K
tmem
kentzjh-cmd/tmem
Invisible backward-slicing execution trace memory compiler for DSH, compressing sessions into guarded L0/L1/L2 playbooks. It needs Python 3 on PATH (or TMEM_PYTHON) and runs python3 -m tmem.cli synchronously, with a 5-second timeout, on every agent step and every tool result; the sliced traces are stored in .tmem/ inside each project and in ~/.tmem/ shared across projects, and matching memories are injected into the model request as notice messages. It makes no network requests.
Instalar
dsh plugin --profile web add github:kentzjh-cmd/tmemREADME
tmem — 面向编程 Agent 的执行轨迹记忆编译器
中文文档 | English
tmem（Trace Memory）是一个**零依赖、零 UI、严格代码仓库作用域（.tmem/）**的编程 Agent 执行轨迹记忆插件与 CLI 工具。原生集成 agy (Antigravity) 与 @deepseek-ai/dsh (DeepSeek Harness)，并可解析 codex / opencode / pi / SWE-bench / ATIF 的会话轨迹。
与把对话文本总结成记忆的做法不同，tmem 把 Agent 会话日志（transcript.jsonl / session.v4.jsonl）当作一段未经优化的执行轨迹来处理：以 Git 最终落盘状态和最终通过的验证命令（exit_code == 0）为终点做确定性后向切片，剪掉试错弯路、废弃修改和无关扫描，编译成带**预检探针（Guards）**的 L0 / L1 / L2 三层记忆手册（Playbook）。下次遇到相似任务或相同报错时，先校验探针，再按校验结果分级注入。
一句话定位：以 Git 为事实来源、可审计、可随仓库共享、跨 Agent 的程序性记忆层，记录“这类任务在这个仓库里实际是怎么做成的”，而不是“聊过什么”。
目录
- 一、核心解决的问题
- 二、设计原则
- 三、核心架构
- 四、Agent 集成与支持矩阵
- 五、记忆的沉淀与召回
- 六、快速开始与 CLI 手册
- 七、评测
- 八、适用场景与设计边界
- 九、信任、隐私与安全
- 十、路线图
- 十一、目录结构
一、核心解决的问题
- 过程噪声高：Agent 解决一个 Bug 可能走 30 步，其中只有几步真正起作用。把全量过程塞进上下文，既浪费 Token 又容易误导后续推理。
- 记忆过期（Stale Memory）：写死文件路径、行号的经验，在重构或换机器后会失效，甚至起反作用。
- 管理负担：不需要 Web 面板，也不需要外部服务；记忆以 JSON 文件的形式随仓库流转，用
git就能 review、回滚和共享。
二、设计原则
| 原则 | 含义 |
|---|---|
| Git 为事实来源 | 只有最终存活在磁盘上的修改、最终通过的验证命令，才会进入关键路径。 |
| 先校验，后注入 | 每条记忆都带有文件和符号探针。探针失败就隐藏具体路径并降级，不让过时细节误导 Agent。 |
| 召回零 Token | 检索、校验、格式化全部在本地完成（SQLite FTS5 + 文件探针），不调用 LLM，可以常驻在每轮 hook 中。 |
| 记忆即代码 | 一条记忆一个短哈希 JSON 文件，可以 diff、review、blame、revert。 |
| 注入克制 | 每次最多注入 3 条，按会话去重，只在新用户轮或出现新报错时触发。 |
| 证据可追溯 | Playbook → 原始轨迹 → Git Diff，三层逐级展开，每条结论都能回溯到原始步骤。 |
三、核心架构
flowchart LR
subgraph Capture["1. 轨迹采集与后向切片"]
T["Agent 会话日志<br/>agy transcript.jsonl / dsh session.v4.jsonl"] --> A["多 Agent 适配器<br/>统一为 ActionNode IR"]
