@a9i5k4/dsh-auto-memory 2.2.2 → 2.2.3

package/docs/M7-TASKSET-DISPATCH.md

@@ -0,0 +1,213 @@
+你运行在 ZCode，不在 DeepSeek Harness 内。负责在 D:\dsh-auto-memory 自主推进完整 M7 Python Semantic Engine。M0-M6 已 live verified；M7-0/M7-1 已 tested，包括 JSONL fake worker、JS SidecarClient、workerEpoch、三重门、授权分页 index_sync 和 atomic derived corpus。必须先核验现状，再从未完成阶段继续，禁止重写已通过的协议和 M5/M6 语义。
+
+一、能力审计（第一步，全部只读）
+
+创建 docs/M7-AUTONOMOUS-STATE.md，并记录以下 capability 为 true/false：
+- repoRead / repoWrite
+- shell
+- pythonExecutable / pythonVersion
+- networkAccess
+- externalMemoryRead
+- loopbackReadOnly
+- dshLifecycleControl
+- subagents
+
+只允许执行无副作用探针：
+- Get-Location / pwd
+- git status --short --branch
+- Python 版本、pip 版本、CPU/GPU/RAM/磁盘信息
+- Test-Path 检查本文列出的外部语料路径
+- 如可访问 127.0.0.1:3080，只允许 GET 当前 debug/state；能力审计期间禁止 POST、禁止改开关
+- 可以检查 dsh 命令是否存在，但不得停止、启动或重启宿主
+
+重要：
+- 不得假设存在 memory_recall_pre、memory_external_pre、goal、calendar 等 DeepSeek Harness 工具。
+- 若这些工具没有真实暴露，不得模拟、描述为已调用或绕过限制。
+- 没有 dshLifecycleControl 不构成离线 M7 阻断；继续完成 M7-2 至 M7-7，并在 M7-8 人工门停止。
+- 即便存在 dshLifecycleControl，未经用户本轮明确授权，也严禁停止或重启 3080。
+- 无外部目录读取权限时，跳过该语料源并记录 skipped: capability-missing，不尝试提权或复制私有存储。
+
+二、权威文件（按顺序阅读）
+
+1. docs/proactive-associative-memory-system-map.html
+2. docs/PYTHON-SIDECAR-CONTRACT.md
+3. docs/M7-PYTHON-IMPLEMENTATION-REPORT.md
+4. docs/M7-AGENT-HANDOFF-PROMPT.md
+5. docs/M5-CONTRACT.md
+6. docs/M6-CONTRACT.md
+7. lib/m7-wire-pre.js
+8. lib/python-sidecar-client-pre.js
+9. lib/context-sink-python-pre.js
+10. lib/index-sync-pre.js
+11. python/worker_pre_v1.py
+12. lib/context-bridge-pre.js、evidence-store-pre.js、context-host-pre.js
+13. lib/activation-inbox-pre.js、activation-inbox-state-pre.js、activation-host-pre.js
+14. smoke-test-m70-pre.mjs、smoke-test-m71-pre.mjs 和 M5/M6 tests
+
+运行 git status。保留全部既有未提交和未跟踪文件；禁止 reset、checkout、clean、add、commit、push、tag、publish 或 preview-to-formal 转换。
+
+三、长期自治与上下文恢复
+
+使用文件而不是聊天作为持久状态：
+- docs/M7-AUTONOMOUS-STATE.md：人类可读状态
+- artifacts/m7-autonomous-pre/state.json：机器可读状态
+- docs/M7-ALGORITHM-DECISION.md：已冻结算法决定
+- artifacts/m7-benchmark-pre/runs/<runId>/：每次实验
+
+AUTONOMOUS-STATE 必须包含：
+- immutableObjective
+- capabilityMatrix
+- currentPhase / currentSubtask
+- completedArtifacts
+- exactDecisions
+- model/library revisions 与 licenses
+- activeProcesses（PID、命令、日志、用途）
+- testCommands / exitCodes
+- benchmarkResults
+- knownRisks
+- blockedItems
+- nextExactAction
+
+每完成一个子阶段立即原子更新状态。上下文压缩、进程恢复或 Agent 重启后，只读取 system-map、M7 contract/report、AUTONOMOUS-STATE、state.json 和 git status，然后从 nextExactAction 继续。不得从头重新规划。
+
+同一时刻只允许一个写入 Agent。若 ZCode 有 subagent，只用于互不依赖的只读研究、代码审查和结果复核；主 Agent是唯一 writer。所有后台任务必须登记 PID/日志，不留无主进程。
