dsh-observational-memory

长会话迟早会撞上上下文上限。多轮压缩之后，代理手里往往是「摘要的摘要」——当初为什么这样设计、哪些方案被否决、用户已经澄清过的约束，都会在层层概括里悄悄消失。dsh-observational-memory 把记忆工作前置到会话进行过程中：观察器、反思器与清理器在后台按 token 节奏运转，把事件蒸馏成带时间戳、带相关度的观察，再提炼成长期反思，而不是等压缩发生时才让模型临场重写整段历史。

当 DSH 发起压缩摘要时，插件在流式调用链路上拦截 compaction 请求：若已有渲染好的记忆投影，便直接返回文本，压缩零等待、零额外模型调用；记忆为空时则回退到 DSH 原生摘要。你还可以在上下文逼近阈值时主动触发压缩，用 calibrated 固定阈值或 ratio 比例两种模式控制节奏。模型可通过 recall 按记忆 id 找回原始会话证据；对话视图上的「记忆」选项卡实时展示清单、worker 进度与可见/完整内容；用户消息下的「回退」可在不破坏原分支的前提下分叉并重发。

适合在 DeepSeek Harness 里跑长任务、多轮迭代的开发者与团队：需要跨很多轮仍记得决策理由与项目约束、又不想每次压缩都付一笔摘要模型成本时，这个记忆类插件能显著减轻「越聊越忘」的漂移感。子代理会话不参与记忆流水线；无 API Gateway 的 headless 环境下选项卡不可用，但账本、压缩渲染、主动压缩与 recall 仍可使用。