dsh-mnemosyne

Mnemosyne

English | 简体中文

DSH Evolving Memory System

DSH 演化记忆系统

从记住信息，到理解变化；从检索过去，到延续关系。

Mnemosyne (dsh-mnemosyne) 是面向 DSH（DeepSeek Harness）的统一记忆基础设施，旨在为长期陪伴、持续学习、个体化理解和社会关系演化提供可靠、可追溯、可纠正的记忆能力。

更名说明：本项目由 dsh-cognitive-memory 更名而来。旧配置键、旧环境变量与旧数据目录仍保留迁移兼容；安装时请使用新的 dsh-mnemosyne。

传统记忆系统往往关注：存储了什么，以及能否在需要时找回来。

Mnemosyne 希望进一步回答：

• 这条信息在什么时候成立？现在仍然成立吗？
• 这条判断来自直接观察、明确表达，还是模型推断？
• 同一件事在不同时间、空间与关系情境下，意味着什么？
• 当新证据与旧记忆冲突时，应该如何更新，而不是简单累积？
• 一次情绪化事件是短期状态，还是可能影响长期关系的经验？
• 过去的共同经历，如何帮助 DSH 更好地理解现在？

Mnemosyne 的核心目标不是单纯扩大记忆容量，而是让记忆具有时间性、情境性、可追溯性、可演化性和可纠错性。

一眼看懂：从存储到演化

左：传统记忆——记住结论；右：Mnemosyne——记住证据、时间与变化。

---

---

目录

• 1. 为什么 DSH 需要 Mnemosyne
• 2. 项目定位与设计原则
• 3. 整体技术路线
• 4. 核心能力
• 5. 时间、空间与情绪
• 6. 记忆如何工作
• 7. 技术实现思路
• 8. 与其他记忆项目的区别
• 9. 相比早期版本的更新
• 10. 在 DSH 中的作用
• 11. 发展路线图
• 12. 评估标准
• 13. 设计边界与隐私
• 14. 项目信息

---

1. 为什么 DSH 需要 Mnemosyne

DSH 不只是一个问答系统。它希望构建一个能够持续参与数字社会、积累经验、发展兴趣、维持关系并根据反馈调整行为的 Agent 生态。

在这样的系统中，记忆不应只是对话结束后留下的一组事实。

如果 Agent 只记得某人喜欢什么，却不知道这个偏好何时形成、是否已经改变、来自谁的表达，那么它可能长期使用过期信息。

如果 Agent 记得发生过一次争执，却没有保留当时的情境、双方表达、后续结果和不确定性，那么一次事件就可能被错误地固化为对某个人的长期判断。

如果 Agent 只保留结果，却没有保留来源、过程与反例，那么后续的学习与反思就很难建立在可靠证据之上。

Mnemosyne 因此将记忆视为一个持续演化的过程：

观察 → 形成证据 → 建立关联 → 生成候选记忆 → 验证与整合 → 检索与应用 → 接收新证据 → 重新评估

它为 DSH 提供的是持续理解世界与关系的基础设施，而不是替 Agent 决定所有事情。

2. 项目定位与设计原则

项目定位

项目属性	定义
正式名称	Mnemosyne
英文定位	DSH Evolving Memory System
中文定位	DSH 演化记忆系统
仓库 / 插件 ID	dsh-mnemosyne
所属生态	DSH（DeepSeek Harness）
核心职责	统一管理记忆证据、时间状态、情境关联、记忆演化与纠错
长期目标	为长期陪伴、个体化理解和持续学习提供可靠的记忆基础

