Graph Memory

为 AI Agent 提供可检索、可追溯、跨会话的长期记忆
一个宿主无关的图记忆内核，原生接入 DeepSeek Harness，并继续兼容 OpenClaw。

English · 核心优势 · 图架构 · DSH 安装 · Pro 插件 · 技术报告

Graph Memory 不是聊天记录归档器，也不是把所有历史重新塞回上下文。它把对话中的任务、技能、事件和因果关系沉淀为类型化知识图谱，在新问题出现时只召回相关的局部子图。

核心优势

一套内核，两个原生宿主入口

DeepSeek Harness：通过 Cordis 生命周期接入 Session、Tool、Agent Loop、Prompt Assembly、LLM 与 Credentials；不修改 DSH 核心源码。
OpenClaw：保留原有 Context Engine 插件入口、配置方式和数据能力。
共享内核：抽取、SQLite 存储、FTS5、向量检索、社区发现、PageRank 和上下文组装不绑定单一宿主。

把历史变成可复用知识

跨 Session 召回，宿主重启后仍然保留。
TASK、SKILL、EVENT 三类节点表达目标、方法、结果、错误与决策。
USED_SKILL、SOLVED_BY、REQUIRES、PATCHES、CONFLICTS_WITH 五类关系保留因果和依赖。
节点关联原始会话证据，能够解释“这条记忆从哪里来、为什么被召回”。

只把相关知识送进上下文

默认原样保留最近 5 个真实用户轮次，可通过 freshTurnCount 配置。
通过每个 Agent 的 DSH 公共 CompactionEngine，把更早的模型表面历史替换为滚动 checkpoint；持久化原始事件不删除。
checkpoint、知识节点与精确原消息来源建立关联，召回时可以回溯原文。
精确路径：向量 / FTS5 → 社区扩展 → 图遍历 → 个性化 PageRank。
泛化路径：查询向量 → 社区摘要 → 社区成员 → 图排序。
只注入与本轮问题相关的跨会话局部图，并受 recallTokenBudget（默认 4096）约束。
自动注入使用高精度语义门槛（autoRecallMinScore，默认 0.6），且不会在无关查询下退化为任意社区代表节点；显式 gm_search 仍保留宽召回。
召回内容被标记为不可信参考材料，不能覆盖当前用户指令。

本地优先，向量能力可选

Community 默认使用 SQLite，无需部署独立图数据库。
未配置 Embedding 时自动使用 FTS5，不阻断对话。
支持 OpenAI-compatible Embedding 接口，可接 DashScope、OpenAI 或本地服务。
gm_status 显示数据库、节点、边、检索模式、向量覆盖率和维度。

限定场景下的 Token 实测

旧版 OpenClaw 入口曾在“安装 bilibili-mcp → 登录 → 查询”的 7 轮连续任务中进行对照测试：

轮次	无 Graph Memory	有 Graph Memory
R1	14,957	14,957
R4	81,632	29,175
R7	95,187	23,977

该场景第 7 轮减少约 75% Token。它是一个特定工作流的对照结果，不代表所有任务都有固定压缩比例；核心机制是用相关知识子图替代无差别历史回放。

项目发展

Graph Memory 的方向没有因为新宿主而推倒重来。项目正在从“OpenClaw 上的记忆插件”，发展为“可被不同 Agent Harness 原生加载的图记忆内核”。

阶段	交付内容	状态
OpenClaw 起点	Context Engine、跨会话图记忆、双路径召回	保持兼容
Community 图引擎	SQLite、FTS5、向量、图排序、溯源	可使用
DeepSeek Harness	Cordis 适配器、原生工具、自动召回、Credentials	已完成并实测
Graph Memory Pro	可视化图工作台、受控拖拽、Neo4j 可选适配器	Pro Lite 只读 Host + Client 已实现；2D/3D 与拖拽待实现

2026 年 3 月 15 日，项目负责人在清华科技园举办的 CLAW 蜕壳计划活动中分享了 Graph Memory 的架构思路。以下为项目负责人提供的现场材料与新浪财经活动报道。