G["Git 工作区真实变更<br/>git status / git diff"] --> S["后向切片器<br/>BackwardTraceSlicer"]
A --> S
S -->|"剔除死胡同修改与敏感信息"| P["三层记忆 TracePlaybook"]
S --> R["原始轨迹 .tmem/raw/"]
end
subgraph Store["2. 仓库级存储"]
P -->|"L0 + L1 + L2"| Proj["项目级 .tmem/traces/<br/>随 Git 版本化共享"]
Proj --> Doc["MEMORIES.md 活文档索引"]
end
subgraph Recall["3. 探针校验与分级召回"]
Proj --> Guard{"零 Token 预检探针<br/>file_exists / symbol_present"}
Guard -->|"全部通过"| L0["L0_FULL<br/>关键读写与验证路径"]
Guard -->|"符号或文件漂移"| L1["L1_TOPOLOGY<br/>协同修改文件 + 验证命令"]
Guard -->|"命中报错签名"| L2["L2_INVARIANT<br/>报错签名 -> 修复动作"]
end
1. 基于 Git 事实的后向切片（tmem/slicer.py）
- 终点锚定：用
git diff/git status取得会话结束时真正存活的修改文件，忽略中途创建后又删除或回滚的实验性修改。 - 因果反推：从最终
exit_code == 0的测试/构建命令出发，反向保留对最终文件有实质贡献的READ -> MUTATE -> ENV_EXEC(VERIFY)节点。 - 报错修复配对（L2 提取）：在 36 步的因果窗口内，捕获“命令报错 → 修改代码或安装依赖 → 同类验证通过”的最小闭环，提炼为
[Error Signature] -> [Repair] -> [Verification]。 - 敏感信息脱敏（
scrub_secrets）：落盘前用正则抹除 GitHub PAT、OpenAI/Anthropic/Google API Key 等常见密钥格式。
2. 三层记忆与预检探针（tmem/models.py & tmem/guards.py）
| 层级 | 名称 | 内容 | 注入条件 |
|---|---|---|---|
| L0 | 关键执行路径 L0_FULL | READ(file) -> MUTATE(file#symbol) -> ENV_EXEC(cmd) | 所有 file_exists 与 symbol_present 探针都通过时注入，帮 Agent 跳过全仓盲搜。 |
| L1 | 协同修改契约 L1_TOPOLOGY | 一起修改的文件集合 + 必跑的验证命令 | L0 探针失效（重构、改名、删除）时，隐藏 L0，只保留架构级的“防漏改”提醒。 |
| L2 | 排障不变量 L2_INVARIANT | 报错签名 -> 最小修复动作 -> 验证命令 | 工具执行出现同类报错，或跨项目检索命中报错签名时注入。工具链/依赖类修复可以跨项目复用。 |
3. 仓库级存储（tmem/store.py）
- 项目级
<repo>/.tmem/traces/*.json：随仓库提交。每条记忆是一个独立的短哈希文件（如tr_30fa71c60d.json），多人协作时零 merge 冲突；团队成员git pull后，本地 Agent 就能用上。 - 严格仓库边界，零负迁移：代码符号、验证脚本与相对路径均属于具体的代码仓库，不设跨项目全局层，杜绝跨仓库污染与幻觉。
- 检索索引：项目 SQLite（FTS5）缓存索引（
.tmem/.cache/，不进 Git），JSON 文件变化时会自动重建。
4. 原始轨迹存储与渐进式查看（tmem/raw_storage.py）
切片的同时，tmem 会在 .tmem/raw/<trace_id>.raw.json 保存原始会话的工具输入、命令输出、退出码、错误堆栈，以及会话期间产生的 Git 统一补丁：
- Tier 0 索引（约 35 tokens）：根目录
MEMORIES.md中每条记忆一行摘要。 - Tier 1 Playbook（约 300–500 tokens）：命中时注入的、带探针保护的 L0/L1/L2。
- Tier 2 原始轨迹：
tmem replay <id>回放完整操作流（标注[CRITICAL PATH]/[NOISE PRUNED]），tmem diff <id>查看代码补丁。
