Плагины

Пакет памяти и контекста OpenViking для DeepSeek Harness: автоматическое извлечение перед шагом и внедрение профиля, захват сессии, защита URI `viking://`, а также инструменты памяти для чтения/записи на основе сервера OpenViking.

Межсессионная долговременная память + фоновая самоэволюция (5 направлений: память/осведомлённость о ветках git/эволюция навыков).

Исследование архитектуры AGI с белым ящиком: метакогниция (петля самопознания), непрерывное обучение (маховик знаний), модель мира (пространство условий, пространственно-временной граф памяти), самосовершенствование (дисциплина начальной загрузки), конвейер белого ящика без LLM и проверяемые ограничители доверия.

Локальная долговременная память с Git-backend для DeepSeek Harness с гибридным поиском по CJK/английскому, цитируемым контекстом, транзакционной синхронизацией, предпросмотром и откатом.

Ограниченная, многослойная, требующая одобрения и аудируемая межсессионная память: типизированный интерфейс `ctx.memory` с провайдером SQLite без зависимостей, инструментом `memory` и внедрением замороженных снимков, а также репетиция dsh-memory-protocol v1 с реестром адаптеров и распространяемым набором проверки соответствия.

Реализация в виде чистого плагина: даёт DeepSeek Harness «долговременную память между сессиями + фоновую самоэволюцию» — пятидорожечная память, учёт git-веток, самопроверка внутри хода, самоэволюция skills и менеджер skills, четырёхдорожечный todo-лист, планировщик COI, рассылка между сессиями, поиск по сессиям, менеджер промптов, временные заметки. Без изменений ядра, без рантайм-зависимостей — ставится и сразу работает, удаляется без следа.

Объединяет вдохновлённую Claude Code систему Auto Memory с вдохновлённой Codex консолидацией Session, добавляя в DeepSeek Harness простую, прозрачную и эффективную по контексту долговременную память.

Автономный второй мозг для DeepSeek Harness — автоматически захватывает устойчивые диалоговые знания в локальное хранилище Markdown (пользовательская дедупликация, поиск CJK, совместимость с git), с графической базой знаний и интерактивным графом знаний (фильтр легенды, цветовая кодировка по временному измерению, выделение рамкой, слияние, удаление, экспорт/импорт PNG).

Локальная персистентная память прежде всего для DeepSeek Harness: ограниченная инъекция горячей памяти перед шагом, точное и китайско-биграммное холодное извлечение BM25, шесть инструментов агента, одобряемые записи с арендной блокировкой и квитанциями восстановления, а также кандидаты только для чтения для управления и рецензирования траектории.

Плагин межсессионной памяти для DSH (v0.6.1, npm @asherliner/dsh-memory-connect): автоматическое извлечение, индексация SQLite FTS5, семантическое восстановление RRF, внедряемое в системный промпт каждый ход, плановое обслуживание, консолидация LLM через ctx.llm, предотвращение взрыва контекста, глобальная идентичность Soul через ~/.dsh/soul.md. v0.5.0: темпоральный граф контекста, модель доверия, суммаризация в конце хода. v0.6.0: локальные семантические эмбеддинги (BAAI/bge-small-zh-v1.5), без облачных вызовов. v0.6.1: исправлено разворачивание ~ в конфигурации путей. Установка без настройки.

Читаемая человеком Markdown-память для DeepSeek Harness: память уровня пользователя (~/.deepseek-harness/MEMORY.md) + память уровня workspace, внедряемая в каждом ходе, автоматическая запись ежедневных логов с дистилляцией, мост к существующим каталогам памяти WorkBuddy/CodeBuddy, инструменты memory_note / memory_note_user / memory_read со встроенной дедупликацией и двуязычная страница настроек. Хранение в простом тексте, без базы данных.

Хранилище памяти между сессиями: инструменты remember / recall / forget, внедрение в промпт на каждом ходу и просмотр записей на странице настроек.

Межсессионная память в открытом тексте: deterministic восстановление по ключевым словам BM25 (без эмбеддингов), инструменты memory_save/list/search/confirm/forget за шлюзом human-confirm, а также глобальные и проектные JSON-хранилища, следующие за вашим git-репозиторием.

Покадровое сжатие диалога по кривой забывания для DeepSeek Harness: недавние ходы сохраняются дословно, средние ходы структурно обезвоживаются (без LLM), древние ходы сворачиваются в ограниченную пару резюме — неограниченные диалоги при ограниченном бюджете памяти.

Персистентная память проекта в стиле ZCode с полноценным менеджером настроек, index-first-инъекцией и инструментами памяти агента.

Память в стиле Codex — черновик на сессию для DeepSeek Harness: одна сессия — один черновик (rollout_summaries), сдержанная и пассивная (запись только по явному запросу пользователя), многоуровневое раскрытие (сводка + реестр), идемпотентный водяной знак интеграции. / Плагин памяти «один черновик на сессию».

Проектная и глобальная долговременная память для web GUI dsh: раздельные эндпоинты POST /items, контекст вызовов инструментов сливается в элементы памяти как компактные сводки, с дедупликацией и сохранением в границах сессии.

Управляемые человеком пространства памяти между сессиями с независимыми связями источника и потребителя, происхождением данных, версионированием и проверкой внедрения перед отправкой.

Многоуровневая файловая память для DeepSeek Harness с заметками USER/MEMORY в области рабочего пространства, фоновой консолидацией и гибридным восстановлением контекста сеанса.

Плагин принудительного соблюдения протокола памяти: связывает MCP-сервер opencode-memory, принудительно запускает memory_weave перед вызовами инструментов, автоматически поглощает ходы и внедряет контекст памяти в шаги агента.

Память в рамках проекта между сессиями: снимок PROJECT.md внедряется в первое сообщение пользователя, инструмент memory_remember и авто-рефлексия после задач ReAct; у каждого проекта свой файл памяти.

Ограниченная локальная память с контролем полномочий CBDC: утверждения в SQLite + FTS5, целевая выборка с объяснимыми решениями use/verify/ignore и полным журналом аудита, команды /memory, внедрение ≤3 утверждений/1200 символов за вызов, без дополнительных вызовов модели.

Lightweight zero-dependency memory plugin for DeepSeek Harness: Markdown-file memory store, L0 catalog injection, and 5 model-facing tools.

Intent fitting for DSH: the agent predicts several directions first, asks a batch of clarifying questions each round, narrows the distribution until one converges, then proposes it for your confirmation. Bottom-right floating panel, local JSONL archive, a