下图是既有 OpenClaw / ClawX 阶段的 Pro 图谱原型，用于说明已经验证过的图交互方向；它不是当前 DSH 版本已经交付的前端。

相关名称与现场信息仅用于项目履历记录，不表示清华大学、新浪财经、DeepSeek 或 OpenClaw 对本项目提供官方背书。

图记忆架构

类型化知识图谱

TASK   ──USED_SKILL──▶ SKILL
TASK   ──SOLVED_BY───▶ EVENT
SKILL  ──REQUIRES────▶ SKILL
EVENT  ──PATCHES─────▶ SKILL
SKILL  ──CONFLICTS_WITH──▶ SKILL

TASK：做过什么，包含目标、过程和结果。
SKILL：经过验证、可以复用的方法或能力。
EVENT：错误、修复、决策、变化和关键事实。
Episodic provenance：图节点关联原始 user / assistant 片段，保留形成知识时的语境。

双路径召回

flowchart LR
  Q[当前问题] --> EXACT[精确路径]
  Q --> GENERAL[泛化路径]
  EXACT --> SEARCH[向量 / FTS5]
  SEARCH --> EXPAND[社区扩展 + 图遍历]
  GENERAL --> SUMMARY[社区摘要匹配]
  SUMMARY --> MEMBERS[社区成员]
  EXPAND --> PPR[个性化 PageRank]
  MEMBERS --> PPR
  PPR --> CONTEXT[去重后的局部知识上下文]

同一张图会根据当前问题产生不同排名。查询 Docker 时，Docker 相关技能靠前；查询 Conda 时，环境管理相关技能靠前。对几千节点规模的图，图排序可以在本地完成。

宿主数据流

flowchart LR
  USER[用户消息] --> SESSION[宿主 Session Events]
  SESSION --> ADAPTER[Host Adapter]
  ADAPTER --> EXTRACT[结构化抽取]
  EXTRACT --> GRAPH[(SQLite / FTS5 / Vectors)]
  USER --> RECALL[语义 + 全文召回]
  GRAPH --> RECALL
  RECALL --> RANK[社区扩展 + PPR]
  RANK --> PROMPT[Prompt Assembly]
  PROMPT --> LOOP[Agent Loop]
  CREDS[Host Credentials] --> ADAPTER
  TOOLS[gm_* Tools] --> ADAPTER

graph-memory/
├── dsh.ts                 # DeepSeek Harness / Cordis 适配器
├── index.ts               # OpenClaw 适配器
├── cordis.patch.yml       # DSH Bundle 安装入口
└── src/
    ├── extractor/         # 对话 → TASK / SKILL / EVENT
    ├── recaller/          # 向量、FTS5、社区扩展与召回
    ├── graph/             # PageRank、社区检测、去重
    ├── store/             # SQLite schema 与查询
    ├── format/            # 安全上下文组装
    └── engine/            # LLM / Embedding provider

DeepSeek Harness 原生适配状态

能力	状态	说明
Cordis 原生加载	已完成	使用插件生命周期，无需 fork DSH
滚动上下文接管	已完成	最近 N 轮可配置，更早表面历史替换为 checkpoint
跨会话自动召回	已完成	在 Prompt Assembly 阶段注入相关记忆
显式记录与搜索	已完成	`gm_record`、`gm_search`
向量回填与模型迁移	已完成	追踪模型、维度与 fingerprint
插件状态可见	已完成	设置页 Plugin Inventory 显示 active
Pro 可视化工作台	实验版可用	独立 DSH Client Plugin，当前为只读卡片式快照

当前 beta：1.6.0-beta.8。本机验收宿主为 DeepSeek Harness 0.1.0-rc.8。验收已覆盖 tarball 安装、Web profile 原生加载、通过 Agent 公共 compaction 服务执行的可配置最近 5 轮滚动压缩、精确原文溯源、token 预算、高精度自动召回、FTS5 降级，以及 Pro Lite Host、Typed Remote 和 Client bundle 边界；127 项自动化测试通过。真实模型验收还完成了滚动 checkpoint 替换、text-embedding-v4 1024 维向量写入，以及不调用记忆工具的跨项目自动召回。