5. 活文档记忆索引（tmem/mem_doc.py）
- 在仓库根目录自动生成并同步
MEMORIES.md，同时维护指向它的软链接MEM.md。 - 不装插件也能用：Cursor、Claude Code、Copilot 等任何能读取仓库文件的助手，都可以直接读
MEM.md获取历史验证路径和报错修复对。只是这种方式没有探针校验和自动召回。 - 沉淀、删除记忆，以及执行 GC 或
/tmem sync时，自动原子刷新。
6. 确定性执行-意图图谱（Phase 1 意图图谱拓扑）
tmem 在 Schema v2 中引入了轻量、确定性、证据可闭环的执行-意图图谱（Execution-Intent Graph）：
- 零 Token 意图绑定：从宿主交互的
toolSummary与执行前置说明中提取动作语义，自动绑定至每个ActionNode.rationale。 - 确定性因果边（IntentEdge）：
Requirement (R1)$\xrightarrow{\text{served_by}}$Step（每一步服务于哪条需求）READ$\xrightarrow{\text{informs}}$MUTATE（同文件读取为后续修改提供上下文）MUTATE$\xrightarrow{\text{modifies}}$file#symbol（记录具体修改的代码符号与压缩 Diff 摘要）Error$\xrightarrow{\text{fixed_by}}$MUTATE（因果报错修复闭环）ENV_EXEC$\xrightarrow{\text{verifies}}$Requirement（验证命令闭环需求）
- 部分探针降级（Partial Guard Degradation）：当多文件修改中仅单个文件重构漂移时，不再粗暴丢弃全部 L0，而是仅隐藏失效文件相关的局部步骤，最大限度保留有效经验。
- 符号级轨迹关联（
trace_links）：在 SQLite 中自动维护代码符号索引，支持跨任务回溯修改同一符号的历史轨迹。
四、Agent 集成与支持矩阵
| Agent | 会话解析 | 自动召回 hook | /tmem 命令 | 里程碑提示 | 说明 |
|---|---|---|---|---|---|
Antigravity (agy) | ✅ | ✅ | ✅ | ✅ | 原生插件 |
DeepSeek Harness (dsh) | ✅ | ✅ | ✅ | ✅ | 原生 Cordis 插件 |
codex / opencode / pi | ⚠️ 通用 JSONL 适配器 | ❌ | ❌ | ❌ | 只能用 tmem capture --agent <name> 手动沉淀；召回依靠 MEM.md |
SWE-bench .traj / ATIF | ✅ | — | — | — | 用于离线评测 |
| Cursor / Claude Code / Copilot 等 | ❌ | ❌ | ❌ | ❌ | 只能读取 MEM.md |
执行 tmem init --agents agy,dsh 后自动完成挂载：
1. Antigravity（agy）
- 插件目录
.agents/plugins/tmem/：hooks.json：PreInvocation负责召回、/tmem命令拦截和里程碑提示；PostToolUse负责追踪文件修改、验证结果和报错签名。rules/AGENTS.md：告诉 Agent 如何使用<tmem_speculative_memory>，以及达成目标后询问是否沉淀记忆。skills/tmem/SKILL.md：支持用自然语言请求沉淀记忆。
2. DeepSeek Harness（@deepseek-ai/dsh）
- 一键安装：
dsh plugin add github:kentzjh-cmd/tmem - Cordis 运行时插件
tmem/dsh_plugin.mjs（通过package.json的dsh.bundle与cordis.patch.yml导出）：- 自动解析当前会话的项目根目录（
dsh-working-directory服务或session.header.cwd）。 agent/pre-step：每轮推理前静默召回并注入记忆（按消息指纹去重）。tools/post-execute：追踪read/write/edit/apply_patch/bash的退出码；报错时注入 L2 修复提示，“修改 → 测试通过”时注入里程碑提示。- 通过
dsh-commands原生注册/tmem命令。
- 自动解析当前会话的项目根目录（
- 会话解析（
