Apache-2.0 开源、本地优先的记忆套件，把 agent 对话与外部资源沉淀为可编辑、可检索、互相关联的 Markdown 知识库；并提供原生 DeepSeek Harness 插件，在每步前召回记忆、自动沉淀对话回合。
DSH 适配
原生运行时
作者声明
安全审计
未审计
最后核验
2026-08-25
许可证
Apache-2.0
01它能帮你完成什么？
为 DeepSeek Harness 的智能体提供本地、以文件为载体的长期记忆层
每次 agent 步骤前召回 ReMe 的 Markdown 记忆，完成的主体对话回合自动沉淀进知识库
希望记忆跨会话持久保存、且可由用户直接编辑的 DeepSeek Harness（dsh）用户
把 agent 对话与外部资源沉淀为可检索、互相关联的 Markdown 知识库
按 wikilink 关联的每日记忆卡片与长期 digest 节点（personal / procedure / wiki）
希望拥有可查看、可备份、完全自主掌控的记忆工作区的 agent 与开发者
02如何接入 DeepSeek Harness？
前置条件
- ReMe 需要 Python 3.11+。
- 基础文件操作、BM25 检索、wikilink 遍历与读取主动话题都可无需 LLM 凭证运行。
安装步骤
- 01
安装 ReMe：`pip install "reme-ai[core]"`
- 02
启动 ReMe 服务：`reme start`（默认地址 127.0.0.1:2333）
- 03
把插件加入 DeepSeek Harness 的 Web 配置：`dsh plugin --profile web add @agentscope-ai/reme`
$ dsh plugin --profile web add @agentscope-ai/reme
验证接入成功
- `reme health_check` 返回服务状态
- `curl -s http://127.0.0.1:2333/version` 返回当前运行版本
- `reme version` 打印已安装的 ReMe 版本
03DSH 适配与能力边界
原生 DeepSeek Harness 插件：启动 ReMe 服务后，用 `dsh plugin --profile web add @agentscope-ai/reme` 安装；插件在每步前召回 ReMe 记忆，并自动捕获完成的对话回合。
自我演化的记忆捕获（Auto Memory / Auto Resource / Auto Dream）
经过过滤的对话源记录、agent 会话与外部资源→每日记忆卡片与长期 digest 节点（personal / procedure / wiki），以 wikilink 关联
渐进式混合记忆检索
自然语言查询，可附带行号范围与链接扩展提示→带行号范围与受限 wikilink 邻居的命中分块，经 RRF 融合
对 agent 友好的本地集成（CLI / HTTP / MCP / Python）
通过 CLI、HTTP API、MCP 服务或 Python API 接入宿主进程或外部 agent→对同一个本地 Markdown 工作空间的读取 / 写入 / 维护 / 复用
主动兴趣发现
Auto Dream 生成的 digest 节点→结构化的兴趣话题，由宿主 agent 决定是否采用
04适合谁？何时不该用？
适合
- 希望记忆跨会话持久保存、且可由用户直接编辑的 DeepSeek Harness（dsh）用户
- 希望拥有可查看、可备份、完全自主掌控的记忆工作区的 agent 与开发者
05兼容性、维护与安全提示
- `proactive` 只读取并暴露 Auto Dream 产生的兴趣话题；它不会自行浏览网页、发送通知或改写知识库——是否以及如何使用由宿主 agent 决定。
- 语义向量检索默认关闭；开启需要在 reme/config/default.yaml 中取消注释 `components.as_embedding` 和 `components.embedding_store`，并提供 embedding API key。
Apache-2.0 · actively maintained (latest release v0.4.1.7, 2026-08-13)
06常见问题
怎么把 ReMe 接入 DeepSeek Harness？
先启动 ReMe 服务（`reme start`），再在 DeepSeek Harness 的 Web 配置里运行 `dsh plugin --profile web add @agentscope-ai/reme`。插件会在每个 agent 步骤前召回相关记忆，并把完成的回合提交给自动记忆捕获。
ReMe 需要 embedding 模型或 API key 才能用吗？
不需要。向量检索默认关闭，因此基础文件操作、BM25 检索、wikilink 遍历和读取主动话题都不需要 LLM 凭证。只有 auto_memory、auto_resource、auto_dream 才需要 LLM_API_KEY。
ReMe 存的是什么，谁来掌控？
ReMe 把记忆当作纯 Markdown 文件（frontmatter + wikilink），存放在当前目录的 `.reme/` 下。用户和 agent 都能直接查看、编辑、移动和备份这些文件；metadata/ 下的一切都可重建。
DeepSeek Harness 的集成方式和 MCP / HTTP 集成有什么不同？
`@agentscope-ai/reme` 这个 npm 包是通过 `dsh plugin` 安装的原生 DeepSeek Harness 插件；其他 agent 则通过 streamable HTTP MCP 服务、CLI/SKILL.md 或内嵌 Python API 连接。
我的数据会被上传到云端吗？
ReMe 本地优先。默认运行在 127.0.0.1:2333，只有在你配置了 LLM_API_KEY / EMBEDDING_API_KEY 时才会调用外部 LLM / embedding 端点；不配置的话，文件操作和 BM25 检索完全在本地。
07相关的 DSH 工作流
weknora
作者 tencent
开源的 LLM 知识库平台：把原始文档转化为可检索的 RAG 知识库、自主推理智能体和自动维护的 Wiki 系统，支持多租户部署。
mirage
作者 strukto-ai
全球首个面向 AI 智能体的统一虚拟文件系统。
graph-memory
作者 adoresever
Deepseek Harness、Openclaw知识图谱记忆插件。2026年4月受邀发布在清华大学讨论会。Knowledge Graph + Memory；Knowledge Graph Context Engine for OpenClaw — extracts structured triples from conversations, compresses context 75%, enables cross-session experience reuse
memtrace-public
作者 syncable-dev
面向编码智能体的结构化记忆，双时态图、MCP 原生、零 LLM 调用，支持多款主流编码工具。
08数据与来源
providing a native ReMe memory integration for DeepSeek Harness.
dsh plugin --profile web add @agentscope-ai/reme
The plugin recalls relevant ReMe memory before agent steps and submits completed main-agent turns for automatic memory c…
页面基于项目公开文档、仓库元数据和 DSH Plugins 的结构化解析生成；最后核验于 2026-08-25。发现错误？提交更正。
最佳 DeepSeek Harness 插件
从全目录挑出的 12 个值得优先安装的插件，覆盖各个分类。