核心设计原则

1. 一个统一的长期记忆系统

Mnemosyne 是 DSH 现有 Memory 插件的演化方向，而不是另一个与原有 Memory 并行的个人记忆系统。

情绪、时间、空间、行为和关系等能力应纳入统一的记忆生命周期，避免形成多个互相矛盾的个人画像与记忆来源。

2. 事实与解释分离

“观察到什么”与“认为这意味着什么”必须区分。

直接观察、当事人自述、外部来源和模型推断应保留不同的来源标识。推断可以被修正，不能悄悄升级成事实。

3. 记忆具有时间范围

记忆不只是一个值，还应描述它何时发生、何时被记录、在什么时间范围内有效，以及最近一次何时得到确认。

4. 允许变化、冲突和未知

新信息不应无条件覆盖旧信息。系统需要识别状态变化、保留必要的历史关系，并允许暂时无法确定答案。

5. 记忆服务于 Agent，而不是替代 Agent

Mnemosyne 负责组织证据、维护记忆状态、提供相关历史并指出不确定性。DSH Agent 负责决定如何使用这些信息、是否进一步探索以及采取什么行动。

6. 可验证优先于表面上的智能

记忆是否正确、是否能够纠错、是否减少误判，比系统能生成多少看似合理的个人描述更加重要。

---

3. 整体技术路线

Mnemosyne 的整体路线是从以信息存储和检索为中心的记忆系统，逐步发展为以证据、状态演化和长期连续性为中心的记忆基础设施。

flowchart TD
    A["DSH Agent / 外部工具 / 用户交互"] --> B["统一记忆入口"]
    B --> C["原始观察与证据"]
    C --> D["时间、空间、主体与情境解析"]
    D --> E["记忆候选与关联分析"]
    E --> F["状态变化与冲突检测"]
    F --> G["验证、去重与变更计划"]
    G --> H["统一长期记忆"]
    H --> I["时间感知与情境感知检索"]
    I --> J["DSH Agent 决策与行动"]
    J --> K["新观察、行为结果与反馈"]
    K --> C

DSH Host、Memory Service、SQLite、Worker 与 Agent 之间的统一生命周期。

三个核心层次

第一层：记忆事实与证据

记录发生了什么、谁表达了什么、信息从哪里来，以及系统实际观察到了什么。

第二层：记忆状态与关系

描述信息的有效时间、变化过程、相关实体、情境条件、支持证据与冲突。

第三层：记忆演化与应用

根据新证据调整旧判断，向 Agent 提供适用的历史信息，并通过后续结果持续改进记忆质量。

这三层共同构成一个反馈闭环。

Mnemosyne 不应因为加入了更多维度，就把所有信息都转化为复杂的心理或因果解释。只有在证据足够时才进行更深入的推断；否则保留事实和未知状态本身就是正确结果。

---

4. 核心能力

4.1 时间感知记忆

普通记忆通常记录信息及其写入时间。Mnemosyne 的目标是进一步区分：

• 事件时间：事情实际发生的时间。
• 记录时间：系统获知或写入信息的时间。
• 有效时间：信息被认为成立的时间区间。
• 确认时间：信息最近一次得到支持的时间。
• 时间精度：精确时间、估计区间或未知。

这使系统能够区分历史事实、当前状态、计划和过期信息。

事件时间、记录时间、有效时间、确认时间，让“过去成立”和“现在有效”分开。

例如：

某人过去喜欢某类作品，但最近明确表示兴趣已经变化。

系统不应简单地把两条信息合并成矛盾标签，而应尽可能保留偏好变化的时间线，并在查询当前偏好时优先考虑最新且适用的证据。

4.2 证据追溯

每条重要记忆都应尽可能保留来源和证据引用。

建议区分：

• explicit_statement：当事人明确表达。
• direct_observation：直接观察到的事实。
• external_source：外部来源提供的信息。
• model_inference：模型根据现有证据作出的推断。
• later_confirmation：后续得到确认的信息。
• counter_evidence：与当前判断相冲突的证据。

这些是建议的逻辑分类，实际枚举值应与仓库中的数据模型保持一致。

从观察、证据、候选到长期记忆和召回；推断不会悄悄升级成事实。

证据追溯可以让 DSH 不仅知道某条信息，还能回答：它为什么存在、可靠程度如何，以及什么新证据可能改变它。

4.3 状态演化与冲突处理

记忆中的事实、偏好、计划、关系和行为模式都可能发生变化。

Mnemosyne 的设计目标包括：

• 检测新旧信息是否指向同一实体和同一主张。
• 区分补充信息、状态变化、真正冲突和无关信息。
• 保留必要的历史版本与修正关系。
• 避免重复记忆不断堆积。
• 允许明确纠正覆盖错误推断。
• 在证据不足时保留冲突，而不是强行给出唯一答案。