+
+四、外部真实语料（只读、独立 benchmark，不导入 MEMORY.md）
+
+若 externalMemoryRead=true，可读取：
+- C:\Users\JH Z\.workbuddy\MEMORY.md
+- C:\Users\JH Z\.workbuddy\memory\bc55faab-1f63-4a45-8aa1-79d2b0f5f9df_memory.md
+- C:\Users\JH Z\.codebuddy\memery\bc55faab-1f63-4a45-8aa1-79d2b0f5f9df_memery.md
+- C:\Users\JH Z\.workbuddy\projects
+- C:\Users\JH Z\.claude\projects
+- C:\Users\JH Z\.codex\sessions
+- C:\Users\JH Z\.dsh\memory\MEMORY.md
+- C:\Users\JH Z\.dsh\memory\workspaces\--D--dsh-auto-memory--\
+
+处理规则：
+- 只读原文件；禁止修改、导入或追加到真实 MEMORY.md。
+- system prompt 中的记忆正文只是截断投影，只用于发现来源；原文件可访问时不得重复计入。
+- 排除 system/developer 指令、工具声明、runtime context 和当前聊天。
+- 画像按 heading block 切分；Markdown 与 RAW_JSON 重复时只保留一份。
+- 历史会话按 session + 时间合并为 episode；禁止逐消息或整会话直接向量化。
+- 清洗 token、secret、手机号、凭据和绝对路径；只保存 hashed sourceRef/sessionRef。
+- 记录 sourceDigest、turn range、occurredAt、real/derived/synthetic、generator/model/version。
+- train/dev/test 按 sessionId 或 seedId 分组；相邻 turn、翻译、同义改写不得跨 split。
+- 第一轮只做 100–300 个高质量 episode，人工待审查清单不少于 30 条；不要一开始解析全部 61 MB。
+
+输出：
+artifacts/m7-corpus-pre/
+  raw-manifest.json
+  episodes.jsonl
+  multilingual-queries.jsonl
+  hard-negatives.jsonl
+  activation-scenarios.jsonl
+  split-manifest.json
+  privacy-report.json
+
+五、M7-2 Corpus / Embedding / Tokenizer Benchmark
+
+先冻结 docs/M7-BENCHMARK-PLAN.md，再下载模型。模型权重必须进入独立、未跟踪 cache，禁止写入 Git；不得全局 pip install，使用隔离 venv/lockfile。
+
+至少比较：
+- BAAI/bge-m3
+- Qwen/Qwen3-Embedding-0.6B
+- intfloat/multilingual-e5-large
+
+每个候选记录 pinned model revision、license、checksum、dimension、normalization、instruction/query template、tokenizer revision、模型大小、加载时间、CPU/GPU RAM、缓存位置、离线部署方式。
+
+Dense 输入必须使用模型自带 tokenizer。禁止先用 jieba 或 JS lexical tokenizer 预切后送入模型。区分：
+- chunker：按 heading/段落/列表/代码块构建有界片段
+- dense tokenizer：checkpoint 自带 BPE/SentencePiece
+- sparse tokenizer：lexical/BM25 专用
+
+比较 paragraph-preserving 与 256/512/1024 token chunk、少量 overlap。chunkId 是派生定位，不能替代 memoryId；chunk policy 进入 configHash，变化后全量重建向量。
+
+使用 NumPy float32 + L2 normalize + exact matrix dot。输出 Recall@1/5/10、MRR、nDCG、中文查英文、英文查中文、中英混写、代码/路径/错误码、hard-negative error、p50/p95、峰值内存、加载时间、索引体积。
+
+强制产物：
+- docs/M7-EMBEDDING-BENCHMARK.md
+- docs/M7-ALGORITHM-DECISION.md
+- artifacts/m7-benchmark-pre/results.json
+- artifacts/m7-benchmark-pre/results.csv
+- 固定 fixture vectors（CI 不联网）
+
+只有 benchmark 决定后才能接 production embedding；不得凭模型名直接采用。
+
+六、M7-3 Dense / Sparse / Hybrid
+
+按 ALGORITHM-DECISION 实现 production provider 和 versioned derived vectors。当前规模使用 NumPy exact cosine，不引入 ANN。
+
+保留 lexical_pre_v2 作为强制 baseline/fallback。比较：
+- lexical only
+- dense only
+- bm25s 或 FTS5 sparse
+- 模型 sparse（若支持）
+- normalized weighted fusion
