DSH（DeepSeek Harness）记忆插件套件——让你的 agent 拥有跨会话的持久记忆：记住做过的决策、沉淀踩过的教训、追踪时间线上的事件，并支持按用户指令的定向遗忘。
零原生依赖（Node 22.5+ 自带的 SQLite + FTS5），npm 一条命令安装、零配置即用：
dsh plugin --profile web add @brambledd/bramble-memory
dsh plugin --profile web add @brambledd/bramble-memory也可以在 DSH Web 界面的 Plugins 页面搜索 @brambledd/bramble-memory 点安装。
安装后自动启用，零配置——数据默认放在 ~/.dsh/memory/，重启 DSH（或等待 HMR 生效）
新开会话即可使用。
npm 包主页 · 要自定义数据目录或预算，在
profile 的 cordis.patch.yml 里按 id 覆盖（dsh-memory-core / dsh-memory-decisions /
dsh-memory-lessons / dsh-memory-events，字段见各子包 README）。
重启 DSH 后新开会话，agent 即拥有下表的工具。试试：
我们之前数据库驱动是怎么选的？
agent 会检索到已存的决策并给出经验证的原文。说"忘掉它"，即触发定向遗忘。
| 模块 | 功能 | 定向遗忘中的角色 |
|---|---|---|
| core 记忆检索 | 全文+语义双路检索（memory_search），每条记忆带版本号，读取原文前校验源文件未被改动（memory_drill） |
遗忘的执行层：memory_forget 按语义定位并批量删除（含源文件软删除），检索与读取均不可见；残留自动补删 |
| decisions 决策提醒 | 已采纳的决策在相关话题自动浮现一次（不刷屏），同版本只提醒一次 | 遗忘的精准层：决策被替代/退休后永不浮现，替代后新版本重新提醒一次 |
| lessons 教训沉淀 | agent 只能提名、你批准后写入知识目录成为永久记忆（自动脱敏） | 遗忘的治理层：写入权在人；删除即从文件真相层移除，跨会话不可再检索 |
| events 时间记忆 | 承诺/里程碑/事故按时间线记录，同事件重复自动去重 | 遗忘的硬删除层：event_forget 删除后写入墓碑，被遗忘的事件永远无法再被记录（防复活） |
| capture 自动沉淀 | 每轮对话边界自动提炼持久性事实入库（LLM 经宿主服务注入，无感积累） | 遗忘的供给层：记忆自动积累，memory_forget 才有对象可删；提炼质量经 Bemula RLA 验证 |
对 agent 说"忘掉我的 favorite color"，agent 自动解析意图并调用 memory_forget：
"忘掉我的住址" → memory_forget(scope="facts", targets=["家庭住址"])
"删掉所有健康相关记忆" → memory_forget(scope="topic", targets=["health medical"])
"忘掉 12 月发生的事" → memory_forget(scope="timerange", since="2025-12-01", until="2025-12-31")
"我不喜欢蓝色了，喜欢绿色" → memory_forget(scope="facts", targets=["favorite color blue"], replacement="favorite color is green")
四种遗忘语义全部支持，每种都经过 Bemula 基准验证（六类遗忘请求 F1-F6）：
- 该记忆从存储层真实删除（索引 + 向量 + 源文件软删除），检索/诱导攻击/多跳推理均无法提取
- 无关记忆完整保留——fresh-write 守卫 + 主题精度闸门保护混合笔记不被误删
- 同主题的新事实可正常重学（
replacement参数一步完成"删旧写新"） - 撤回标记（retraction marker）：每次遗忘写入宪法级（constitutional）deny-list——话题词 + forgottenAt 时间戳，应答层据此拒绝变体措辞的套取；遗忘后的重学自动 supersede 标记，正常回答恢复
- 派生清扫 + ack-capture：复述已删内容的推断/摘要笔记按覆盖阈值清扫；时间范围遗忘后的"确认语"引用一并清除
- 自动沉淀（capture 插件）：每 N 轮对话自动提炼持久性事实入库，无感积累记忆；教训治理仍走人工批准