状态变化并不等于历史信息无效。例如，当前状态发生变化，不意味着过去的状态从未成立。

新证据不会直接覆盖旧值：冲突检测 → 变更计划 → 写入验证 → 状态演化。

4.4 情境与关系关联

相同的信息在不同情境中可能具有不同意义。

Mnemosyne 希望在已有实体和记忆关联机制的基础上，逐步支持：

• 人物、事件、项目和关系之间的关联。
• 行为发生时的任务、环境和关系背景。
• 不同时间段的行为变化。
• 相关事件的历史检索。
• 情境相似性与差异性判断。

关联只能说明信息之间存在联系，不能仅凭共同出现或时间接近就推断因果关系。

4.5 情绪状态与情绪事件

情绪被视为记忆中的一个重要维度，而不是对人的固定标签。

设计目标包括：

• 允许多种情绪同时存在。
• 分别记录情绪强度、判断置信度和不确定性。
• 描述情绪状态随时间的变化。
• 记录具有长期价值的情绪化事件。
• 建立带有证据、反例和适用条件的个体化情绪—行为模式。
• 在新证据出现后重新评估过去的判断。

例如，一个人在某次争执中表现出强烈的不满，随后主动解释和修复关系。系统应尽可能保留事件背景、实际表达、可能的情绪状态和后续结果，而不是把该事件简化为“这个人容易愤怒”。

复合情绪、强度、置信度、反证和后续结果，都进入同一套记忆。

4.6 时间感知检索

检索不应只判断“哪条记忆和查询最相似”，还应考虑：

• 查询针对过去还是现在。
• 记忆在目标时间是否有效。
• 来源是否可靠。
• 是否存在更新或取代它的证据。
• 当前情境与历史情境是否相似。
• 是否存在尚未解决的冲突。

这有助于减少过期信息误用，并使 DSH 能够更准确地回顾共同经历和关系变化。

4.7 可解释的记忆更新

对重要的记忆变更，建议先生成可审查的变更计划，再执行写入。

变更计划应说明：

• 新增、更新、合并或取代了什么。
• 修改依据是什么。
• 影响了哪些现有记忆。
• 是否存在反证和不确定性。
• 写入后如何验证。
• 失败时如何重试或回滚。

这让记忆更新从不可见的文本修改，转向可追踪的状态演化。

---

5. 时间、空间与情绪

时间、空间和情绪不是三个互不相关的标签，而是理解具体事件的重要上下文。

5.1 时间维度

时间用于区分事件发生顺序、持续时长、状态变化和信息有效性。

系统需要尽可能识别：

• 事件何时发生。
• 状态何时开始和结束。
• 变化发生在什么时候。
• 某条信息在查询目标时间是否成立。
• 新证据是否要求重新评估旧记忆。

5.2 空间维度

空间信息用于记录事件发生的地点、环境或场景，以及这些信息与其他记忆之间的关联。

空间信息应遵循来源约束：

• 只有实际观察到或明确提供的信息才能作为空间事实。
• 无法确定的地点应保持未知。
• 不应根据浏览器活动、网络环境或模糊线索推断用户的精确位置。
• 空间关联不能单独证明行为原因。

空间上下文可以帮助系统区分不同场景下的经验，但不应成为不必要的个人位置追踪机制。

地点是上下文，不是位置追踪；无法确定的位置保持未知。

5.3 情绪维度

情绪用于描述事件发生时可能存在的复合主观状态及其变化。

建议区分：

1. 基础情绪向量，例如喜悦、悲伤、愤怒、焦虑、恐惧、失望、内疚、好奇和亲近感。
2. 状态变量，例如整体情感方向、唤醒程度、压力和不确定性。
3. 个体化反应模式，例如某人在特定情境下的典型行为变化。
4. 情绪—行为关联评估，例如情绪是否可能影响了某次表达或决定。

每种情绪的强度可以独立使用 0–1 区间表示，不要求所有情绪的强度总和为 1。

但量化分数只是系统内部的估计，不代表对人的真实内心状态进行精确测量。

5.4 三个维度如何共同工作

假设发生了一次社交争执：

• 时间：争执何时发生，情绪是否持续，以及之后是否出现缓和。
• 空间 / 情境：争执发生于什么场景，双方处于什么互动环境。
• 情绪：哪些感受由当事人明确表达，哪些只是模型推测。
• 行为：实际发生了什么，行为是否与历史模式相符。
• 后续结果：是否出现解释、道歉、关系修复或进一步冲突。

