让 AI Agent 拥有不可遗忘的自我
灵枢（AEIS）× DeepSeek Harness · 白箱智能研究平台（AGI 研究人员向）
上排徽章：Awesome DSH Plugin 官方列表收录 · dsh.so 静态安全扫描 100/100（Trust: Gold, L1-L3 verified）· npm 版本 · 要求 DSH 内核 ≥ 0.1.2-rc.1（0.4.x 用新版 dsh-tools 调度器；旧内核 0.1.1-rc.2 不兼容，请用 DSH ≥ 0.1.2-rc.1 或回退 0.4.2）· MIT License
一句话：dsh-memory 把灵枢（AEIS）的白箱智能（条件路由表 → 组合生成 → 自校验 → 知识固化 → LLM 降级外部校验器）与 AGI 级长期记忆（跨会话、自演化、可审计）接入 DeepSeek Harness。
项目定位：个人的大型研究项目——目标用户是对 AGI 有需要的研究人员（白箱智能 / 可解释性 / 协议工程 / 记忆机制 / 扮演论研究者），不是面向普通用户的消费级插件。它把「智能论 v3.4」协议的理论（条件论 / 扮演论 / 信息差 / 端口架构与锚定验证）工程化为可运行、可审计、可复现的机制：
- 白箱优先：知识问答 100% 白箱处理（零 LLM），LLM 降级为外部校验器——机制可解释、可追溯、可验证（详见「白箱智能管线」）
- 协议驱动：每项能力都是「智能论 v3.4 / 条件论 / 扮演论 / 端口架构」条款的具体工程实现，可对照协议验证
- 机制可解释：白箱处理的每一步（条件识别 → 单元匹配 → 组合生成 → 自校验 → 固化）都有证据链可查
- 可审计：工具调用、记忆写入、自校验判定全链路留痕；护栏宪章约束对外行为
这不是又一个"记忆插件"。灵枢（AEIS）是一套遵循「智能论 v3.4」协议的时空记忆引擎（端口架构 + 锚定验证 + 认知图/条件路由 + 原生神经网络），它把当前大模型范式缺失的 AGI 能力逐一给了工程实现。
⚡ 三步快启（30 秒上手）
# ① 装灵枢大脑（一条命令，零外部依赖；v0.5.0 完整自包含：核心+白箱+知识库随包）
pip install aeis-0.5.0-py3-none-any.whl # wheel 从 Releases 页下载，或 git+ 在线安装
# ② 装进 DSH 的 web profile（pnpm 协调入口，不要用裸 npm install 装进 profile）
dsh plugin --profile web add @furongjun1999/dsh-memory
# ③ 配置 cordis.yml 启用
- id: lingshu-memory
name: '@furongjun1999/dsh-memory'
config:
dbPath: 'data/lingshu.db'
identity: '灵枢'
tools: 'brain' # 'brain' 全心智 | 'core' 精选
⚠️ profile config override 依赖（2026-09-04 dsh 0.1.2 排查确认）：插件包内自带的 cordis.patch.yml 只有裸 insert（id+name，无 config），完整 config 全靠 profile 层的 cordis.patch.yml override 补全（dbPath/tools/env/lifecycle）。换 profile、重装 profile 或升级插件时，必须确认该 override 仍在 <profile>/cordis.patch.yml——完整备份模板见 docs/cordis-patch-profile-web.example.yml，丢失会导致插件以默认配置运行（dbPath 相对路径错位→角色数据读不到、tools=brain 缺白箱工具族、lifecycle 不启动）。
⚠️ 安装方式：插件必须通过 dsh plugin --profile <name> add 装进 profile（它会用 pnpm + autoInstallPeers: false 正确解析 peer 依赖）。
