dsh-plugin-openviking

把 OpenViking 作为记忆层接入 DeepSeek Harness。

不需要写代码。 OpenViking 的 MCP 端点 + DSH 自带的 dsh-mcp-client 桥即可。

本文所有配置和输出都经过实测（2026-08-19，OpenViking 1.29.0 / dsh-mcp-client）。

---

一、起 OpenViking

pip install openviking          # 注意：装完约 1.1 GB

密钥建议放 .env（已在 .gitignore 中）：

cp .env.example .env    # 填入你的 key
source .env

⚠️ 配置文件的四个坑

ov.conf 的格式 README 里没写清楚，这四条是我逐个试出来的：

1. 它是 JSON，不是 TOML（名字有误导）
2. 没有 llm 字段，大模型配在 vlm 下面（写错时它会提示 did you mean 'vlm'?）
3. 是 api_base，不是 base_url
4. embedding 要再嵌一层 dense

可用配置（以阿里云百炼为例，任何 OpenAI 兼容端点同理）：

{
  "vlm": {
    "provider": "openai",
    "backend": "openai",
    "api_base": "https://dashscope.aliyuncs.com/compatible-mode/v1",
    "api_key": "sk-...",
    "model": "qwen-plus"
  },
  "embedding": {
    "dense": {
      "provider": "openai",
      "backend": "openai",
      "api_base": "https://dashscope.aliyuncs.com/compatible-mode/v1",
      "api_key": "sk-...",
      "model": "qwen3.7-text-embedding",
      "dimension": 1024,
      "input": "text"
    }
  },
  "auto_generate_l0": true,
  "auto_generate_l1": true
}

auto_generate_l0/l1 是三层加载的开关，务必开着，省 token 全靠它。

embedding 是必需的。 没有 embedding 模型，find / search 用不了，只剩 grep / glob / list。 挑 provider 前先确认对方有 text-embedding 类模型（很多聚合站只有对话模型）。

openviking-server --config ov.conf --port 18790

看到这行就是好了：

StreamableHTTP session manager started

二、接进 DSH

把 cordis.yml 那段并进你的 DSH 配置即可。核心就三行：

- id: openviking-memory
  name: '@deepseek-ai/dsh-mcp-client'
  config:
    serverName: viking
    transport: streamable-http
    url: http://127.0.0.1:18790/mcp

DSH 的 mcp-client 支持 HMR，改配置不用重启进程。

三、模型能用到的 15 个工具

实测 tools/list 返回 15 个，在 DSH 里显示为 mcp__viking__*：

工具	作用
find	快速语义检索
search	深度检索，可带会话上下文和意图
read	读 viking:// 文件全文（L2）
list / tree	列目录 / 看目录树
grep / glob	正则 / 通配检索（不需要 embedding）
remember	把对话存进长期记忆
write / edit	写入 / 精确替换
add_resource	加资源（异步处理）
forget	永久删除，不可逆
list_watches / cancel_watch	自动刷新订阅
health	健康检查

四、实测：自动记忆确实成立

之前判断「自动沉淀要写代码」是错的。 remember 收的是消息数组， 不是一段文本，所以它本来就是设计来吃会话轨迹的。

{"name":"remember","arguments":{"messages":[
  {"role":"user","content":"我要把 Word 转 markdown 喂给 agent，anydoc 和 pandoc 选哪个"},
  {"role":"assistant","content":"实测 30 份 docx：anydoc 残留 HTML 1887 个，pandoc 16837 个…"}
]}}

返回 Stored 2 message(s) and committed for memory extraction.，约 30 秒后异步抽取完成。

然后换一个字面上毫不重合的说法去检索：

find("文档转换工具怎么选")

- [memory 66%] viking://user/default/memories/preferences/user/文档转换工具偏好.md
    在将 Word 文档转为 Markdown 供 agent 使用时，偏好使用 anydoc 而非 pandoc，
    因其生成的 Markdown 更干净、表格保留为原生 Markdown 表格格式。

注意它做了抽象：输入是「1887 vs 16837」这种一次性数字， 存下来的是可复用的偏好，文件名和分类都是它自己起的。

DSH 侧只要在会话边界调一次 remember，或者在系统提示词里要求模型自己调， 记忆就自动成型。不需要碰生命周期钩子。

五、要注意的

它会推断并写入你的身份。 上面那一次调用，除了偏好文件， 它还顺手改了 memories/identity.md，写进了「Vibe: 务实、有判断力、倾向实证结论」 这类判断。这是设计如此，但跑真实工作前你该知道。

靠模型自觉调 remember 不如钩子可靠。 MCP 协议不覆盖会话生命周期， 所以这条路上「什么时候存」是提示词决定的，不是约束。要确定性就得写 DSH 插件。

AGPL-3.0。 OpenViking 主项目是 AGPL，ov_cli 和 examples 是 Apache-2.0。 当网络服务对外提供且改过代码，需要开源。商用前让法务看一眼。

装完 1.1 GB。 一个「上下文数据库」的客户端，体量要有心理准备。

TODO

• 用 DSH 插件生命周期在会话边界自动调 remember，去掉对提示词的依赖
• viking:// URI 在 DSH 侧的路径补全
• 多 workspace / project 隔离映射到 DSH workspace

许可

本配置 MIT。OpenViking 主项目 AGPL-3.0。