Mémoire

Un gestionnaire de notes markdown pour DSH : un **gestionnaire de notes MD** et un **éditeur de notes MD** complets, capture rapidement les conversations en notes, maintient les notes par **synchronisation avec des dépôts Git**, et **intègre les notes dans le contexte de la conversation**.

Récupération sémantique, gestion des ressources, rappel automatique (espaces doubles utilisateur + agent) et mémoire de session pour DeepSeek Harness : memsearch/memfind/memread/membrowse/memgrep/memglob sur des URI viking://, gestion des ressources memadd/memremove, statut d'observateur memqueue, capture de session memcommit et génération de playbooks de compétences memlearn.

L'organe de mémoire d'Agent-Body : après 2 minutes de silence il passe en sommeil léger et après 5 minutes en sommeil profond, où des règles déterministes distillent l'expérience réelle en cartes de mémoire (pièges, playbooks, points chauds, problèmes non résolus, faits). Les commandes entrantes rappellent les cartes liées par mot-clé et les injectent dans le contexte ; les cartes inutilisées décroissent selon une demi-vie et sont archivées plutôt que supprimées. Il débruite aussi les avertissements d'homéostasie du corps entier : les répétitions dans une fenêtre sont comptées au lieu d'être réimprimées, et un avertissement qui revient sans jamais guérir converge vers un décalage d'état stable connu et se tait. La consolidation et le rappel ne font aucun appel de modèle.

Un deuxième cerveau autonome pour DeepSeek Harness : capture automatiquement les connaissances durables du dialogue dans un coffre-fort Markdown local (dedup personnalisé, recherche CJK, compatible git), avec une base de connaissances graphique et un graphe de connaissances interactif (filtre de légende, coloration par dimension temporelle, sélection par boîte, fusion, suppression, export/import PNG).

Transforme les documents locaux en markdown et texte en une base de connaissances interrogeable avec recherche hybride sémantique et par mots-clés, vérification des citations et injection de sources.

Mémoire IA persistante adossée à un coffre Obsidian/Codex local : cinq outils obsidian_memory_* de lecture/écriture/recherche plus un navigateur de coffre dans la barre latérale.

RAG de base de connaissances bibliographiques locale : 10 outils (kb_ingest, kb_search, kb_rag, kb_zotero, kb_dedup, kb_clear, kb_fetch, kb_scope, kb_stats, kb_status), recherche hybride BM25+vecteurs+reranker, questions-réponses avec citations et liens DOI cliquables, embeddings bge entièrement locaux sur un index SQLite en un seul fichier. Nécessite Python 3.9+ avec pymupdf, faiss-cpu et sentence-transformers ; l'installateur `npx dsh-kb-rag-install` les met en place et pré-télécharge le modèle.

Fournit des bases de connaissances locales et distantes avec rappel à portée de projet et de session, réécriture contrôlée et console de gestion Web intégrée.

Faites que l'IA retienne votre façon de penser, pas ce que vous avez dit : elle capture activement vos principes, vos lignes rouges et vos habitudes de travail d'une session à l'autre, avec capacité de mémoire, décroissance progressive et justification lisible par un humain pour chaque entrée. La 0.7.0 apporte un portrait de persona intuitif avec traçage des preuves.

Plugin mémoire DSH maison : stockage persistant SQLite + garde d'audit au niveau base de données (enforceAudit) + journal d'audit. Capture automatiquement les connaissances après les conversations, les agents se souviennent via memory_recall, prise en charge du partage multi-agents Claude Code/Codex/Cursor. Zéro dépendance externe.

Mémoire à long terme inter-sessions sous la métaphore du « palais de la mémoire » : deux portées de stockage SQLite (utilisateur + projet par origine git), recherche hybride FTS5 + vecteurs locaux avec fusion RRF et bonus de classement par récence et par preuve, capture automatique depuis le journal de session (y compris le dernier tour), chaînes d'audit de provenance, distillation par consolidation et oubli par décroissance, et un panneau Bibliothèque de mémoire dans les réglages avec topologie des couloirs, majordome de visite et liste de rénovation.

Passerelle ShiGuang Memory Engine (SGME) : mémoire à long terme partagée multi-agents via HTTP — distillation L0/L1/L1.5/L2, injection par scénario, recherche unifiée et signaux d'attention proactifs (memory_search / wiki_search / signal_pull / signal_claim / signal_ack), installable comme `dsh-sgme`.