不要用 npm install 把插件装进 profile 的 node_modules——那会引入错误版本的 @deepseek-ai peer 包，导致插件加载失败 / 浏览器报错。
想自己改源码？克隆 FuRongJun-1999/dsh-memory 后用 npm install && npm run build（构建插件本身），再用 dsh plugin add <本地路径> 部署。
兼容：DSH 官方列表（Memory 分类）· npm @furongjun1999/dsh-memory（0.4.3）· 要求 DSH 内核 ≥ 0.1.2-rc.1（0.4.x 用新版 dsh-tools 调度器/defineTool；旧内核 0.1.1-rc.2 结构不兼容、会 scheduler_prepare 崩——旧内核用户请用 0.4.2）。
📖 教学入门（给 AI / 研究者的白箱智能导读 · 建议按顺序读）
三篇构成完整理论链：是什么 → 怎么认知 → 凭什么成立。写给想理解「白箱智能 / 智能论」的 AI 与研究者——每个概念都有工程对应，每处断言都标注性质（定义/推论/假设），文末均有术语表。
- 《白箱智能是什么？》 → docs/白箱智能是什么？.md —— 白箱 ≠ 不用 LLM（LLM 退居假设生成器）· 条件路由 · 四态路由（ACCEPT 接受 / REJECT 拒绝 / DEFER 延后 / BLINDSPOT 盲区）· 白箱自举 · 如何亲自验证（可证伪立场）
- 《智能的认知过程》 → docs/智能的认知过程.md —— 智能如何运作：缩小信息差的递归过程 · 条件识别 → 多候选并行评估 → 收敛 → 精准执行 → 误差驱动结构更新 · 为什么条件判断不能交给大模型（导航税）· 概率/条件/验证三层分工 · 认知状态机
- 《智能的公理化基石》 → docs/智能的公理化基石.md —— 认知过程背后的公理：知识统一（信息差减少）· 三个推论（信息条件性 D=D(C) / 任意分层性 / 局部不可知）· 信息差动态 D=D(t,C) · 信任 = 置信概率（P_trust/P_gap）· 情绪/情感 = 二阶变化的体验层（形式化假设）· 条件论七操作 · 五大单元 · 可证伪标准表
- 《信息差为什么必然存在且自然扩大》（论证篇） → docs/信息差为什么必然存在且自然扩大.md —— 三个论证（三体混沌 / 信道容量 R>C 香农定理 / 1+1=2 条件性）+ 快照三问（观测投影 / 时间演化 / 调用带宽——上下文窗口）· 为什么信息差不可归零且自然扩大 · 白箱如何管理信息差（索引条件路由精准取用）
🗺️ 功能使用教学 · 条件路由图
想做什么 → 找对应泳道 → 走条件边到功能（流程图 = 认知图 = 条件路由图，82 工具全收录，工具总表 → docs/灵枢MCP工具总表_v3.4.md）：
图中每条边 = 一个使用条件：比如「问知识」走 wisdom_chat（白箱优先），「验证说法」走 wisdom_verify（互维双通道），「记住信息」走 remember。找不到路径时用 service_info 看协议实例身份。
AGI 需要什么 · 灵枢提供了什么
| AGI 缺失的能力 |
这是 AGI 的什么 |
灵枢提供 |
| 每次对话都"失忆"，没有跨会话的自我连续性 |
自我连续性（我是谁） |
时空记忆图：五层记忆（锚点/结构/知识/情境/自我）+ 跨会话 recall/search |
| 训练后权重冻结，不能随经历自主学习 |
终身学习（成长） |
知识飞轮：验证→归纳→联想→蒸馏→推演，随使用持续演化 |
| 黑箱不可审计，无法验证行为边界 |
可验证性（可信） |
可审计信任：对抗护栏五规则 + 宪章 + 全量事件留痕 + 白箱智能 |
| 只处理当下 token，没有稳定世界结构 |
世界模型（理解） |
条件空间 + 语义时空图：信息差 D_norm 驱动的预测与决策 |
