graph-memory

大模型代理最大的痛点之一，是"出了这个会话就失忆"。传统的上下文压缩只能回答"这段对话还剩多少放得下"，却无法回答"哪些过往知识现在值得想起来"。Graph Memory 正是为这个问题而生：它把对话中可复用的知识抽取为带类型的节点——TASK 记录目标与执行结果，SKILL 沉淀被验证过的方法，EVENT 追踪错误、修复、决策与事实；再用 USED_SKILL、SOLVED_BY 等类型化边保留它们之间的关系。当新问题到来时，它检索的是相关的本地子图，而不是把完整历史原样重放。

作为原生 DeepSeek Harness 插件，它通过 DSH/Cordis 插件生命周期加载，接入 Session、Tool、Agent Loop 等关键缝点，不 fork 也不改动 Harness 核心。跨会话记忆是持久的：A 会话学到的知识可以在 B 会话自动被召回，重启后依然存在，而且每条被召回的记忆都带着来源会话与图边，告诉你"为什么想起它"。上下文方面，它保留最新的真实用户轮次，把更早的模型侧前缀压缩成一个滚动检查点，配合语义向量检索与 FTS5 词法回退，只把相关子图注入当前提示词，并默认限制在 4096 token 预算内。

它同样注重轻量与可验证：默认使用 SQLite，不需要部署图数据库；向量嵌入是可选的，没有嵌入也能用 FTS5 继续工作；数据默认留在本地用户目录。gm_status、gm_stats 等工具可以查看存储路径、图计数、向量覆盖率和维度，模型或维度变化会触发重新嵌入，不同维度的向量永远不会被静默比较。

Graph Memory 适合在 DeepSeek Harness 上构建认真对待长期记忆的代理开发者——无论是需要跨会话工具技能的助手、需要追溯决策过程的自动化工作流，还是希望显著压缩 token 成本、让每轮提示词只携带真正相关知识的团队。它把"记忆"从一个模糊的需求，变成了可检索、可解释、可审计的工程事实。