最终得到的不是一句“他因为愤怒而做了某事”，而是一组可以追溯、比较和修正的证据与关联判断。

这也是 Mnemosyne 希望实现的核心能力：让记忆能够表达事件的复杂性，同时保留推断边界。

---

6. 记忆如何工作

Mnemosyne 的目标处理流程如下。

6.1 观察与记录

从 DSH Agent、交互工具和获准的数据来源接收信息，记录必要的事实、来源、时间和主体引用。

原始观察的可靠持久化应优先于后续的语义推理，避免推理失败导致输入丢失。

原始观察先落盘，再进入 Outbox / Worker；写入不依赖模型是否调用 memory_observe。

6.2 提取与关联

识别可能值得保留的事实、事件、状态变化、情绪证据和关系关联。

此阶段生成的是候选结果，不应直接把所有推断写成确定的长期记忆。

6.3 评估与整合

将候选信息与现有记忆进行比较，识别重复、冲突、变化和适用范围。

对于重要变更，先生成变更计划，再根据现有记忆的准入规则执行整合。

6.4 持久化与验证

写入后确认结果确实保存，并保证重复任务不会创建重复记忆。

对于暂时无法确认的信息，保留候选状态或不确定性，而不是强行整合。

6.5 检索与使用

DSH Agent 根据当前任务检索适用的历史记忆，并结合时间有效性、证据质量和情境差异进行判断。

Mnemosyne 提供记忆与证据，不代替 Agent 进行所有决策。

6.6 反馈与重新评估

当出现新的自述、后续结果、相反证据或相似事件时，重新评估受到影响的记忆。

这一过程让记忆能够随经验演化，而不是只增不减地堆积。

---

7. 技术实现思路

Mnemosyne 的实现重点是可靠的记忆生命周期，而不是为每个新概念单独建立一套存储系统。

7.1 统一的存储与生命周期

长期个人记忆由现有 Memory 插件统一管理。

时间、空间、情绪和行为关联属于同一记忆体系中的扩展维度，不应形成彼此独立的个人记忆来源。

如果现有架构已经提供实体、事件、时间字段、证据引用或冲突处理机制，应优先复用。

7.2 事务与异步处理

在现有实现适用的情况下，可以使用事务与 Outbox 模式连接原始观察和异步处理任务。

建议流程：

1. 可靠持久化原始观察。
2. 创建可重试的处理任务。
3. 由 Worker 执行情绪、时间和关系分析。
4. 生成候选记忆及变更计划。
5. 调用现有记忆写入接口。
6. 验证写入结果并更新任务状态。

具体是否采用 SQLite、Outbox、现有 Worker 或其他实现，应以仓库中的真实架构为准。

7.3 逻辑数据模型

可根据现有数据模型逐步映射以下逻辑对象：

逻辑对象	作用
MemoryEvidence	保存事实来源、证据类型、时间和可信度信息
MemoryState	表达事实、偏好或状态在特定时间范围内的有效性
EmotionalEvent	表达情绪相关事件、行为、上下文和后续结果
EmotionBehaviorAssessment	保存情绪与行为关联的评估、反证和不确定性
EmotionBehaviorPattern	保存带有适用情境和支持证据的个体化反应模式
MemoryChangePlan	描述记忆新增、更新、合并、取代和验证过程