tmem/adapters/dsh.py）：支持session.v4.jsonl（兼容 v3 与session.jsonl），能拆解多文件apply_patch补丁。
五、记忆的沉淀与召回
沉淀（写入）
tmem 默认不会在每次会话结束时自动写入，以免把低质量的会话记成记忆。写入有三个入口：
-
里程碑提示：检测到“修改代码 → 验证通过”的闭环后，提示 Agent 在回复末尾附一行询问：
💡 是否需要将本次有效执行路径沉淀为记忆？（输入
/tmem或/remember [备注]保存） -
/tmem斜杠命令：命令 作用 /tmem [备注]切片当前会话，保存到项目级（ .tmem/traces/）/tmem status/list统计 / 列出项目记忆及其当前生效层级 /tmem inspect <id> [index|playbook|raw|diff]按粒度查看记忆 /tmem replay <id>/diff <id>回放原始操作流 / 查看代码补丁 /tmem sync重建索引、校验探针、刷新 MEMORIES.md/tmem forget <id>删除记忆及其原始轨迹 /tmem gc运行探针检查，标记失效记忆 /tmem bench运行内置评测 -
Git
post-commit兜底：tmem init会安装.git/hooks/post-commit，每次提交后在后台执行tmem capture --quiet。
召回（读取）
- 触发时机：新的用户轮（用用户输入做检索）或刚出现新的工具报错（用报错签名做检索）。
- 检索方式：报错签名精确匹配 → 文件触发词 → 意图文本包含匹配 → FTS5 BM25 关键词兜底，都是本地词法检索。
- 注入内容：最多 3 条，按探针结果标注
L0_FULL/L1_TOPOLOGY/L2_INVARIANT，包裹在<tmem_speculative_memory>中。
六、快速开始与 CLI 手册
1. 安装与初始化
pip install -e . # 提供 `tmem` 命令（也可以用 python3 -m tmem.cli 代替）
tmem init --agents agy,dsh # 初始化 .tmem/，安装插件与 git post-commit 钩子
2. 常用命令
tmem status # 项目级记忆统计
tmem capture --agent dsh # 从最新会话切片并沉淀到项目仓库
# --agent agy|dsh|codex|opencode|pi|swe_bench|atif
tmem lookup "ZeroDivisionError" --file src/billing.py # 检索 + 探针校验 + 分级
tmem inspect tr_cc3a687f02 --level playbook # index | playbook | raw | diff
tmem replay tr_cc3a687f02 # 回放原始操作流
tmem diff tr_cc3a687f02 # 查看代码补丁
tmem sync # 刷新 MEMORIES.md / MEM.md
tmem gc # 检查重构后哪些 L0 探针已经漂移
tmem evaluate # 运行内置评测
3. 运行测试
PYTHONPATH=. python3 -m unittest discover -s tests -v
七、评测
tmem 内置 SWE-bench（.traj）、ATIF（trajectory.json）和 DSH（session.v4.jsonl）的轨迹适配器，以及一套离线评测（tmem/evaluate.py）。
[!IMPORTANT] 请先读方法说明。 当前评测是离线评测，衡量的是“切片器从一条已知轨迹中能提炼出什么”，不是让 Agent 带着记忆重新执行任务后的 A/B 对比结果。表格中的部分指标按定义就是理论上限，请按下文说明解读。真实的下游 A/B 评测在路线图中。
1. 切片统计（9 条轨迹，覆盖 Django / SymPy / Flask / Astropy / Pytest / Scikit-learn / DSH 长会话，6–27 步）
| 测试实例 / 轨迹来源 | 轨迹格式 | 原始步数 | L0 步数 | 压缩率 (CR) | 噪音消除率 (NER) | L1 文件 | L2 修复对 | 自检索排名 | 切片耗时 | 检索耗时 |
|---|---|---|---|---|---|---|---|---|---|---|
dsh_e2e_session | dsh | 9 | 4 | 55.6% | 100.0% (3 → 0) | 3 | 1 | #1 | 0.51 ms | 2.6 ms |