插件已启用：graph-memory/dsh 在 DSH 插件列表中处于 active

跨会话语义召回：新 Session 召回上一 Session 的知识

安装到 DeepSeek Harness

前置条件：Node.js 22.19+ 或 24+。当前 beta 尚未发布到 npm，必须先从源码构建 tarball：

git clone https://github.com/adoresever/graph-memory.git
cd graph-memory
npm install
npm test
npm run build
npm pack

安装到 DSH Web profile：

npx @deepseek-ai/dsh plugin --profile web add /absolute/path/to/graph-memory-1.6.0-beta.8.tgz
npx @deepseek-ai/dsh --profile web --dump-config
npx @deepseek-ai/dsh web

在 DeepSeek Harness 源码仓库内，也可以使用：

pnpm dsh plugin --profile web add /absolute/path/to/graph-memory-1.6.0-beta.8.tgz
pnpm dsh web

安装后，在 设置 → 插件 → 插件列表 → graph-memory/dsh 中确认状态为“已启用”。默认数据库路径：

$DSH_HOME/graph-memory/graph-memory.db
# 未设置 DSH_HOME 时通常为：
~/.dsh/graph-memory/graph-memory.db

配置向量检索

不要把 API key 发送到聊天框。DSH 配置只保存凭据引用，真实密钥由 Credentials 服务解析。DashScope 示例：

export GRAPH_MEMORY_EMBEDDING_API_KEY='replace-with-your-key'
export GRAPH_MEMORY_EMBEDDING_BASE_URL='https://dashscope.aliyuncs.com/compatible-mode/v1'
export GRAPH_MEMORY_EMBEDDING_MODEL='text-embedding-v4'
export GRAPH_MEMORY_EMBEDDING_DIMENSIONS='1024'
dsh web

未配置 Embedding 时会自动使用 FTS5。

DSH 原生工具

工具	作用
`gm_status`	查看插件、数据库、抽取、召回和向量状态
`gm_search`	主动搜索长期知识图谱
`gm_record`	确定性记录 TASK、SKILL 或 EVENT
`gm_stats`	查看节点、边、类型与社区统计

自动召回不要求模型主动调用 gm_search；适配器会在 Prompt Assembly 阶段检索并注入相关记忆。

Graph Memory Pro：如何作为 DSH 插件集成

结论

旧 desktop-2.0 Pro 不能直接安装到 DSH，但新的 Pro Lite 已经作为独立 DSH 插件实现最小可用闭环。 旧分支是 OpenClaw + Neo4j 实现，绑定 openclaw/plugin-sdk、OpenClaw Gateway Route 和旧 ClawX 交互方向。新实现位于 dsh-pro/：Host 读取 Community SQLite，Typed Remote 只提供受限快照，Client 在 DSH Web 侧边栏注册只读入口。Neo4j、GDS、APOC 和旧 CRUD 后端仍可在后续作为可选适配器迁移。

目标不是再做一个独立产品，而是把 Pro 作为 Graph Memory 的可选增强插件：

flowchart LR
  CORE[Graph Memory Core] --> STORE[GraphStore]
  STORE --> SQLITE[SQLite 默认]
  STORE --> NEO[Neo4j 可选]
  CORE --> HOST[DSH Host Plugin]
  HOST --> API[Typed Remote API]
  API --> CLIENT[DSH Client Plugin]
  CLIENT --> WORKBENCH[对话 / 图谱分屏]
  WORKBENCH --> DRAG[受控拖拽到上下文]

当前本地安装方式

当前 npm 上的 graph-memory@1.5.8 仍是 OpenClaw 包，新的 Community beta 与 graph-memory-pro-dsh 尚未发布到 npm，需从当前源码本地安装：

dsh plugin --profile web add \
  --allow-build=@photostructure/sqlite \
  /absolute/path/to/graph-memory

dsh plugin --profile web add \
  /absolute/path/to/graph-memory/dsh-pro

dsh web

两个插件默认共用 ~/.dsh/graph-memory/graph-memory.db。当前入口提供受限 SQLite GraphSnapshot、gm_graph_snapshot、gm_graph_node、Typed Remote，以及侧边栏只读快照/搜索界面；尚无 2D/3D renderer、完整分屏、拖拽写入和节点编辑。