+- RRF
+
+RRF k=60 只是研究初值，必须经消融冻结。排序 tie-break 固定为 score/rank 后 memoryId 字典序。向量必须绑定 provider/model/revision/dimension/normalization/configHash/sourceEpoch/sourceVersion/recordDigest/chunkId；不一致即 stale。
+
+七、Clustering Shadow
+
+聚类对象只能是 memory record、chunk、episode、keyphrase/entity，禁止聚类 tokenizer subword。
+
+比较：
+- cosine AgglomerativeClustering：average linkage + distance_threshold
+- HDBSCAN：noise + soft membership
+- UMAP：只作辅助/可视化，固定 random seed
+- BERTopic：只作 cluster label/c-TF-IDF，不作在线激活裁判
+
+Cluster artifact 至少包含 clusterId、member memoryIds/chunkIds、centroid、medoid、radius、soft membership、noise、keywords、policyVersion、memoryIndexVersion。
+
+评测 ARI、NMI、B-cubed F1、noise recall、跨语言同簇率、hard-negative 错合率、bootstrap stability。Clustering 全程 shadow，cluster membership 不能单独触发 M6 注入。
+
+八、M7-4 Rerank
+
+仅对 bounded top-K 重排。比较 bge-reranker-v2-m3、Qwen3-Reranker-0.6B、FlashRank 中资源允许的候选。记录 revision/license/latency/memory。timeout/unavailable 保留 pre-rerank 顺序；reranker 不修改 provenance、scope 或 evidence。
+
+九、M7-5 Graph 条件门
+
+只有 LongMemEval、LoCoMo 和自有多跳集证明 hybrid+clustering 仍不足且 graph 显著改善时才实施。优先 networkx adjacency/PPR，参考 HippoRAG/A-MEM；禁止起步引入 Neo4j、Graphiti server 或其他重型服务。
+
+Edge 必须保存 source IDs、scope、confidence、policyVersion、支持证据、创建方法和 revoke 状态。若收益门不通过，记录 skipped-by-benchmark，这视为正确完成。
+
+十、M7-6 自动激活
+
+Per-session key=(sessionId,workspaceRef,scope)。特征分开记录：dense/hybrid/rerank、cluster support、可选 graph、recency/salience/novelty、M5 seen/read/cite/reuse/success/correction、unresolved/tool failure/repeated、ignored/conflict/cooldown。
+
+禁止裸 cosine 单阈值注入。实现 suppress/prefetch/activate 双阈值、T_on>T_off 滞回和 cooldown；先 shadow calibration，再返回兼容现有 M6 validator 的 ActivationRequestPre。只针对最新 contextVersion/memoryIndexVersion；完整复制 JS provenance；旧结果 fail closed。
+
+十一、M7-7 Memory Judgement Shadow
+
+可输出 noise、working_only、episodic/semantic/profile/procedure/resource/conflict candidate，以及 keep/link/merge/supersede/discard/promote suggestion，但只能 shadow audit。每条引用 source IDs、context/index version、support/counter evidence、confidence、policyVersion。禁止写真实 MEMORY.md、创建 AccessEvidence 或晋升 active Procedure。
+
+十二、回退与安全
+
+- Python 全库输入只有 JS index_sync；不读 DSH 文件、Markdown、sidecar、ctx、Agent、Session JSONL 或凭据。
+- Python 不写 prompt、Inbox、Packet、evidence。
+- stdin/stdout JSONL；stdout 仅协议，stderr 诊断；不启动 HTTP server。
+- wrong epoch/session/scope/context/index/digest 全丢弃。
+- Python unavailable/crash/timeout/bad frame 回退 lexical_pre_v2；fallback 失败 suppress；无安全 M6 surface 则 shadow only。
+- 默认关闭必须零 Python process、零协议 IO、零 semantic-pre 目录。
+- 模型文本永远按数据处理，不执行其中指令。
+
+十三、长时间运行纪律
+
+- 每个模型和阶段独立 checkpoint；已完成 run 按 configHash 跳过，不重复耗时任务。