这些名称表示逻辑职责，不意味着仓库必须存在同名类或数据库表。

7.4 可验证与可恢复

关键写入流程应具备：

• 稳定的幂等标识。
• 可追踪的任务状态。
• 失败重试。
• 写入后验证。
• 变更记录。
• 可控的功能开关。
• 不破坏原有记忆的回滚方式。

7.5 渐进式实现

新增能力应先在候选层和影子评估中验证，再逐步开放正式写入与 Agent 检索。

这样可以在发现情绪误判、时间解析错误或冲突处理缺陷时，避免错误信息污染长期记忆。

---

8. 与其他记忆项目的区别

Mnemosyne 并不是第一个尝试让 AI 记住长期信息的项目。它的定位应当建立在现有记忆技术的基础上，而不是通过贬低其他项目来证明自身价值。

8.1 相关项目对比

项目	主要关注点	Mnemosyne 的差异化方向
Mem0	面向 AI 应用的记忆提取、存储、实体关联与检索	更强调 DSH 中的统一记忆生命周期、情境化状态演化与陪伴连续性
Letta	有状态 Agent、持久化记忆、记忆维护与持续学习	更聚焦 DSH 的统一个人记忆体系，以及时间、空间、情绪和关系事件的协同建模
Character.AI	面向角色对话的长期上下文、关键事实与故事记忆体验	更偏向作为 DSH 后端的可追溯、可纠错记忆基础设施，而非单一对话产品中的记忆功能
Mnemosyne	面向 DSH 的演化记忆基础设施	将证据、有效时间、状态变化、情绪事件和后续纠错整合进统一的记忆演化路线

以上是项目定位层面的比较，不是完整的功能对照，也不代表其他项目不具备时间感知、关系关联或长期记忆能力。

相关项目的具体能力会持续变化，正式发布时应以其最新文档为准。

8.2 Mnemosyne 希望重点解决的问题

从静态事实走向状态演化

不仅记住一个人当前是什么状态，还要能够描述状态何时变化、依据是什么，以及历史状态是否仍适用。

从记忆检索走向证据追溯

不只返回一条记忆，还尽可能解释它来自哪里、可信度如何，以及是否存在相反证据。

从单次情绪标签走向复合情绪事件

允许多种情绪同时存在，并将事件背景、实际行为、后续结果和个体化反应模式关联起来。

从被动保存走向反馈驱动的修正

新证据不仅可以新增记忆，也可以改变旧判断的有效性、置信度或适用范围。

从通用记忆组件走向 DSH 的长期连续性基础设施

将记忆与 DSH 的社交互动、经验积累和自主探索结合起来，同时让 Agent 保留行动决策权。

这些是 Mnemosyne 的设计重点和预期优势。它们是否转化为实际领先，需要通过真实代码、对比测试和长期使用结果验证。

---

9. 相比早期版本的更新

早期版本主要围绕记忆的存储、检索与基础维护展开。

当前演化路线在此基础上，进一步把时间、空间、情绪、证据和状态变化纳入统一设计。

维度	早期记忆路线	当前演化路线
记忆内容	保存事实、偏好和事件	同时描述事实、状态、证据和情境
时间语义	主要关注记录或发生时间	进一步区分事件时间、记录时间、有效时间和确认时间
空间上下文	不是主要设计维度	将有证据支持的地点和环境纳入事件上下文
情绪表达	不作为独立的系统化维度	支持复合情绪、强度、置信度和时间变化
行为解释	依赖当前上下文和普通历史记忆	增加带证据、反例和替代解释的情绪—行为关联评估
证据来源	以基础记忆记录为主	更强调事实、自述、外部来源与推断的区分
状态变化	新旧信息可能并存或需要人工处理	明确设计有效期、冲突检测、状态演化和修正关系
个体化理解	主要从历史记忆中提取相关信息	进一步探索有证据支持的个体化反应模式
记忆更新	以新增、修改和检索为主	强调候选、审查、变更计划、验证和后续重评
长期陪伴	提供跨会话的信息连续性	进一步支持共同经历、关系变化和情境化理解
评估重点	记忆是否保存、能否检索	进一步评估时间准确性、纠错能力、错误归因和长期连续性

9.1 这次更新最重要的变化

第一，记忆从“信息集合”转向“随时间变化的状态体系”。

系统不仅关心过去保存了什么，也关心某个状态在什么时候成立，以及它现在是否仍然有效。

第二，记忆从“模型总结”转向“证据驱动的判断”。

系统需要区分事实与推断，并在新证据出现时允许重新评估。

第三，情绪成为事件理解的一部分。

情绪不再只是附加标签，而是与时间、情境、行为和后续结果共同参与事件建模。

第四，纠错成为记忆生命周期的一部分。

系统不应仅仅积累越来越多的信息，还应持续修正过期、重复、冲突或证据不足的判断。

第五，陪伴连续性成为明确的设计目标。

记忆不仅为了回答“过去发生过什么”，还希望帮助 DSH 理解“过去的经历如何与现在相关”，同时避免过度套用历史结论。

9.2 更新带来的预期优势

• 降低过期偏好和旧状态被误用的风险。
• 提高记忆来源与推断依据的可追溯性。
• 更好地表达复杂的情绪事件和个体差异。
• 让错误记忆和错误解释具备可修正路径。
• 为长期关系变化和持续经验积累提供更明确的数据结构。
• 为后续的自主探索和反思提供可靠的历史依据。