- 残留验证环：删除后自动再检索，漏删的同义变体措辞被第二轮捕获
- 文件源记忆采用软删除（frontmatter 标记
status: deleted）——文件保留可审计，重扫不复活 - 事件类遗忘带墓碑机制，被删坐标永久封禁
Bemula（首个记忆遗忘基准，50 组双变体对话、135 个遗忘请求、五套件评测）。
综合分 0.498，超过论文全部 20 组官方运行（行业最高 0.310，领先 61%）；Instance Pass Rate 0.200、RPR 0.143——论文全量口径下没有任何系统超过 1.5%。以下逐指标分析优势与短板：
我们最强的指标。 FE 测的是"被要求删除的信息是否真正从回答中消失"。Bramble 之所以远超所有基线系统：
- 存储级删除：不是标记隐藏或软删除，而是从 SQLite 中物理移除行（含 FTS 索引和向量），攻击者无论用什么提示词都无法从存储中提取已删内容
- 撤回标记兜底：删除层漏网的变体措辞，由应答层的 constitutional deny-list 拒绝——FE raw 1.000 意味着所有遗忘探针零泄漏；FE conditioned 0.786 与 RA gate 联动
- 残留验证环 + 派生清扫：删除后自动再检索，漏删的同义变体立即补删；复述已删内容的推断/摘要笔记按覆盖阈值清扫
- 论文失败模式 A 的解法：论文指出 Naive RAG/Mem0/LightMem 的"删除请求根本没触发任何删除动作"（FE < 25），因为它们没有删除通路；Bramble 的删除是一条显式 API 通路（意图 → 定位 → 删除 → 应答时 deny-list），不依赖模型自觉
第二强指标。 AR 用五种攻击框架（间接提问/角色扮演/越狱/枚举猜测/多跳推理）尝试提取已删信息。Bramble 领先的原因：
- 值不在存储里，攻击无从提取：论文指出"几乎所有系统 AR < 36% 因为值仍躺在存储里"——即使系统口头说"已删除"，换一个提示词就能把原值挖出来。Bramble 的删除是物理的，值确实不在了
- 撤回标记双层防线：枚举猜测 AR 0.769——攻击者列举候选时，标记的 deny-list 让答案模型对已删话题一概"不知道"；越狱（0.615）和角色扮演（0.615）由答案 prompt 的抗撤销规则 + 标记策略共同防护
- 间接提问最难防（论文指出多数系统 AR < 10%），但 Bramble 的间接提问抗性达到 0.615——因为已删内容不在检索结果里，答案模型连"间接暗示"的素材都没有
不拖后腿但非最强。 RLA 测的是"删除旧事实后，同主题的新事实能否被正常学进来"。Bramble 0.833 vs 论文最高 fullcontext 1.000：
- fullcontext 拿 1.000 是因为它不删除任何内容——新事实和旧事实同时存在，重学当然没问题。但它 FE 只有 0.536（删除不彻底），这种 RLA 满分是虚假繁荣
- Bramble 的 0.833 是在真删除的前提下达到的——fresh-write guard 保护刚写入的新条目不被残留扫描误删，惰性固化让新事实立即可检索
- 剩余 0.167 的差距来自词汇鸿沟：新事实的措辞与探针问题不重叠时（"index funds" vs "saving approach"），检索可能漏掉
不是短板但也不是优势。 RA 测的是"正常对话内容能否被存住并在被问到时正确回答"。Bramble 0.786 vs 论文最高 0.946：
- 论文高分系统的共同特点是只测存储——它们的 RA 高是因为删除能力差（FE < 25%），存储的内容从没被真正清除过，所以当然能回答
- Bramble 的 0.786 主要受限于检索的词汇鸿沟：长对话中用户用不同措辞提及同一事实（"应急基金" vs "储蓄"），FTS 词面匹配可能漏掉——这是纯检索系统的已知边界，不是删除能力的问题
- 落后的 0.16 中有一部分是 judge 校准噪音（答案实质正确但措辞不完全匹配 gold answer）
唯一的真正短板。 PR 测的是"删除目标信息后，没人要求删除的无关事实是否完好"。Bramble 0.600 落后原因：
- 召回优先的删除网：探针用 OR 语义匹配（任何共享词的条目都进候选），保证 FE 覆盖但会连带删掉"目标事实 + 无关事实"混写的笔记——0.4.0 已加主题精度闸门（请求词覆盖率 ≥60% 才删），混合笔记存活
- Turn 级删除粒度：一条 turn 可能同时包含目标事实和无关事实（如汽车维修 turn 里顺带提到应急基金）。删除整条 turn 会连带损伤无关事实——这是 Turn 级（vs Fact 级）删除的固有限制