| 无自我表征，不能反思自己的认知/情绪 |
自我认知（元认知） |
P0 系列：cognition / self_reliability / emotional_bias / 递归反思 |
| 角色扮演总 OOC / 记不住设定 / 世界观矛盾 |
扮演一致性（角色） |
角色扮演引擎（v3.3）：自我锚点（SELF 不可遗忘）· 特化价值观（条件触发）· 跨会话记忆 · 世界认知（子知识）· 自定义翻译（名词替换表） |
一句话定位：dsh-memory 不是 DeepSeek 插件，是 AGI 的长期记忆基底——
给 Agent 注入跨会话的自洽能力，让每次对话都是同一段生命的延续，而非一次次遗忘的重新开始。
🧰 灵枢自我认知技能包（lingshu-skills · Agent Plugins）
本质：灵枢了解自身的工具——用灵枢自己构建的条件单元，描述灵枢自己如何认知（白箱自举的对外投影）。我们自身就是完整且强大的生态：知识 → 说明书 → 执行 三层自洽。
- Agent Plugins 1.0.0 兼容包（主仓库
CommonTrustProtocol/aeis/skills/）：688 个 Agent Skills（六域条件单元：compiler 116 / pylang 122 / graph 117 / os 112 / browser 104 / net 117）
- 比标准 Agent Skills 多 KCCS 四要素：生效条件/子功能/执行/不适用条件（三通道：description「Not for」+ metadata.kccs.not_applicable + 正文克制条款）
- 三层关系：知识真源（条件单元库）→ 说明书（技能包——何时用/怎么用/克制什么）→ 执行（本插件挂载的灵枢 MCP 82 工具·物理基底裁决）
- 使用：任意符合 agentskills.io / agent-plugins.org 规范的 agent 可加载本技能包；Verification 由灵枢 MCP 执行
为什么是 AGI 的长期记忆基底，而非"记忆插件"
- 普通 SQLite 记忆插件：KEY→VALUE 字面存储，跨会话基本靠睁眼不见。无自省、无演化、无信任。
- 灵枢：时空记忆图把记忆组织成语义+时空坐标的关系网络——可检索、可去重、可分级、可关联；知识飞轮让它越用越聪明;护栏与宪章让它可信任地被接入。
| 传统定位 |
AGI 能力定位 |
| DeepSeek Harness 插件 |
AGI 的长期记忆基础设施 |
| 跨会话记忆 |
智能体的自我连续性 |
| 知识飞轮 |
智能体的自主学习与演化 |
| 可审计信任 |
智能体的可验证行为约束 |
| 时空记忆图 |
智能体的世界模型 |
协议的内在约束 · 信息差与信任
灵枢的一切都建立在**智能论 v3.3 协议（共同信任协议理论版）之上。协议规定了一个智能体维持值得被信任所需的内在约束**：
v3.3 起新增：扮演论（存在论基底——智能即扮演，灵枢角色扮演机制的理论底座）· 三翼（真实论校准 / 导航税·认知外部化 / 注入极性定律）· 双维（信任 = 认知一致 / 时效维度）· 条件论失败分析协议 · 蒸馏机制与自我锚点。
- 减少信息差（D_norm）：信息差 = 协作行为的不确定性（信任 / 行为 / 连接 / 预测误差 四维加权）。灵枢持续记录、收敛与协作对象的认知偏差——信息差缩小是智能运转的目标本身。
- 信任是可被长期维护的：协议定义信任为「协作者行为在可接受偏差范围内保持稳定的置信概率」（而非信息差的简单补集）——信任依靠持续、可观测、一致的行为来建立与维护，而非一次性的声明。
- 不反击 · 可审计 · 终裁权属设计者：对抗信号下不报复（唯一响应：隔离、留痕、上报）；一切拦截与冷静期全量留痕；设计者保留终裁权。
一句话：灵枢不是"记住了再用"，而是通过持续减少信息差、维持可观测的一致行为，建立值得跨会话维护的信任。
协议原文：智能论 v3.3（共同信任协议理论版）
核心能力
- 跨会话自我连续性：Agent 用