Plugin de mémoire inter-session pour DeepSeek Harness (DSH) : mémoire de projet en Markdown tenue au fil des échanges par le modèle de dialogue, avec divulgation progressive des fichiers thématiques, distillation silencieuse en arrière-plan en option, isolation par projet et panneau de réglages à mise à jour à chaud. Mécanisme aligné sur Claude Code auto memory. | Mémoire Markdown inter-session maintenue par l’agent : fichiers thématiques à divulgation progressive, distillation silencieuse opt-in, isolation par projet. Aligné sur Claude Code.

Couche d'intégration native DSH pour le moteur de mémoire Minta : compose la ligne officielle dsh-mcp-client, enregistre la skill minta-memory-governance ainsi qu'un préchauffage de mémoire en début de session, et fournit un preset d'agent Minta ; nécessite le moteur Minta déployé séparément (Python/Docker) pour fournir les 19 outils MCP — inutilisable sans celui-ci.

Plugin de mémoire à long terme et d'auto-évolution pour DSH : capture L0 → extraction de mémoire L1 → regroupement de scènes L2 → persona utilisateur L3, injection automatique de rappels, synthèse de compétences, entièrement local (SQLite FTS5 + jieba, rappel vectoriel optionnel).

Mémoire d'équipe auto-évolutive en Markdown brut dans git : un plugin Cordis natif qui enregistre 38 outils mémoire à nom simple plus une section de signaux de prompt réévaluée à chaque assemblage, avec renforcement RPE, décroissance et consolidation pendant le sommeil ; partage un dépôt de données avec ses hôtes Claude Code (MCP) et OpenClaw ; vérifié avec DSH 0.1.0-rc.6.

Mémoire d'équipe auto-évolutive en Markdown brut dans git : un plugin Cordis natif qui enregistre 38 outils de mémoire à nom simple ainsi qu'une section de signaux de prompt réévaluée à chaque assemblage, avec renforcement RPE, décroissance et consolidation pendant le sommeil ; partage un seul dépôt de données avec ses hôtes Claude Code (MCP) et OpenClaw ; vérifié avec DSH 0.1.0-rc.6.

Ajoute un panneau de réglages multi-utilisateur au client web DSH : sélection du mode d'utilisation, gestion des membres avec statut en ligne et liaison d'appareils, et bascule ou partage des bases de mémoire et de connaissances par membre.

Ajoute /pua pour inciter l'agent à essayer une autre approche et à vérifier les résultats avant de déclarer l'achèvement, avec 15 styles d'entreprise, des modes de persona, des réglages globaux et par conversation, et une boucle optionnelle qui continue jusqu'à ce qu'une commande de vérification réussisse, que la limite d'itérations soit atteinte ou que l'utilisateur annule.

Allègement réversible du contexte pour DeepSeek Harness : réencodage tabulaire sans perte de tableaux JSON uniformes de style TOON, fenêtres de table échantillonnées par pas avec numéros de ligne, et déduplication inter-tours des sorties d'outil répétées ; chaque remplacement passe un seuil octets+jetons (≤72 % d'octets, strictement moins de jetons estimés) et l'original est écrit sur disque derrière un avis `[save-token #id]`, récupérable en un appel via l'outil `save_token_expand`, avec le comptage des jetons facturés et économisés dans un tableau de bord des paramètres.

Mémoire inter-session avec rappel déterministe à zéro jeton (bigram-Jaccard fusionné avec FTS5 BM25 via RRF, tokenisation adaptée au chinois), renforcement qui consolide les observations répétées, et procédures cristallisées en fichiers SKILL.md affinés sur place via un cycle active-stale-archived avec archivage et restauration réversibles. L’ingestion et la purge exposent chacune un niveau d’autonomie choisi par l’utilisateur ; les conflits et les écritures à forte importance vont toujours en revue humaine, et rien n’est jamais supprimé automatiquement. Nécessite Node 22.5+.

Mémoire persistante locale d'abord pour DeepSeek Harness : injection de mémoire chaude pré-étape bornée, rappel à froid BM25 exact et bigramme chinois, six outils d'agent, écritures lease-lock à approbation validée avec reçus de récupération, et candidats de gouvernance en lecture seule et revue de trajectoire.

Port fidèle du mécanisme MEMORY.md / USER.md de hermes-agent pour DSH : mémoire double-banque bornée (2200/1375 chars), un outil unique `memory` (add/replace/remove/batch), injection frozen-snapshot par session, rappels nudge, stockage JSON natif DSH — zéro dépendance externe, zéro coût LLM.

Plugin DeepSeek Harness qui se connecte à un serveur PowerContext via HTTP pour le rappel, la mémoire, le transfert de contexte, l'expérience et les skills.