dsh_long_lifecycle_session | dsh | 27 | 9 | 66.7% | 100.0% (6 → 0) | 7 | 1 | #1 | 0.45 ms | 2.5 ms |
dsh_multiturn_complex_session | dsh | 17 | 6 | 64.7% | 100.0% (6 → 0) | 5 | 1 | #1 | 0.37 ms | 2.7 ms |
astropy__astropy-12907 | ATIF | 17 | 7 | 58.8% | 100.0% (9 → 0) | 3 | 1 | #1 | 0.32 ms | 2.6 ms |
django__django-11099 | SWE-bench | 8 | 3 | 62.5% | 100.0% (4 → 0) | 1 | 1 | #1 | 0.18 ms | 2.5 ms |
flask__flask-5014 | SWE-bench | 6 | 3 | 50.0% | 100.0% (3 → 0) | 1 | 1 | #1 | 0.22 ms | 2.4 ms |
pytest-dev__pytest-7432 | SWE-bench | 15 | 6 | 60.0% | 100.0% (6 → 0) | 2 | 1 | #1 | 0.27 ms | 2.6 ms |
scikit-learn__scikit-learn-13496 | SWE-bench | 12 | 6 | 50.0% | 100.0% (4 → 0) | 2 | 1 | #1 | 0.29 ms | 2.5 ms |
sympy__sympy-20590 | ATIF | 6 | 4 | 33.3% | 100.0% (3 → 0) | 2 | 0 | #1 | 0.18 ms | 2.4 ms |
| 平均 | — | 13.0 | 5.33 | 55.7% | 100.0% | 2.89 | 共 8 | #1 | 0.31 ms | 2.53 ms |
指标口径：
- 压缩率：
1 - L0 步数 / 原始步数。 - 噪音消除率：原始轨迹中探索性动作（READ 以及
ls/grep/cat/find/git status…命令）在 L0 中残留的比例。定义较宽，只能说明 L0 中不含这类命令。 - 自检索排名：用该记忆自己的
problem_intent作为查询，在 9 条记忆中检索。它验证的是索引链路通不通，不代表对新问题的召回能力。 - 耗时：本机单线程测得，不包含进程启动时间。
2. 注入后的理论收益（推算值，非实测）
假设 Agent 完全按 L0 执行，并避开原轨迹中所有已知报错，由切片结果推算出的理论上限：
| 测试实例 | 原始步数 | L0 步数 | 理论步数缩减 | 原轨迹报错数 | 估算 Token 节省 | 空目录漂移降级 |
|---|---|---|---|---|---|---|
dsh_e2e_session | 9 | 4 | -55.6% | 1 | -85.2% | L2_INVARIANT |
dsh_long_lifecycle_session | 27 | 9 | -66.7% | 1 | -88.8% | L2_INVARIANT |
dsh_multiturn_complex_session | 17 | 6 | -64.7% | 1 | -88.5% | L2_INVARIANT |
astropy__astropy-12907 | 17 | 7 | -58.8% | 1 | -85.9% | L2_INVARIANT |
django__django-11099 | 8 | 3 | -62.5% | 1 | -85.9% | L2_INVARIANT |
flask__flask-5014 | 6 | 3 | -50.0% | 1 | -82.6% | L2_INVARIANT |
pytest-dev__pytest-7432 | 15 | 6 | -60.0% | 2 | -85.8% | L2_INVARIANT |
scikit-learn__scikit-learn-13496 | 12 | 6 | -50.0% | 2 | -81.4% | L2_INVARIANT |
sympy__sympy-20590 | 6 | 4 | -33.3% | 0 | -73.7% | L1_TOPOLOGY |
| 平均 | 13.0 | 5.33 | -55.7% | 共 10 | -84.2% | 9/9 降级 |
口径：
