我们给DeepSeek Harness接入了MemSearch ，自动把Memory提炼成Skill

DeepSeek Harness(DSH) 的口号，大家应该都有所了解，模型、工具、Skills、会话、沙箱、存储、Agent Loop、调度，甚至 UI，一切皆插件。

虽然发布只有不到两周时间，但是接近20w的star，也意味着它可能成为相当长一段时间里的Agent设计标准之一。

详情可参考19 万 Star 之后，我给 DeepSeek Harness 接入了Milvus

应大家要求，近日我们正式将开源的Agent 记忆框架 MemSearch，接入 DSH 插件。

使用时，你只要使用以下命令，就能让你的 DSH 具备 MemSearch 的能力：

uv tool install "memsearch[onnx]"

dsh plugin --profile web add @zilliz/memsearch-dsh

以下为MemSearch的开发与使用详情。

01 

借助MemSearch插件， DSH的三大能力提升

借助MemSearch插件， DSH 可以获得三个能力

第一，永久记忆。今后，你使用 DSH 时，跨天、跨会话，你做过的事、下过的决策，都会沉淀成持久化记忆，不再跟着聊天窗口清零。

第二，跨 Agent 共享记忆。同一份记忆，可以在 Claude Code、Codex、DSH 之间自然流动。也就是说，你可以直接用 DSH 就能续上你之前用 CC 或 Codex 时留下的记忆，不需要做任何手动迁移。

第三，自进化。记忆不只是回放过去，还能长成下一次可调用的能力，这会让你用 DSH 越来越顺手。这个是重头戏，放到最后讲。

接下来，我们来依次拆解这三大能力提升。

1.1让DSH具备永久记忆

在设计一些企业级大项目时，当前代码和任务状态可以很好的工作。但它无法完整解释一个项目是怎样走到这里的：架构选型的依据、被排除的方案、临时 workaround 的适用条件，以及上次调试已经验证过的方向，都散落在过去的会话里。

缺少它们，Agent 即使知道代码现在是什么样，也未必知道为什么不能随意改动。

为此，我们给 DSH 提供了高效的长期记忆机制。

装好MemSearch插件之后，你无论跨多久、跨多少会话、怎么换模型，操作记录都会持久化存下来，随时能被语义检索捞回来。

你只要照常使用 DSH，聊天、写代码、调试，插件在后台完成记录。

之后可以直接追问：「这个功能之前规划过吗？当时为什么没有继续？」「我们最终选择 Postgres 的依据是什么？」「这个部署问题上次是怎么解决的？哪些尝试已经失败过？」

这些记录可以让 DSH 找回决策依据，避免重复已经失败的尝试，也方便开发者检查某个方案在当时是否受一次性条件影响。

1.2 让记忆可以跨Agent跨项目复用。

DSH 的新用户一定有这么一个问题：

我原来在CC，在Codex上面的会话记录，我想在 DSH 上继续使用。

MemSearch 插件实现了这一愿望。

之前使用 MemSearch 的用户，这一次装上 DSH 的 MemSearch 插件，直接就能够继续之前在其他主流 Agent 上面的记忆，进行继续开发。

而且，开发工作，本来就是经常需要跨 Agent 进行。你可能在 DSH 里实现功能，随后换到 Codex 做 Code Review，再让 Claude Code 补端到端测试。

三个 Agent 处理的是同一个项目，需要读取同一批历史决策。

MemSearch 会把 Markdown 文件作为记忆的事实来源，并在不同平台插件之间沿用同一套记忆格式。

只要相应 Agent 都安装了 MemSearch，并使用同一个项目中的 .memsearch 记忆目录，后来的 Agent 就可以检索前一个 Agent 留下的进度、决策和经验，不需要先导出再导入。

1.3 让 Agent 学会进化

对比Claude Code，多数编程Agent 的扩展机制，都是在一个已经确定的 Agent Loop 之上增加 Skills、工具、子代理或 Hooks。

DSH 的插件边界则更加灵活：除了模型、工具和 Skills，会话、存储、Agent Loop、调度和 UI 本身也属于可组合能力。

如此一来，借助DSH +MemSearch 我们就可以形成一个可以从记忆中自动创建skill的正向循环：随着事件记忆持续积累，同一类工作会反复出现。发布版本、准备测试环境、排查线上故障等流程一旦多次复现，Memory中提出的解决方案，本质上就是一个可以被多次复用的Skill。