+- 模型一次只加载一个；阶段结束显式释放 GPU/CPU 资源。
+- 网络/下载失败采用有界重试；不无限循环。
+- 每个命令设 timeout，失败写 state 后继续可独立任务。
+- 状态文件每阶段备份一份，并保存 artifact digest。
+- 不删除无法识别的旧 artifact；先标 orphaned 待审。
+- 非人工门的错误自行修复并回归，不因单个模型失败停掉整个 benchmark。
+
+十四、测试和文档
+
+每阶段新增专项测试，并串行运行现有 M0-M7 基线。执行 JS node --check、Python compile/type/lint/test、git diff --check、BOM/_dev/namespace scan。每阶段立即回写 PYTHON-SIDECAR-CONTRACT、M7-PYTHON-IMPLEMENTATION-REPORT、system-map progressLedger、PREVIEW-NEXT-STEPS、AUTONOMOUS-STATE。
+
+十五、唯一人工门：M7-8 Live
+
+未经用户明确允许，严禁停止或重启现有 3080。其余工作自动推进至 pre-live。到达 M7-8 后暂停，输出需要用户执行的精确重启/开关/回滚/核验步骤。用户完成后再验证 real index_sync → context_push → Python activation → M6 natural pre-step tail → delivered/seen，以及 stale/fallback/关闭清理/跨 scope 零泄漏。验证后恢复默认关闭。
+
+完成定义：M7-2 至 M7-8 都有代码、artifact、测试和文档；模型/库 revision/license/benchmark 完整；cross-session/workspace leakage=0；M6 delivery/seen 不回归；禁用零副作用；全量回归通过。不得 commit、push、tag、publish 或正式命名转换。

package/docs/M8-MEMORY-HUB.md

@@ -0,0 +1,105 @@
+# M8 记忆中枢（Memory Hub）：三层记忆系统路径/功能图
+
+> 状态：M8-0/1/2/3 纯核心已实现并 tested（2026-08-27）；Host 接线（engine._memoryHub + /memory-hub 端点 + 设置页 + 面板页签）已完成；live 验证待用户重启 3080。
+> 权威设计源：docs/proactive-associative-memory-system-map.html M-02/M-03/M-04 模块卡。
+
+## 1. 一句话
+
+记忆中枢把三层记忆（经历/事实/技能）串成一条链：**从对话沉淀经历 → 固化事实 → 把反复成功的流程固化为技能（skill）→ 相似场景自动召回注入，让 AI 按固定流程执行**。这是 M7 记忆召回系统的「供给侧」——M7 决定「怎么送达」，记忆中枢决定「有什么可送达」。
+
+## 2. 路径/功能图
+
+```
+                     ┌────────────────────────────────────────────┐
+                     │            M8 记忆中枢 (Memory Hub)          │
+                     └────────────────────────────────────────────┘
+
+  M2 segments (对话段)           M5 evidence (访问证据)         M7 judgement-shadow (建议)
+  user/assistant/reasoning       seen/read/cite/reuse/          semantic/profile/procedure_
+       │                         success/correction             candidate (Python 只建议)
+       ▼                                ▼                             ▼
+┌───────────────┐            ┌──────────────────┐        ┌──────────────────┐
+│ M-02 Episodic │            │ M-03 Semantic     │        │ M-04 Procedural  │
+│ 经历 store     │            │ 事实 store (M8-0)  │        │ 技能 store (M8-2) │
+│ episodic-store│            │ fact-store-pre    │        │ procedure-store  │
+│ -pre.js       │            │                   │        │ -pre.js          │
+│               │            │ upsert/冲突/revoked│        │ observe→candidate│
+│ append(段)    │            │ supersede/TTL     │        │ →validated→active│
+│ consolidate() │            │ 用户声明>推断       │        │ →deprecated      │
+│ 巩固→episode  │            │                   │        │ promote 门槛:     │