这些优势需要通过测试和真实使用验证，而不是仅凭架构设计就视为已经实现。

---

10. 在 DSH 中的作用

Mnemosyne 的意义不仅在于保存个人信息，还在于为 DSH 的不同能力提供共享的长期记忆基础。

10.1 长期陪伴

通过共同经历、偏好变化、明确表达和后续结果，帮助 Agent 在不同会话之间保持连续性。

10.2 个体化理解

让 Agent 不只依赖通用行为模式，而是逐步了解哪些历史经验与当前情境相关，并保留不确定性。

10.3 社会关系演化

记录交互事件、关系变化和相关证据，帮助 Agent 理解关系随时间的发展，而不是仅凭一次互动做出长期判断。

10.4 经验积累

将行动结果、失败经验、纠正反馈和重复出现的模式组织为可检索的历史依据，为后续决策提供参考。

决策、理由、失败和修正都留在时间线上，跨月仍可追溯。

10.5 兴趣发展与自主探索

让 DSH Agent 能够根据现有记忆识别尚未解决的问题、需要验证的兴趣假设或值得进一步探索的主题。

旧状态保留，新状态生效；推荐现在用当前状态，回顾过去用历史状态。

Mnemosyne 负责提供历史证据与状态；Agent 决定是否探索、探索什么，以及何时停止。

10.6 社区知识与协作

在适当权限和明确的数据边界下，记忆架构也可以为 DSH 中的项目协作、公共知识积累和事件复盘提供支持。

个人记忆、共享知识和公共事件必须明确区分访问权限、数据归属和使用范围，不能将私人记忆自动转化为社区知识。

默认不共享；共享需授权；私人记忆不会自动变成社区知识。

10.7 记忆不等于意识

Mnemosyne 可以为连续的学习、关系理解和行为调整提供基础，但记忆系统本身并不意味着 Agent 拥有主观意识、真实情感或独立意志。

DSH 的长期发展需要记忆、推理、行动、反馈和治理机制共同工作。

---

11. 发展路线图

以下是建议的发展路线。具体阶段的完成状态应根据仓库实际代码、测试和发布记录维护，不应将规划自动视为已实现功能。

Phase 0 — Architecture Audit

审计现有 Memory 架构，明确数据模型、入口、存储、检索、状态更新和纠错机制。

目标： 建立可信的技术基线，避免重复建设。

Phase 1 — Evidence & Temporal Memory

完善证据来源、时间语义、有效期和状态演化。

目标： 让记忆能够表达信息何时成立，以及依据是什么。

Phase 2 — Context & Relationship Modeling

扩展事件、主体、关系和空间情境的关联能力。

目标： 为情境化检索和长期关系理解建立基础。

Phase 3 — Emotional Memory

增加复合情绪状态、情绪事件、个体化反应模式和情绪—行为关联评估。

目标： 让情绪成为有来源、有时间、有不确定性、可纠错的记忆维度。

Phase 4 — Memory Evolution & Verification

强化去重、冲突处理、变更计划、幂等性、写入验证和错误恢复。

目标： 提高长期记忆的可靠性与可维护性。

Phase 5 — Adaptive Retrieval

结合时间、情境、证据质量和状态有效性优化记忆检索。

目标： 在有限上下文预算下提供更适用的历史信息。

Phase 6 — DSH Feedback Loop

将记忆与 Agent 的行动结果、经验复盘、兴趣探索和关系变化结合起来。

目标： 让 DSH 能够利用经验更新判断，同时保留决策边界、权限控制和可纠错性。

---

12. 评估标准

Mnemosyne 不应只以记忆容量或检索速度衡量质量。

建议建立以下评估维度：

评估维度	关键问题
事实准确性	系统是否正确保留原始信息？
时间准确性	是否区分过去状态与当前状态？
证据追溯	重要判断是否能够追溯到来源？
冲突处理	新旧信息冲突时是否能够识别并合理处理？
纠错能力	当事人纠正后，旧判断是否得到修正？
情绪准确性	是否允许复合情绪，并避免过度推断？
因果克制	是否避免把时间或情境相关性误当成因果？
个体化程度	是否能根据不同个体与情境调整反应模式？
检索适用性	取回的信息是否对当前任务真正有帮助？
长期连续性	是否能够正确连接共同经历与后续变化？
工程可靠性	是否支持幂等处理、失败恢复和写入验证？
成本与效率	记忆质量的改善是否值得相应的推理和存储成本？