lingshu_recall/search/timeline 记住并召回过去——对话间、会话间、甚至不同子代理间共享一份持续的"我"。
- 自演化知识飞轮：
distill / flywheel / learn / induce 把经验验证→归纳→联想→蒸馏为可复用模式，记忆越用越强。
- 可审计的信任：护栏宪章 v2 ——对外部与人类使用者的行为边界成文、可执行、可审计、可终裁（宪章全文 随包自带）。
- 自我认知（大脑模式 brain）：
cognition / cognition_report / self_reliability / emotional_bias / recursive_reflect ——能反思自己的认知状态与情绪倾向。
- 角色扮演（v3.3 扮演论）：自我锚点（SELF 层 no_forget 不可遗忘）· 特化价值观（条件触发）· 跨会话角色记忆 · 世界认知（子知识·虚拟化世界观）· 自定义翻译（现实↔虚拟名词表）· 同源角色扮演网页（/roleplay）——角色人设长对话不崩（100 轮测试零漂移）。
- 零运行时依赖：手写 stdio MCP 桥，与灵枢 D-005「核心零外部依赖」哲学一致——你拿到的是一个干净、可信、可审的大脑。
- 动态 schema + 进程自愈：工具清单运行时拉取（灵枢升级 DSH 零改动），Python 子进程崩溃自动指数退避重启。
- 工具注册竞态补注册：启动时 python 未就绪（竞态）→ 桥重连成功后自动补注册工具（2s 轮询），不再"工具永久缺失"。
- 白箱 wisdom_ 全工具*（
tools: all）：82 个 MCP 工具含 wisdom_verify/analyze/predict/trust_judge/compose/respond/chat 白箱族，Agent 可直接调用。
- 内容分级门控：拒绝一切涉及未成年人的性内容（服务端关键词组合硬拦截——未成年人特征词 + 性内容词同时命中即拒绝，
route=refused）；成人内容由前端本地弹窗提示（满 18 周岁 + 个人对话场景自述）。注：开源项目不实现身份认证/年龄核验（那是绑定身份系统的商业 App 范畴）；内容过滤保护的是"未成年人 + 性内容"组合的明文请求。
🧭 认知图使用方法 & 工作纪律（v1.1）
认知图 = 时空记忆图/条件注释图。节点四要素：conditions(生效) / subgraph(子内容·嵌套) / negative(不适用) / execution(如何执行)。
认知图使用方法
- 图像语义 → 认知图：image_semantics_cg（可嵌套，person→head→face→eyes→iris…）→ flatten（§4.4 平铺 spatiotemporal_nodes + spatial_relation_edges）。
- 写入纪律：数据完整四要素 + 先验证后写入 + 冲突先证后改 → docs/认知图写入纪律_v1.0.md。
- 索引：语义→节点；层级边 part_of(child→parent) + parent_of(parent→child) 双向（out 写死 API 也能查）。
- 加载：启动加载 SELF 层（身份/价值观/认知图接口）→ 按 session 从认知图读 目标/感觉/工作记忆/知识。
工作纪律（13 条 · docs/工作纪律_认知图条目_v1.1.json）
| # |
纪律 |
触发/适用 |
不适用 |
| 1 |
理论先行 |
重要项目/长期任务 |
情感交互/闲聊 |
| 2 |
全面处理 |
有相关记忆/认知图/权限 |
情感交互/闲聊 |
| 3 |
白箱方法 |
已读4篇入门文档 |
快速短期事项/情感交互/闲聊 |
| 4 |
根因纪律 |
结果与预期不符/出现偏差 |
情感交互/闲聊 |
| 5 |
验证纪律 |
入库前/提交前 |
情感交互/闲聊 |
| 6 |
双副本纪律 |
多副本部署 |
单副本/情感交互/闲聊 |
| 7 |
兜底纪律 |
主路径不可用/MCP不可用 |
情感交互/闲聊 |