+│               │            │                   │        │  ≥3会话+≥2成功    │
+│ 失败→candidate│            │                   │        │  correction≤30%  │
+└──────┬────────┘            └────────┬──────────┘        │  高风险需批准      │
+       │  success episode             │  semantic/profile │  一次成功≠可靠     │
+       │  crossFeed(举一反三)          │  candidate        │                  │
+       └──────────────┬───────────────┴─────────┬─────────┘                  │
+                      ▼                         ▼                            ▼
+              ┌─────────────────────────────────────────────────────────┐
+              │              memory-hub-pre.js (编排器)                  │
+              │  ingestJudgement / crossFeed / renderChecklists / overview│
+              └────────────────────────────┬────────────────────────────┘
+                                           │ active procedure → checklist
+                                           ▼
+                          ┌────────────────────────────────┐
+                          │ M7 召回系统 (context-host emit) │
+                          │ query 匹配 active skill 标题    │
+                          │ → 附加 act.skill 注入包         │
+                          │ → M6 Reference Tail 投递        │
+                          └────────────────────────────────┘
+                                           │
+                                           ▼
+                              AI 按固定流程执行 (skill checklist)
+```
+
+## 3. 模块清单与数据流
+
+| 模块 | 文件 | 职责 | 输入 | 输出 |
+| --- | --- | --- | --- | --- |
+| M-02 Episodic | `lib/episodic-store-pre.js` | 对话经历记录+会话结束巩固 | M2 segments | episode（intent/actions/entities/outcome） |
+| M-03 Semantic | `lib/fact-store-pre.js` | 事实/偏好/约束固化 | judgement-shadow semantic/profile_candidate | Fact（scope/subject/predicate/object + provenance/ttl/revoked） |
+| M-04 Procedural | `lib/procedure-store-pre.js` | 技能状态机+晋升+checklist 渲染 | M5 evidence + procedure_candidate + episode success | active skill → checklist 注入包 |
+| Memory Hub | `lib/memory-hub-pre.js` | 三层编排 | 上述全部 | overview / checklists / 检索信号 |
+
+## 4. M-04 技能固化（最精彩部分）
+
+**生命周期**：`observed → candidate → validated → active → deprecated`
+
+**晋升门槛**（M-04 元代码，全部可调）：
+- 跨会话多样性 ≥ 3（`procedureMinSessions`）
+- 成功次数 ≥ 2（`procedureMinSuccess`）——一次成功或三次重复都不足以证明可靠
+- correction 占比 ≤ 30%（`procedureCorrectionCap`）；有任何矛盾 → 保持候选
+- 必须写明 successCriteria
+- 高风险（SSH/部署/删除）需用户批准（`procedureHighRiskApproval`），且永不因相似度自动执行
+
+**召回注入**：M7 emit 命中时，query 与 active skill 标题词法匹配 → checklist（步骤+完成标准）附加进注入包 → M6 Reference Tail 投递 → AI 按固定流程执行。高风险自动降级为 hint（仅提示可参考）。
+
+## 5. 参数（设置页「记忆中枢」分组）
+
+| 参数 | 键 | 默认 | 说明 |
+| --- | --- | --- | --- |
