会话回溯评测 kittimzhe/dsh-session-eval

dsh-session-eval

DeepSeek Harness 会话的回溯式评测：对已经发生的会话做确定性等级评定，跨会话回归对比，回答"换了插件 / prompt / 模型之后，我的 agent 是变好了还是变差了？"

不需要编写基准测试集，没有 LLM 裁判，不需要跑新任务。所有等级 = 持久化会话日志上的固定公开阈值——完全可复现。

安装

dsh plugin --profile web add dsh-session-eval

试一次

在 DeepSeek Harness 里：

/eval

Session eval — a1b2c3d4… (dsh-session-eval v0.2.1) Overall: A Reliability A 2/87 tool results errored (2.3%) Re-ask A 1 re-ask signal(s) over 23 turns (0.4/10 turns) Tool load B 3.8 tool calls per turn Notes:
• Wall time 41.2 min over 23 turns.

会话工具链的评测层

| 插件 | 层 | 回答的问题 |
| dsh-session-export | 证据层 | "这个会话到底发生了什么？" |
| dsh-session-recall | 记忆层 | "我以前做过什么，在哪？" |
| dsh-session-eval | 评测层 | "刚才的会话好不好？趋势在变好吗？" |

三者都通过同一个可信的 ctx.sessionQuery 缝读取，JSONL / SQLite 等任何持久化后端均可使用。

贡献

- 本地开发：npm ci && npm run typecheck && npm test && npm run bundle（Node 20 或 22）。
- 源码入口：src/grade.ts（阈值与等级卡）、src/metrics.ts（指标提取）、src/trend.ts（/eval-history 趋势逻辑）。源码地图与第一次 PR 建议见 CONTRIBUTING.md。
- 当前缺口：阈值可配置、/eval-history 过滤条件扩展、趋势导出——见 good first issue 标签的 issue。
- 规矩：行为变更必须带测试；文档必须 README.md 与 README.zh.md 同步改；版本发布由维护者执行。详见 CONTRIBUTING.md。

与基准式评测（dsh-eval）的区别

| | dsh-eval（基准） | dsh-session-eval（本插件） |
| 评什么 | 预先发起的运行 | 已经发生的会话 |
| 准备 | 编写基准 YAML + 用例 | 零——直接读存量日志 |
| 裁判 | 跨 trial 的指标折叠 | 固定阈值，确定性 |
| 擅长 | 上线前基准 | 真实工作的回归追踪 |

两者互补而非竞争：基准测你预测到的场景，回溯评测看实际发生的工作。

命令

| 命令 | 效果 |
| /eval | 当前会话等级卡 |
| /eval --id <会话ID> | 指定会话 |
| /eval --json | 机器可读指标 + 等级卡 |
| /eval-diff <前ID> <后ID> | 回归对比（带噪声带） |
| /eval-diff … --json | 机器可读趋势报告 |
| /eval-history [N] | 本工作区最近 N 个会话成绩单 + 首末趋势 |
| /eval-history … --json | 机器可读历史报告 |

/eval-history 通过与 /archive 相同的 sessionQuery 接缝自动找到会话（按当前工作区 cwd 过滤），逐个评级，并把首尾两个会话做趋势对比——不用再手动挑 id。已经知道两个关键 id 时用 /eval-diff。

典型用法：换插件或 prompt 前后各评十个会话；Reliability 持续回归 = 改动伤害了真实工作的早期预警。

维度与阈值（确定性，无裁判）

| 维度 | 指标 | A | B | C | D | E |
| Reliability | 工具错误率 | ≤5% | ≤10% | ≤20% | ≤35% | >35% |
| Re-ask | 每 10 轮纠正信号¹ | 0 | <1 | <2 | <4 | ≥4 |
| Tool load | 每轮工具调用 | 0.5–8 | 0.1–0.5 | <0.1 或 8–20 | >20 | — |

¹ 纠正信号 = 连续用户消息中多出的那条（agent 还没回复用户就重问）——"第一次没做对"的行为学代理指标。

总评 = 最差维度（保守设计）。阈值是 src/grade.ts 中的常量；可配置化在路线图上（见 issue）。

Diff 判定带噪声带（错误率 ±2pp、Re-ask ±0.5、工具负载 ±1），微小抖动不会误报回归。

确定性保证

同样的日志进 → 同样的等级出。没有模型在环、没有采样、指标不含时钟依赖（wall time 只报告不评级）。这是 /eval-diff 能作为回归信号被信任的原因。

许可

MIT