【摘要】DeepSeek Harness（DSH）记忆插件生态半年内涌现20+项目，形成功能重叠但未饱和的市场。本文通过GitHub API数据梳理生态全景（含License自查），指出当前插件多基于存在中文缺陷的官方sessionQuery构建，导致中文召回普遍受限。重点分析三个百星项目（dsh-memory-evolve/dsh-mnemon/dsh-noema）的差异化特性，提出"修地基而非

DeepSeek涨价是既定事实——V4 Pro最高涨了11倍。但与其骂"梁圣变梁子"，不如动手把多花的钱省回来。通过中文检索修复、工具结果去重、混合记忆检索、近无损压缩四个维度，系统性地减少Token消耗——而且它是生态唯一修复了中文召回地基问题的项目。趁涨价刚落地，赶紧装上试试。省下来的Token，都是真金白银。

本文介绍了如何在DeepSeek Harness（DSH）平台上实现Agent技能的自我进化机制。DSH原生技能系统采用Markdown文件+YAML格式存储技能，通过技能管理器工具（skill_write、skill_delete、skill_list）实现技能的增删查操作，并保证原子写特性。核心创新是"后台反思蒸馏"循环：定时扫描会话事件，通过严格JSON契约的LLM调用进行技能提炼，将有效技

本文介绍了为DeepSeek Harness（DSH）设计的记忆增强架构，提出三层记忆系统（working/archival/core）和混合检索方案。核心思路是将索引转化为记忆通道，通过FTS5词法检索和sqlite-vec向量检索的RRF融合实现精准召回，同时利用事件元数据进行零成本标记。系统支持工具结果去重和KV-safe稳定注入，验证表明能有效提升上下文管理效率。该开源方案不依赖LLM元数

摘要：DeepSeek Harness 的中文检索功能存在缺陷，使用 SQLite FTS5 的 unicode61 tokenizer 时，连续汉字会被视为单个 token，导致子串查询（如「Token消耗」「索引优化」）无法命中。解决方案采用 trigram tokenizer 双表 + 1-2 字 LIKE 回退 策略： 问题根源：unicode61 将连续中文视为单个 token，短语查询