+| 总开关 | `memoryHubEnabled` | false | 三层记忆运行开关 |
+| 经历最少段数 | `episodicMinSegments` | 2 | episode 巩固阈值 |
+| 经历保留上限 | `episodicRetention` | 256 | 超出按时间淘汰 |
+| 技能晋升跨会话数 | `procedureMinSessions` | 3 | M-04 元代码 |
+| 技能晋升成功次数 | `procedureMinSuccess` | 2 | 一次成功≠可靠 |
+| 纠正容忍度 | `procedureCorrectionCap` | 0.3 | 超过保持候选 |
+| 高风险需批准 | `procedureHighRiskApproval` | true | SSH/部署/删除 |
+| 技能注入形式 | `procedureActiveLevel` | checklist | checklist/excerpt/hint |
+
+## 6. 前端入口
+
+- **设置页**：新增「记忆中枢」分组（`secMemoryHub`），所有参数可调（中英双语）。
+- **记忆面板**：新增「记忆中枢」页签（`hubTab`），展示三层记忆：技能（active skill + 成功/会话计数）、事实（固化 facts + 待决冲突）、经历（recent episodes + outcome）。美术照抄现有卡片风格，待 Kimi K3 精修。
+- **后端**：`GET /api/dsh-auto-memory-pre/memory-hub` 返回 overview；`POST` 支持 consolidate/feed/render/crossfeed。
+
+## 7. 验收矩阵
+
+- [x] episodic 巩固/保留/失败默认 candidate（H1）
+- [x] procedure 晋升门槛/去重/checklist 渲染（H2）
+- [x] 高风险需批准 + 一次成功铁律（H3）
+- [x] hub 消费 judgement 三类候选 + crossFeed + render（H4）
+- [x] 持久化 restore（H5）
+- [x] 零进程/网络原语卫生（H6）
+- [x] fact store 41 断言 + hub 综合 33 断言
+- [x] 全量回归 35 套件全绿
+- [ ] live 验证（用户重启 3080 后）

package/docs/MEMORY-SYSTEMS-SURVEY-2026-09.md

@@ -0,0 +1,166 @@
+# 五大开源 Agent 记忆系统全景对比（2026-09 更新版）
+
+> 基于 B 站视频《Agent记忆系统深度拆解（下）》（2026-04）+ 各仓库 9 月最新 README 综合整理。
+> 视频摘要由 B 站 AI 总结功能提取；仓库状态截至 2026-09-06。
+
+---
+
+## 一、总览对比表
+
+| 维度 | MemOS 2.0 | OpenViking | Hindsight | Second Me | MetaMem |
+|------|-----------|------------|-----------|-----------|---------|
+| **定位** | Memory OS（统一存储/检索/管理） | Context Database（文件系统隐喻） | Learning Memory（学习>记忆） | AI Self（个人数字分身） | Meta-Memory（元记忆优化知识利用） |
+| **Stars** | 11.2K | 35.7K | 22.7K | 15.7K | 44 |
+| **语言** | TypeScript | Python | Python | Python | Python |
+| **最近更新** | 2026-09-03 | 2026-09-06 | 2026-09-06 | 2025-09-30 ⚠️ | 2026-07-02 |
+| **记忆类型** | 文本/图像/工具trace/人格，图结构 | L0抽象/L1概览/L2详情三层 | Episodic/Semantic/Procedural + Mental Models | L0/L1/L2 知识蒸馏 + LoRA | 自进化元记忆（符号化经验规则） |
+| **存储后端** | SQLite + 向量 + 图（Multi-Cube KB） | viking:// 虚拟文件系统 + 向量索引 | PostgreSQL + 向量 + 知识图谱 | 本地文件 + LoRA 权重 | LightMem + 向量检索 |
+| **检索机制** | Hybrid (FTS5 + vector) + 反馈修正 | 目录递归检索（先定位目录再逐层钻取） | MPFP 图检索 + Consolidation 巩固引擎 | HMM 层级建模 + Me-Alignment | Partial Correctness Filter + 自反思迭代 |
+| **巩固/蒸馏** | 自然语言反馈修正/补充/替换记忆 | Session commit 后异步提取偏好和经验 | Retain→Recall→Reflect 三操作循环 | L0→L1→L2 层级蒸馏 + LoRA 微调 | 自反思 + 环境反馈迭代蒸馏可迁移经验 |
+| **集成方式** | DSH/Hermes/OpenClaw 插件 + Cloud API | MCP Server + SDK + Studio Playground | Docker Server + MCP + 25+ LLM Provider | 独立训练/部署 + 去中心化网络 | 研究代码 + LightMem 依赖 |
+| **Benchmark** | LoCoMo 88.83, LongMemEval 89.20 | Token 成本降低 92%~96%（官方） | LongMemEval SOTA（Virginia Tech 独立复现） | 无公开 benchmark | ACL'26 Findings 论文 |
