 云端 API 主模型（100k 上下文，KV 保持小）                 │
│   ↑ 超稀疏文本注入（systemPrompt 记忆段，预算 600 token）  │
├────────────────────────────────────────────────────────┤
│ Node 插件（核心零第三方运行时依赖）                       │
│  ├─ 请求前：哈希粗筛 → 分层准入 → 三通道纯算法精排 →      │
│  │           因果传播 → 稀疏注入（global 全可见 /          │
│  │           project 同 cwd / session 本会话）             │
│  ├─ 写入：模型调 engram_store 落节点（自主分层 + 因果）     │
│  ├─ 维护：search/link/update/remove/promote（织图谱/转层） │
│  └─ 会话结束：agent/disposed → 只清 session 层临时记忆     │
│            （global/project 跨会话持久）                   │
├────────────────────────────────────────────────────────┤
│ 可选向量缓存增强（非必需；核心语义引擎零模型）            │
│  ├─ TS ONNX：包内 int8 bge 模型（transformers.js 懒加载） │
│  └─ Python 转接服务（遗留回退，JSON 行协议）：            │
│      embed op：本地 fp32 bge-small-zh-v1.5 编码（懒加载） │
└────────────────────────────────────────────────────────┘

• 大一统记忆图谱：节点 = {layer, title, summary, content, links[], causes[], effects[]}， 双向链接（Obsidian 风格）+ 因果双向追溯；， 主题结构由链接/因果密度自组织成簇（连通分量），唤醒时给出簇概览；