- 步数缩减和 Token 节省是由 L0 长度和字符数估算（约 4 字符/token）得出的上限，实际收益取决于 Agent 是否采纳记忆。
- “空目录漂移降级”只验证了文件全部缺失时 L0 会被屏蔽；符号改名、逻辑改写等部分漂移场景尚未覆盖。
3. 渐进式查看的上下文占用（估算）
| 层级 | 平均占用 | 相对原始轨迹 |
|---|---|---|
| Tier 2 原始轨迹 | ~3,010 tok | — |
| Tier 1 Playbook | ~376 tok | -86.1% |
| Tier 0 索引行 | ~35 tok | -98.6% |
在全部 9 条轨迹上，原始轨迹落盘校验和回放渲染均通过；MEMORIES.md 同步耗时约 1.7 ms。
4. 针对长会话的切片处理
- 死修改消除与同文件多次编辑合并：同一文件反复修改时，只保留最终状态涉及的符号。
- 临时脚本剔除：会话中创建后又删除的调试脚本（如
tests/scratch_debug.py）不会进入记忆。 - 36 步因果窗口：覆盖跨越 20 步以上的“首次失败 → 定位 → 修复 → 回归”链条。
- 用户意图清洗：过滤
ok/continue等口语确认词和/compact等控制指令，聚合核心需求作为problem_intent。
八、适用场景与设计边界
适合：
- 有测试或构建命令、使用 Git 的仓库，尤其是同类任务反复出现的场景（同一模块的迭代、相同的环境或依赖问题）。
- 多人或多 Agent 协作，希望把“在这个仓库里怎么做成的”像代码一样共享和 review。
- 对成本或延迟敏感，不希望召回链路上有任何 LLM 调用。
目前不擅长：
| 边界 | 说明 |
|---|---|
| 记录“在哪改”多于“怎么改、为什么改” | 当前 L0 只记录动作类型、文件和符号，修改理由与 diff 只保存在原始轨迹中，不参与注入。Phase 1 会解决这个问题，见路线图。 |
| 依赖验证信号 | 没有修改或没有通过的验证命令的会话（调研、设计讨论、无测试项目）几乎切不出记忆。 |
| 词法召回 | 换一种说法描述同一个问题时可能召回不到。 |
| 探针只校验“存在性” | 符号名还在、逻辑已经改写的情况，仍会被判为 L0 有效。 |
| L1 来自单次共现 | “协同修改契约”目前来自一次会话中的共同修改，还不是跨会话的统计规律。 |
| 缺少使用反馈 | hit_count / confidence 还不会根据实际使用情况更新，GC 只做探针检查。 |
| 验证命令可能带有本机绝对路径 | 例如 PYTHONPATH=/home/...，换机器后需要调整。 |
九、信任、隐私与安全
- 注入内容来自仓库：
.tmem/traces/随 Git 共享，任何能提交代码的人都能影响其他人 Agent 的上下文。请像对待代码一样 review.tmem/的变更；在开源仓库中，建议只合并来自可信贡献者的记忆。 - 记忆是参考，不是指令：注入块明确标注为历史轨迹，规则文件要求 Agent 在执行前自行验证。
- 脱敏是尽力而为：正则只能覆盖常见密钥格式。
.tmem/raw/中的原始轨迹可能包含内部路径、URL、日志，如果不想共享，可以把它加入.gitignore。 - 全局层只在本机：
~/.tmem/不会上传到任何地方。
十、路线图
flowchart LR
P1["Phase 1<br/>执行-意图图谱"] --> P2["Phase 2<br/>召回质量与反馈闭环"]
P2 --> P3["Phase 3<br/>体验、可移植与信任"]
Phase 1：执行-意图图谱（Execution-Intent Graph），🚧 进行中
把记忆从“文件路径列表”升级为需求 → 步骤 → 文件/符号 → 验证的小型图谱。图的骨架由确定性规则生成，语义由模型可选地补充，每条结论都必须引用证据：
- 数据模型：
Requirement、IntentEdge（served_by / informs / modifies / verifies / fixed_by，带evidence和provenance），ActionNode.rationale，TracePlaybook.schema_version = 2（兼容旧数据）。 - 零 Token 意图绑定：把会话中每次工具调用自带的说明（如
toolSummary、调用前的说明文字）绑定到对应步骤。 - diff 摘要：每个 MUTATE 附带压缩后的改动摘要，回答“改了什么”。
- 可选的写入时语义标注：由宿主 Agent 或外部模型补充需求拆分、根因和坑点。标注只在写入时执行一次，召回仍然零 Token；引用不到 step 的结论会被丢弃。