必须改造的四层

Core contract：SQLite GraphSnapshot 与受限节点详情已经落地；Neo4j provider 和统一可写契约待实现。
Host Plugin：Pro Lite Host、两个受限工具和只读 Typed Remote 已落地；可写动作与更细权限策略待实现。
Client Plugin：DSH 侧栏入口、卡片式快照、搜索与刷新已落地；2D/3D 图谱和对话分屏待实现。
受控上下文操作：拖拽只提交节点 ID 与动作意图；Host 校验后把内容写入可见、可撤销的 Session Context。

旧 Pro 的 /graph-memory-pro/neo4j-config 会把连接信息返回浏览器，这是已经在新实现中消除的安全问题。当前 Pro Lite 的浏览器只获取经过严格校验和裁剪的 GraphSnapshot，不会接收数据库路径、Session ID、Bolt 密码、SQL 或任意 Cypher。后续可写动作也必须保持这条 Host 权限边界。

OpenClaw 兼容

OpenClaw 用户继续使用原入口：

openclaw plugins install graph-memory
openclaw plugins enable graph-memory
openclaw gateway restart

还必须在 ~/.openclaw/openclaw.json 激活 Context Engine，否则插件可能显示已安装，但不会进入完整的消息摄取与抽取管线：

{
  "plugins": {
    "slots": {
      "contextEngine": "graph-memory"
    },
    "entries": {
      "graph-memory": {
        "enabled": true
      }
    }
  }
}

现有 Context Engine 配置和数据能力继续保留。DSH 是新增的原生宿主入口，不要求 OpenClaw 用户迁移或放弃现有工作流。

开发与验证

npm install
npm test
npm run build
npm pack

发布前必须确认：测试与 TypeScript 构建通过；tarball 包含 dist/dsh.js 与 cordis.patch.yml；仓库不存在 API key、本地数据库和环境文件；文档不把 Pro 路线图写成已完成功能。

当前限制

自动抽取依赖辅助模型输出稳定性；关键知识在 beta 阶段建议使用 gm_record。
DSH 版暂未提供 gm_update 和 gm_maintain，这两个工具目前属于 OpenClaw 入口。
Pro Lite 目前只有只读卡片式 Client；2D/3D、分屏和受控拖拽尚未实现。
npm registry 发布尚未完成，当前使用 GitHub 源码 tarball 安装。

隐私与安全

数据默认保存在本机 SQLite。
API key 通过宿主凭据或环境变量注入，不写入数据库和 Cordis patch。
召回历史只作为参考；当前用户指令始终拥有更高优先级。
曾出现在聊天、日志或截图中的密钥应立即轮换。

许可证

素材来源、Logo 与商标说明见 docs/ATTRIBUTIONS.md。

Navigation Menu

Graph Memory

核心优势

一套内核，两个原生宿主入口

把历史变成可复用知识

只把相关知识送进上下文

本地优先，向量能力可选

限定场景下的 Token 实测

项目发展

图记忆架构

类型化知识图谱

双路径召回

宿主数据流

DeepSeek Harness 原生适配状态

安装到 DeepSeek Harness

配置向量检索

DSH 原生工具

Graph Memory Pro：如何作为 DSH 插件集成

结论

推荐包结构

当前本地安装方式

必须改造的四层

OpenClaw 兼容

开发与验证

当前限制

隐私与安全

许可证

FilesExpand file tree

README_CN.md

Latest commit

History

README_CN.md

File metadata and controls

Graph Memory

核心优势

一套内核，两个原生宿主入口

把历史变成可复用知识

只把相关知识送进上下文

本地优先，向量能力可选

限定场景下的 Token 实测

项目发展

图记忆架构

类型化知识图谱

双路径召回

宿主数据流

DeepSeek Harness 原生适配状态

安装到 DeepSeek Harness

配置向量检索

DSH 原生工具

Graph Memory Pro：如何作为 DSH 插件集成

结论

推荐包结构

当前本地安装方式

必须改造的四层

OpenClaw 兼容

开发与验证

当前限制

隐私与安全

许可证