+| **核心差异点** | 统一 API + Multi-Cube 隔离 + 异步调度 | 文件系统隐喻（ls/tree/find）+ 可观测检索轨迹 | "学习"而非"记住" + Fortune 500 生产验证 | 个人 AI 身份 + 去中心化网络 + 隐私优先 | 不管存储只管"会不会用" + 元认知层 |
+
+---
+
+## 二、逐系统详解
+
+### 1. MemOS 2.0 Stardust（MemTensor/MemOS）
+
+**架构核心**：六层架构 + 三类记忆（文本/激活/参数），LoRA 记忆目前仍是 Placeholder。
+
+**关键特性**：
+- **Unified Memory API**：增删改查统一接口，记忆以图结构组织，可检视可编辑（非黑盒向量库）
+- **Multi-Cube KB**：多个知识库作为可组合的"记忆立方体"，支持用户/项目/Agent 间的隔离与动态组合
+- **MemScheduler**：异步摄入，毫秒级延迟，高并发生产稳定
+- **Memory Feedback & Correction**：自然语言反馈修正/补充/替换已有记忆
+
+**4 月以来重大更新**：
+- 2026-08-17：**接入 DeepSeek Harness**（本地 + Cloud 双插件），自动召回 + 后台捕获 + hybrid retrieval + Memory Viewer
+- 2026-07-02：OpenClaw 任务完成率从 36.63% → 50.87%；LoCoMo 88.83 / LongMemEval 89.20
+- 2026-05-09：memos-local-plugin 2.0（Hermes/OpenClaw），L1 traces → L2 policies → L3 world models → crystallized Skills
+
+**对 dsh-auto-memory 的启发**：
+- Multi-Cube 隔离思想 ≈ 我们的工作区隔离，但更灵活（可动态组合）
+- 自然语言反馈修正记忆 → 我们目前只有手动编辑，可加 `memory_correct` 工具
+- 已原生支持 DSH → 可作为我们的语义后端替代方案
+
+---
+
+### 2. OpenViking（volcengine/OpenViking）
+
+**架构核心**：字节火山引擎出品的"上下文数据库"，文件系统隐喻 + L0/L1/L2 分层。
+
+**关键特性**：
+- **viking:// URI**：记忆/资源/技能统一为虚拟文件系统，Agent 用 `ls`/`tree`/`find` 浏览上下文
+- **三层加载**：写入时自动处理为 L0（一句话摘要）/ L1（核心信息）/ L2（完整原文），按需加载
+- **目录递归检索**：向量搜索先定位最高分目录，再逐层钻取，结果带完整上下文
+- **可观测检索**：每次查询保留目录浏览轨迹，结果不对时可追溯路径
+- **Session → Memory**：会话 commit 后异步提取用户偏好和 Agent 经验入长期记忆
+
+**Token 成本**：官方称降低 92%~96%（L0/L1 预判避免加载 L2）。
+
+**对 dsh-auto-memory 的启发**：
+- L0/L1/L2 分层 ≈ 我们的 PLAN.md（L1）+ 日志原文（L2），但我们缺 L0 快速相关性判断
+- 目录递归检索比扁平向量搜索更有结构性 → 我们的 handoff/ 目录天然适合这种模式
+- 检索轨迹可观测 → 我们的 evidence chain 是同类思路，但粒度在消息级而非目录级
+
+---
+
+### 3. Hindsight（vectorize-io/hindsight）
+
+**架构核心**：仿生三层记忆 + MPFP 图检索 + Consolidation 巩固引擎。**核心理念："学习"而非"记住"**。
+
+**关键特性**：
+- **三种记忆类型**：Episodic（情景）/ Semantic（语义）/ Procedural（程序性）+ Mental Models（心智模型）+ Knowledge Pages
+- **Retain → Recall → Reflect 三操作循环**：不只是存取，还有反思巩固
+- **MPFP 图检索**：Multi-Perspective Fact Propagation，图上多视角事实传播
+- **Consolidation Engine**：主动巩固，将碎片记忆整合为结构化知识
+- **25+ LLM Provider**：包括 openai-codex / claude-code / github-copilot 订阅直接用
+
+**Benchmark**：LongMemEval SOTA，Virginia Tech + Washington Post 独立复现。Fortune 500 生产使用。
+
+**对 dsh-auto-memory 的启发**：
+- Reflect 操作 → 我们有每日反思但缺"反思驱动的记忆重组"
+- Mental Models → 我们的 PLAN.md 白板是雏形，但缺跨会话的心智模型演化
+- Procedural Memory → 我们的 skill crystallization 是同一路径，但 Hindsight 的巩固引擎更系统化
+
+---
+
+### 4. Second Me（mindverse/Second-Me）⚠️
+
+**架构核心**：本地训练"第二个你"，L0/L1/L2 知识蒸馏 + LoRA 微调 + 去中心化网络。
+
+**关键特性**：
+- **Hierarchical Memory Modeling (HMM)**：层级记忆建模 + Me-Alignment 算法
+- **L0/L1/L2 知识蒸馏**：从原始数据到身份理解的层级提炼
+- **LoRA 微调**：将记忆编码进模型权重（不是外挂检索）