如此一来，Agent的能力边界就不会再出厂就定死，而是成为一个真正灵活，可以自进化的Harness系统。

02 

Memory to Skill：把重复经验变成流程

Agent在进化的前提是积累大量真实用户交互数据。比如你用了它多久、习惯是什么、环境给了什么反馈。以及哪些任务经常出现，哪些步骤保持稳定，用户有哪些偏好，哪些做法经过了多次验证。

在MemSearch中，这对应的是记忆的后台整理能力。打开可选功能、配上整理任务，它会定期从你的项目里提取出 PROJECT.md 和 USER.md：前者记项目长期的状态、决策和风险，后者记你的偏好和开发习惯。

为此，MemSearch 把记忆组织成三层：

这里关于记忆的分类详情，可以参考之前的文章：https://mp.weixin.qq.com/s/PqJAJopvVBHjsjY0SpLOmA

前两层，很多记忆系统都有，第三层的Memory to Skill是我们一个独有的能力。

它可以把记忆里反复出现的范式，提炼成符合 Agent Skills 开放标准的 Skill 文件。

举个小例子。你每次发版本，都手动改版本号、更新变更记录、跑构建、再到干净环境验证安装。这套动作散落在记忆里，重复做了五六次。Memory to Skill 会把它蒸馏成一个叫 release 的 Skill。装好之后，下次你只说一句「发个版本」，Agent 就按这套流程走。

这里我们刻意不做成全自动。候选会先躺在 .memsearch/skill-candidates/ ，等人来 review。

这个设计的初衷是因为蒸馏出来的东西不一定对。某个步骤可能带着一次性 workaround，某条命令可能写死了 remote，甚至混进了不该固化的秘密。让这些自动进入能力层，比记错一条笔记危险得多。

03 

为什么说Memory to Skill与DSH更搭

有了Memory to Skill，一个典型的Agent闭环就已经搭建完成。

但是在多数的Agent中，要想知道Memory to Skill主动生成了哪些可以被升级为Skill的Memory，还需要用户主动去打开文件、或者主动提问Agent：

"现在有什么新的被蒸馏出来的 Skill 了吗？"

DSH 改变了这一步。

因为DSH 的 UI 也是插件，这样一来，我们就可以让 MemSearch 直接在 Web 界面中挂载一个 MemSearch Dock（悬浮面板）。

面板会展示待处理的 Skill 候选及其来源与出现频率，并提供 Review 和 Install 入口。

点击 Review，也不会中断正在执行的任务。审查请求会排入 Agent 的下一轮，由它读取候选、核对来源并给出建议；点击 Install 后，候选才会被安装到 DSH 可以加载的 Skill 目录中。

这就形成了一个闭环：

随着系统越用越久，MemSearch从历史对话中学到的知识与Skill也会越来越多，整体Agent的效率也会不断提升并接近真实项目和个人习惯。

也就是说，这本质上，就是一种让 Agent 自进化的过程，通过人类的反馈，记忆，来实现 Skill 发现，蒸馏，更新，调用。

它离 Agent 自主重写整个 harness 的这种彻底的进化还很远，但DSH 把一切都做成了插件，也意味着我们离目标又近了一步。

今天落盘的，是一份经过审查的 Skill。明天，同一批长期反馈，也许能帮你决定换哪种 preset、怎么调调度、在哪一环加审查。

这也是 DSH 创作者模式背后的架构Cordis的愿景。

到那时候，你的记忆不再只是回放过去，它会参与到 Agent 的每一次自我改造里。MemSearch DSH 插件，让它迈出了第一步。

相关链接

• MemSearch GitHub： https://github.com/zilliztech/memsearch
• DeepSeek Harness 官网：https://deepseek.com/harness/en/
• DeepSeek Harness GitHub：https://github.com/deepseek-ai/deepseek-harness
• Cordis 论文：A Programming Paradigm for Spatiotemporal Composability：https://github.com/cordiverse/paper/blob/main/paper.pdf

文章来自于"Zilliz"，作者 "张晨"。