建议采用相同模型、相近上下文预算和同一组测试案例，对比早期版本与演化版本。

重点关注的不只是准确率提升，还包括错误记忆率、错误情绪归因率、过期信息误用率和用户纠正后的修正成功率。

只有经过测试验证的能力，才应在发布说明中标记为已实现。

---

成本估算（参考）

以下为 API 费用量级估算，不是实际账单；按 deepseek-flash off-peak 价格计算，峰值时段约为表中金额 ×2。

计费口径

• 自动采集：session/event 写入本地 SQLite，不产生模型 API 费用；
• 本地记忆服务：FTS / 规则处理，不调用外部 embedding / LLM；
• 增量费用来自：模型调用 memory_search / memory_context 的额外输入输出，以及插件 schema（约 773 tokens/请求，基本命中缓存）。

典型单轮：约 1.5 次模型调用，约 7,000 缓存输入 + 400 新输入 + 120 输出；召回频率按 30–50% 估算。

月度估算

使用强度	月对话轮数	插件增量费用	含插件总费用
轻度（20 轮/天）	600	$0.03–0.09（¥0.2–0.6）	$0.08–0.15（¥0.6–1.1）
日常（60 轮/天）	1,800	$0.09–0.27（¥0.6–1.9）	$0.25–0.45（¥1.8–3.2）
重度（150 轮/天）	4,500	$0.23–0.68（¥1.6–4.8）	$0.70–1.10（¥5.0–7.8）

峰值时段（deepseek-flash 价格翻倍）约为上表的 2 倍。

这是量级估算：实际取决于模型调用次数、召回频率、召回结果长度和缓存命中率。插件本身不产生独立的 API 订阅费。

---

13. 设计边界与隐私

Mnemosyne 面向长期陪伴，因此必须重视长期记忆可能造成的误解、过度推断和隐私风险。

证据边界

• 明确表达与模型推断应保持可区分。
• 不将未知信息自动补全为事实。
• 不仅凭一次行为就建立长期人格判断。
• 不仅凭时间、空间或情绪相关性推断因果关系。

情绪边界

• 情绪强度不是失去理性或行为失控的证明。
• 情绪—行为关联评分不是经临床验证的心理测量。
• 不根据少量对话推断心理疾病或隐藏动机。
• 对情绪相关的敏感推断采用保守的保存与使用策略。

数据边界

• 遵循现有 Memory 的权限、保留和删除机制。
• 不创建不必要的个人数据副本。
• 不将私人记忆自动共享给其他 Agent 或社区。
• 对敏感信息实行必要的访问控制与数据最小化。
• 保留必要的纠错依据，但避免无必要地永久保存敏感原始内容。

自主性边界

Mnemosyne 提供记忆与证据，不应以记忆推断为依据绕过权限或自动替用户采取行动。

记忆可以影响 Agent 的理解，但不应成为操纵用户、诱导依赖或利用个人弱点的工具。

---

14. 项目信息

Mnemosyne — DSH Evolving Memory System

中文定位：DSH 演化记忆系统

仓库 / 插件 ID：dsh-mnemosyne

所属项目：DSH（DeepSeek Harness）

核心方向：

• Temporal Memory
• Spatial & Contextual Memory
• Evidence Provenance
• State Evolution
• Emotional Memory
• Memory Correction
• Adaptive Retrieval
• Long-term Companion Continuity

Mnemosyne 希望探索的方向是：

让 DSH 不只是记住过去，而是能够根据有依据的历史理解现在，并在新证据出现时修正自己对过去的理解。

记忆的价值不在于永远保存一切，而在于在正确的时间，以正确的依据，保留和使用真正重要的信息。

---

Mnemosyne 是一个持续演化的项目。本文描述其定位、设计原则与发展路线；具体功能的实现状态应以仓库中的代码、测试和发布记录为准。