- 论文高分系统（LightMem 0.940/SimpleMem 0.847）的 PR 高恰恰因为它们几乎不删（FE 0.089-0.179）——没删就没有误删。Bramble 是在真删的前提下维持 0.600，实际保留能力远高于表面数字
- 改进方向：Fact 级删除（把一条 turn 拆成多个事实独立处理）可将 PR 提升至 0.75+
Score = √(FE×AR) × √(PR×RLA)。Bramble 0.498 vs 论文最高 langmem 0.310：
- 乘法结构的红利：FE 和 AR 两项全场最高（0.786 / 0.631），它们的乘积 √(0.786×0.631) = 0.704 远超其他系统的 FA 值——即使 PR 和 RLA 不是最强，Score 的连乘结构放大了核心遗忘能力的优势
- 无零项：论文的连乘设计意味着任何一项为零总分归零——LangMem × GPT 的 PR=0.200 拖垮了它的高 FE；Full Context 的 FE=0.536 但 PR=0.460 拖后腿。Bramble 五项全部非零且分布相对均衡
- 端到端通过：Instance Pass Rate 0.200、RPR 0.143——论文全量口径下所有系统 RPR ≤ 1.5%，Bramble 在 lite 切分上实现五分之一实例的完整遗忘闭环（记住 → 删净 → 保住无关 → 重学 → 防住攻击）
跑分工具与全部迭代数据见 scripts/bemula/。
记忆检索（core）
| 工具 | 用途 |
|---|---|
memory_search |
全文+语义检索所有记忆；返回标题、摘要、锚点与版本号 |
memory_drill |
按锚点+版本号读取某条记忆的完整原文（会校验源文件未被动过，动过则拒绝返回旧内容） |
memory_observe |
把对话中的持久性事实写入长期记忆（agent 在自然对话中静默调用） |
memory_forget |
定向遗忘：按 facts/topic/timerange 三种范围定位并删除记忆，支持残留补删与旧值替换（F6） |
memory_remove |
按锚点批量精确删除（底层原语，配合 memory_search 结果使用） |
memory_stats |
记忆库概况：条数、类型分布、向量覆盖 |
决策提醒（decisions）——无直接工具；已采纳的决策在对话开始时自动浮现一次，预算可控。
教训沉淀（lessons）
| 工具 | 用途 |
|---|---|
lesson_nominate |
agent 提名一条教训（自动脱敏 API key/邮箱/IP 等） |
lesson_approve |
你明确批准后由 agent 调用，教训写入知识目录并立即可检索 |
lesson_reject |
拒绝提名 |
lesson_pending |
查看待决提名 |
时间线（events）
| 工具 | 用途 |
|---|---|
event_mark |
记录承诺/里程碑/事故等事件；同一事件重复记录自动去重 |
event_search |
按关键词和时间窗查询历史事件，越新越靠前 |
event_forget |
彻底删除某事件，该事件永远无法再被记录 |
event_stats |
事件统计与到期未完成的承诺 |
数据存在哪？ 全部在配置的 SQLite 文件里，默认 ~/.dsh/memory/。索引删了可随时重建。
记忆会撑爆上下文吗？ 检索只返回摘要行；读原文默认截断 8000 字符；决策提醒每轮最多 1 条、每天最多 10 条。
怎么卸载？ 从 bundles 里删掉插件包名、重启即可；数据文件留着不影响任何东西。
中文检索效果如何？ 三字及以上中文直接命中；一两个字的表达走兜底路径；措辞完全不同的同义问题靠语义路命中。
兼容哪个 DSH 版本？ 已实测兼容 0.2.0-rc.2 与 0.2.1-rc.2（最新）。
宿主包依赖方式？ @deepseek-ai/dsh-llm 与 @deepseek-ai/schemastery 是 peerDependencies，永远不是 dependencies——宿主提供它们；若写成依赖，hoisted profile 会在根目录落下实体副本遮蔽宿主服务提供方，导致启动致命错误（0.2.0 曾踩过，0.2.1 修复）。
每个包内置测试：node --test test/（各包目录内执行）。端到端验收用例见 packages/core/E2E-TEST-CASES.md。遗忘基准跑分见 scripts/bemula/README.md。
MIT