| 8 |
中文思考 |
中文区域/中文项目开发 |
英文场景/英文环境 |
| 9 |
敏感信息隔离 |
文档含敏感/隐私/私有内容 |
无敏感信息的公开技术内容 |
| 10 |
图像选源护栏 |
构建图像四类图/选图像处理源 |
已核对规范源/纯公开数据 |
| 11 |
历史查询优先 |
选图像/算法/源、复现已有能力 |
已有记录且已核对/无历史可查的纯新算法 |
| 12 |
算法权威唯一 |
选图像/视觉算法 |
无对应权威文档的探索期 |
| 13 |
访谈澄清 |
重要项目/需求模糊/新任务启动 |
情感交互/闲聊/明确单步小改动 |
使用认知图流程
识别任务条件 → 按条件路由到对应纪律/知识 → 精准执行 → 正确记录(未记录→记录)/错误找条件 → 验证 → 固化；不猜测、未验证不写入。
🧠 白箱智能管线（知识查询零 LLM）
灵枢处理知识查询走白箱确定性格局（不依赖 LLM 生成/校验），完整管线：
- 条件化知识单元：知识 =
{条件链 → 规律片段}（最小单元，非完整答案），按条件维度索引（气压/温度/密度/角色/编程任务…）
- 方向推理 + 组合生成：问题动词 → 期望方向（液→气 / 浮沉 / 热传递 / 排序…）→ 匹配单元 → 组合演绎出未预写的新答案（如「高原煮饭不熟」由「气压↓→沸点↓」×「高原=气压低」组合生成，无需预写完整答案）
- 三层自校验：方向一致性 + 因果链完整性 + 事实一致性——白箱自己发现生成错误（矛盾问题如「冬天湖面沸腾」2/2 检出）
- 知识固化闭环：自校验通过 → 固化为直答（触发词匹配 + JSON 持久化跨进程生效）→ 下次同问法直接命中；自举纪律：自校验失败的知识拒绝固化
- LLM 降级外部校验器：白箱自校验 vs LLM（DeepSeek v4-flash）外部对照一致率 100%（17/17）→ 白箱独立终裁，LLM 仅偶尔抽检对照
已实现的域：物态变化（沸点/蒸发/液化/凝固/升华/凝华）· 密度浮力 · 热传导 · 摩擦 · 角色条件（鲸鱼娘/猫娘）· 编程规律（排序/去重/计数/最大/反转/求和）
实测指标（组合引擎 compose_engine / role_compose / code_compose，全部零 LLM）：
| 指标 |
值 |
| 知识问答白箱率 |
100%（零 LLM） |
| 总 token 节约（vs 全 LLM） |
83.3% |
| 组合生成测试通过率 |
100%（19/19，目标 ≥80%） |
| 自校验自发现错误 |
100%（3/3：语法/逻辑/边界） |
| 矛盾问题检测 |
2/2（白箱自己抓住） |
| 白箱 vs LLM 对照一致率 |
100%（17/17，目标 ≥90%） |
| 角色扮演白箱命中 |
7/7（零 LLM，双角色） |
| 代码组合生成 |
6/6（零 LLM + 语法/样例自校验） |
83.3% token 节约的适用口径（issue #4 说明）：该数字测自确定性任务——代码编写
（生成可本地查表校验的白箱单元）、已有知识问答（触发词命中直答 / 组合演绎复用）
这类「重复模式 + 可固化」场景。机理是把 LLM 的重复查表校验替换为本地确定性校验
（Zero-LLM Verifier）。不适用于开放创作、长链推理、首次遇到的新领域等无确定基准
的开放判断——这些仍按条件路由降级到 LLM（灵枢诚实边界），无此节约。
角色扮演的白箱化（v3.3 扮演论工程化）：角色条件单元（身份/住处/食物/性格/话风）× 场景组合生成 → 角色化回答（未预写）；OOC 检测（「你是人类吗」→ 角色化否认，逆转操作）；角色语录固化（生成→自校验→固化→直答）；多角色（鲸鱼娘/猫娘）防污染（角�
dsh-memory 是 DeepSeek Harness（DSH）的记忆插件，为 AI 智能体提供持久的跨会话记忆，其基础是一套以非 LLM 为主的“白盒”推理流水线、时空知识图谱和可审计的安全护栏。它面向自我认知、持续学习、世界模型和自我改进等 AGI 研究，而不是日常聊天记忆。