本文基于 awesome-dsh-plugin 目录 memory 分类下的全部 111 个插件（截至 2026-08-25）整理而成。注意：dsh 生态的记忆插件不止这 111 个，本文统计范围以该目录收录为准。最近在关注 DeepSeek Harness 的插件生态，开发过程中对当前的记忆插件有了比较详细的了解，顺手把分类笔记整理成文。我是其中第四类 dsh-project-memory 的作者，各插件的介绍信息均来自目录收录原文，有描述不准的地方欢迎指出，我会更新。

先说结论

在 dsh 生态里搜"记忆插件"，结果会覆盖至少六类完全不同的工具。它们共享"记忆"这个名字，但解决的问题几乎不相交：

流派	解决的问题	数量占比
一、对话事实记忆	记住聊过的偏好、决策、结论	约 40%，最大类
二、极简 Markdown 文件派	同上，但坚持纯文件、可手改	约 10%
三、系统级/服务端记忆	团队级、产品化的记忆基础设施	约 10%
四、项目内容索引	记住项目文件本身：文档写了什么、代码有什么	约 5 个
五、跨工具会话复用	把其他 AI 工具的历史会话变成可检索资产	约 6 个
六、特色机制	各自聚焦一个单点机制的创新	其余约 30 个

如果你正在为dsh挑选一个记忆插件，或者单纯想了解 dsh 记忆插件生态的全貌，都可以先了解这六个流派——先弄清每个流派在解决什么问题，再看代表插件的思路差异。下面逐类展开，每类介绍 3~4 个代表。

一、对话事实记忆（约 40 个）

最大的一类。核心动作是一对：remember（存）和 recall（取），对象是对话中产生的偏好、决策、事实。差异主要在三处：检索算法（BM25 / FTS5 / 向量 / 混合）、自动化程度（手动确认 / 自动提取 / 后台自进化）、存储格式（JSON / SQLite / Markdown）。

代表：

插件	思路
@max-null/dsh-memory	确定性 BM25 关键词召回，无向量嵌入；模型只能写"建议"，人工 confirm 才生效——把控制权做成了卖点
dsh-memory-connect	走另一个极端：零配置自动提取，SQLite FTS5 + RRF 召回每轮注入，附"全局灵魂"soul.md
dsh-mneme	heat 热度模型驱动遗忘与巩固、sleep 深度维护——让记忆像人脑一样淡忘
dsh-meow-memory	七层 SQLite 存储（soul/user/project/fact/lesson 等）、缓存友好注入、空闲时 dream 自动整理——社区数据最硬的一家
dsh-evolve 系列	多家实现的"记忆+自进化"组合：从对话蒸馏事实再升级为可复用技能

这一类选择最多，差异集中在三点：检索算法（BM25 / FTS5 / 向量 / 混合）、自动化程度（手动确认 / 自动提取 / 后台自进化）、存储格式（JSON / SQLite / Markdown）——按自己最在意的那一点挑即可。

二、极简 Markdown 文件派（约 10 个）

信条是：记忆必须是用户可以直接打开、编辑、git 管理的纯文本。功能上普遍比第一类朴素，换来的是完全的透明和可控。

插件	思路
dsh-simple-wiki-memory	一个索引文档自动加载 + 每主题一个 md 按需读取
dsh-memory-palace	用户级 + 工作区级双层 MEMORY.md，回合结束自动写日志并定期蒸馏
dsh-hermes-memory	有界双记忆库（固定字符预算）、冻结快照注入，零 LLM 成本
engramory	一条事实一个文件，任何编辑器都能打开

适合在意"我的数据必须是我能读懂的文件"的人。

三、系统级/服务端记忆（约 10 个）

把记忆做成一套需要部署的基础设施，换来的容量和能力是个体插件无法比的。

插件	思路
Hindsight（vectorize-io）	Docker/Cloud 部署的记忆系统，LongMemEval 榜首，retain/recall/reflect 三操作 + 知识页；公司级产品
OpenViking（火山引擎）	服务端语义检索 + pre-step 自动召回 + 画像注入，配合其生态使用
dsh-butler-memory	PostgreSQL 持久化 + MCP 工具 + Web 审核面板