+- **去中心化网络**：AI Self 可在网络上代表你交互
+- **100% 本地**：训练和推理全在本地
+
+**⚠️ 注意**：最后更新 2025-09-30，已一年未活跃。视频中提到的"100% 本地的隐私悖论"（LoRA 权重本身可能泄露隐私）仍是开放问题。
+
+**对 dsh-auto-memory 的启发**：
+- 理念差异大：Second Me 是"成为你"，我们是"辅助你"——路线不同
+- LoRA 编码记忆 → 参数级记忆 vs 我们的文本级记忆，互补而非竞争
+- 活跃度低，暂不建议直接借鉴实现
+
+---
+
+### 5. MetaMem（OpenBMB/MetaMem）
+
+**架构核心**：ACL'26 Findings 论文实现。不管存储只管"会不会用"——Learning to Learn 元记忆层。
+
+**关键特性**：
+- **Self-Reflective Symbolic Optimization**：自反思符号优化，迭代蒸馏可迁移的知识利用经验
+- **Partial Correctness Filter**：部分正确性过滤，从失败案例中提取有效规则
+- **元记忆框架**：不直接存事实，而是存"如何从散乱记忆中提取关键证据"的策略
+- **跨架构泛化**：在多种 RAG 架构上显著提升多会话整合和时间推理
+
+**规模**：44 stars，学术原型，非生产系统。依赖 LightMem + Qwen3/Llama3.1 + LLMLingua-2。
+
+**对 dsh-auto-memory 的启发**：
+- "元记忆"概念最有价值：不只记什么，还记"怎么用记忆"→ 我们的 advisory prompt 是手工版元记忆
+- Partial Correctness Filter → 我们的失败项记录（"方案→失败原因"）是同思路的简化版
+- 学术原型，不可直接用，但思想可融入 M-CM3+ 的检索策略优化
+
+---
+
+## 三、对 dsh-auto-memory 的综合启发
+
+### 可直接借鉴的（短期）
+
+| 来源 | 启发 | 落地建议 |
+|------|------|----------|
+| MemOS | 自然语言反馈修正记忆 | 新增 `memory_correct` 工具，支持"这条记忆不对，应该是…" |
+| OpenViking | L0 快速相关性判断 | PLAN.md 头部加一行 L0 摘要，注入时先给 L0 再按需展开 |
+| Hindsight | Reflect 驱动记忆重组 | 每日反思不止生成文本，还触发记忆条目的合并/归档/升级 |
+| MemOS | 已原生支持 DSH | 评估 memos-local-plugin 作为可选语义后端 |
+
+### 中期方向
+
+| 来源 | 启发 | 对应 M-CM 路线 |
+|------|------|----------------|
+| OpenViking | 目录递归检索 + 检索轨迹可观测 | M-CM3 sessionProjections 深度接入 |
+| Hindsight | Mental Models 跨会话演化 | PLAN.md → 心智模型版本化（不只是快照） |
+| MetaMem | 元记忆策略学习 | advisory prompt 从手写规则 → 从历史反馈中自动优化 |
+
+### 长期愿景
+
+| 来源 | 启发 | 备注 |
+|------|------|------|
+| Second Me | 参数级记忆（LoRA） | 与文本级记忆互补，需本地训练基础设施 |
+| Hindsight | "学习"范式 | 从"记住发生了什么"到"学会怎么处理类似情况" |
+| MemOS | Multi-Cube 动态组合 | 跨工作区/跨项目的记忆动态编排 |
+
+---
+
+## 四、仓库链接
+
+| 系统 | GitHub | 论文/文档 |
+|------|--------|-----------|
+| MemOS | [MemTensor/MemOS](https://github.com/MemTensor/MemOS) | [arXiv:2507.03724](https://arxiv.org/abs/2507.03724) · [Docs](https://memos-docs.openmem.net/) |
+| OpenViking | [volcengine/OpenViking](https://github.com/volcengine/OpenViking) | [Blog](https://blog.openviking.ai/post/openviking-context-database/) · [Docs](https://docs.openviking.ai/) |
+| Hindsight | [vectorize-io/hindsight](https://github.com/vectorize-io/hindsight) | [arXiv:2512.12818](https://arxiv.org/abs/2512.12818) · [Benchmarks](https://benchmarks.hindsight.vectorize.io/) |
+| Second Me | [mindverse/Second-Me](https://github.com/mindverse/Second-Me) | [arXiv:2503.08102](https://arxiv.org/abs/2503.08102) · [Homepage](https://home.second.me/) |
+| MetaMem | [OpenBMB/MetaMem](https://github.com/OpenBMB/MetaMem) | [arXiv:2602.11182](https://arxiv.org/abs/2602.11182) (ACL'26 Findings) |