- 部分降级：探针失败时只隐藏相关的步骤和边，而不是丢弃整条 L0。
Phase 2：召回质量与反馈闭环
- 相关性阈值 + 融合排序（取代“项目级优先”的硬排序），宁缺毋滥。
- 根据 Agent 注入后是否真的用上了记忆，更新
hit_count / confidence，并据此做 GC。 - 用符号体哈希做探针，检测“名字没变、逻辑已改”。
- 相似记忆合并；L1 改为从
git log中统计跨会话的共现规律。 - 真实下游 A/B 评测：同一任务分别在有记忆和无记忆的条件下复跑 Agent，并做改写查询的 held-out 检索评测，以及符号级漂移注入测试。
Phase 3：体验、可移植与信任
- 静默候选区（
.tmem/inbox，不进 Git），按命中次数自动转正或由用户批量确认，减少里程碑打扰。 - 路径规范化（
$WORKSPACE），hook 不再写死解释器路径。 - 记忆来源记录与可选签名；为
codex/opencode/pi提供原生 hook。
十一、目录结构
.
├── pyproject.toml # Python 包定义与 `tmem` CLI 入口（零依赖）
├── package.json # dsh 插件包定义（dsh.bundle）
├── cordis.patch.yml # dsh Cordis 插件挂载配置
├── README.md / README_EN.md # 中文 / 英文文档
├── AGENTS.md # Agent 记忆消费与里程碑提示协议
├── MEMORIES.md / MEM.md # 自动生成的活文档记忆索引（MEM.md 为软链接）
├── .agents/plugins/tmem/ # Antigravity 插件（hooks / rules / skills）
├── .tmem/ # 本仓库自身的项目级记忆
│ ├── traces/ # Playbook JSON（进 Git）
│ ├── raw/ # 原始轨迹
│ └── .cache/ # SQLite 索引缓存（不进 Git）
├── benchmarks/data/ # 9 条评测轨迹（SWE-bench / ATIF / DSH）
├── scripts/
│ └── submit_awesome_dsh_pr.py # 提交到 awesome-dsh-plugin 的辅助脚本
├── tmem/
│ ├── models.py # ActionNode IR、GuardProbe、Playbook、RawExecutionTrace、意图图谱节点
│ ├── slicer.py # 基于 Git 事实的后向切片器
│ ├── guards.py # 预检探针校验与 L0 -> L1 -> L2 降级、注入格式化
│ ├── store.py # 双层存储、SQLite FTS5 索引、级联检索与 GC
│ ├── raw_storage.py # 原始轨迹存储、回放与补丁查看
│ ├── mem_doc.py # MEMORIES.md / MEM.md 渲染与原子同步
│ ├── evaluate.py # 离线评测引擎与报告生成
│ ├── cli.py # CLI、/tmem 命令、hook 处理与插件安装
│ ├── dsh_plugin.mjs # dsh Cordis 插件
│ └── adapters/
│ ├── base.py # 统一会话协议、报错签名、符号提取与脱敏
│ ├── agy.py # Antigravity transcript.jsonl
│ ├── dsh.py # DeepSeek Harness session.v4.jsonl 与 apply_patch
│ ├── swe_bench.py # SWE-bench .traj 与 ATIF trajectory.json
│ └── __init__.py # 适配器工厂与 codex / opencode / pi 通用 JSONL 适配器
└── tests/
├── test_tmem_e2e.py # 切片、存储、探针降级与 agy hook E2E
├── test_dsh_e2e.py # dsh 解析与 Cordis 运行时 E2E
├── test_intent_graph.py # 意图图谱、零 Token 意图绑定、部分降级与符号链接
├── test_raw_and_memories.py # 原始轨迹、渐进式查看与活文档
└── test_evaluation_benchmark.py # 离线评测套件
License
MIT