适合团队共用记忆池，或需要产品级能力（基准成绩、管理面板、托管服务）的场景。

四、项目内容索引（约 5 个）

前三类记的都是"对话里说过什么"。这一类记的是项目文件本身：文档内容、代码结构、两者之间的引用关系。动机也很简单——AI 每次开新会话都要重新理解一遍代码库，这件事不该重复发生。

插件	思路
dsh-project-memory	读到即索引（模型读哪个文件才索引哪个）：PDF/Markdown 出 LLM 摘要、代码出零 token 符号表，doc↔symbol 自动交叉链接，每条结果带 path:line 可回源文件核实；查询默认零 token
dsh-code-intel	Tree-sitter AST 解析建符号索引，词法或可选 embedding 辅助检索——精度取向
dsh-openwolf*	预索引项目地图 + 文件摘要 + 读写拦截，agent 不必重读整个文件
PerryLink/dsh-library、omdsh-dev/dsh-kb-sieve	把本地 md/txt/pdf 文档转成可检索知识库，偏"资料库"而非"代码库"

几家按技术路线各有侧重：Tree-sitter AST 精度取向、向量检索语义取向、零依赖工程取向。另外这一类和第一类不冲突——一个管项目、一个管对话，同时装是常见用法。

*注：dsh-openwolf 在目录中归类于代码类，因功能高度相关在此并列。

五、跨工具会话复用（约 6 个）

思路：你之前在 Claude Code、Cursor 里积累的会话历史，本身就是一座金矿。

插件	思路
deja-vu	读取本机其他 19 个编程智能体的会话文件（含安装前的历史），本地 BM25 索引、不联网
dsh-memory（Jesse-njx）	基于 dsh 无损会话日志的引用式记忆：蒸馏事实附带 sessionId+行号引用，可回溯原始事件
dsh-recall（Relistencode）	字面/模糊/语义三层检索全部历史会话原文，完全本地离线
dsh-memory-porter	把 Claude/ChatGPT 导出的 memories.json 搬进 dsh

如果你是多工具重度用户，这一类的性价比可能出乎意料。

六、特色机制（其余约 30 个）

单点机制上的创新，选型时作为补充视野：

• 时间轴：dsh-memory-pyramid（npm）——定宽只追加的事实日志 + 摘要金字塔，读取成本不随记忆量增长
• 触点触发：dsh-cue-bank——提取对话触点，话题切换时注入相关历史
• 负面知识：dsh-negative-ledger——只记录被证伪的路径，防止重复踩坑
• 证据分级：dsh-akn-plugin——经验按 H0-H4 分级，审阅后才晋升
• 零 LLM 捕获：dsh-engram——规则匹配自动捕获 + 证据闭环协议

另有一个容易混淆的小族群：上下文压缩/裁剪类（compaction、pruner 等 5 个）。它们管的是"当前对话太长怎么删"，而非"跨会话记住什么"。

怎么选

一句话需求对照：

• “AI 总忘了我说的偏好和决策” → 第一类或第二类（要省心选前者，要透明选后者）
• “团队要共用一套记忆” 或 “我要做产品” → 第三类
• “AI 每次都不了解我这个项目的文档和代码” → 第四类
• “我想利用在其他 AI 工具里的历史” → 第五类
• 就想尝鲜奇怪的机制 → 第六类

两个补充判断：

1. 类别之间可以组合：第四类 + 第一类是最常见的搭配（项目归项目、对话归对话），互不抢地盘

数据说明

• 统计范围：awesome-dsh-plugin 目录 memory 分类全部 111 个条目（2026-08-25）
• 明显误分类项已过滤（如二维码生成器、技能推荐工具）
• 部分插件仅在 npm 发布而未进入该目录（如 dsh-persona-memory、dsh-memory-pyramid），不在本文统计内
• 各插件描述以目录收录原文为准；功能细节请以各自仓库为准
• 我是第四类 dsh-project-memory 的作者，欢迎各插件作者与读者指出文中不准确之处