dsh-evolution-lab 怎么安装？

在已安装 dsh CLI 引擎的环境中，进入插件页复制安装命令一键执行即可；暂不能直接安装（需源码编译或环境不满足）：缺少 main/exports/bin 入口声明；要求 dsh 0.1.2-rc.1，而最新版为 0.2.1-rc.2；仓库 package.json 标记 private，未发布到 npm，需从源码安装。

dsh-evolution-lab 有中文文档吗？

已提供中文翻译 README（由 DeepSeek 最新模型翻译生成），本站可切换中英文对照阅读。

dsh-evolution-lab 还在维护吗？

GitHub 0 星。最近一次上游提交在 2026/9/8。

插件进化实验室 milimithrandir/dsh-evolution-lab

DeepSeek Harnessv0.3.1

milimithrandir57 天前有提交已提供中文文档扫描：含敏感能力

在 GitHub 查看 ↗

用可复现实验筛选更优插件配置并公开结果

29.1/100

综合分

GitHub 星标

—

npm 周下载

—/5

用户评分

数据截至 2026/9/16 · 周下载取自 npm 全网（含 CI / 镜像），非本站安装数；综合分由星标、活跃度与兼容性检查合成。

自动兼容检查未通过：缺少 main/exports/bin 入口声明；要求 dsh 0.1.2-rc.1，而最新版为 0.2.1-rc.2；仓库 package.json 标记 private，未发布到 npm，需从源码安装。以下命令仍可尝试，但可能失败。

安装命令 · 需先装 dsh CLI 引擎

dsh plugin --profile web add milimithrandir/dsh-evolution-lab

该包不可直接 npm 安装，改从 GitHub 源安装（明细见下方安装检查）

状态速览

判定依据：实装验证 · 静态安装检查 · 自动扫描 · 仓库维护状态

信任档位：需留意

是什么

dsh 原生插件 · tool

装得上吗

实装验证未通过（dependency_conflict），装前请到仓库确认最近更新与 issue

安全吗

本站尚未对该插件做风险分级

暂未覆盖，不等同于无风险

还在维护吗

更新放缓：最近一次提交在 57 天前

档位由哪些信号合成

本站实装验证（真实安装 L4 覆盖全站；L5 为运行时冒烟或实机截图，覆盖范围小于 L4） · 验证所用 dsh 版本 · 静态安装检查 · 风险分级 · 仓库维护状态。下方各区块是它的证据明细。

验证判据与等级说明 →

⚠︎ 实装验证未通过（dependency_conflict · 2026/9/25） ——可能是验证环境差异，装前建议到 GitHub 仓库确认最近更新与 issue。

社区实装还没有人打卡 · 装过的第一个就是你

安装兼容性检查需源码安装

缺少 main/exports/bin 入口声明；要求 dsh 0.1.2-rc.1，而最新版为 0.2.1-rc.2；仓库 package.json 标记 private，未发布到 npm，需从源码安装

展开查看检查明细 ↓

以下结论由程序自动检查 npm 包、engines 声明与入口文件得出，未做人工实机验证——能装不等于用着没问题。

✓npm 包dsh-evolution-lab @ 0.3.1

✓Node 引擎未声明 engines.node

✗dsh CLI 依赖要求 0.1.2-rc.1 · 最新 0.2.1-rc.2 不兼容

✗入口文件缺少入口声明

源码安装时若 pnpm 拦截 prepare 脚本，按其提示在 pnpm-workspace.yaml 的 allowBuilds 中放行后重跑。

验证方式：npm registry 存在性 + package.json 静态校验 · 最后检查 2026/10/20 06:18:54

安全扫描自动 · 静态分析源码

v2.7.0

🔵 扫描：含敏感能力尚无人工评估

展开查看扫描说明与证据 ↓

静态扫描发现插件具备触达本地系统的能力：执行外部命令、读写/删除本地文件、读取剪贴板或密钥类环境变量（至少其一）。这是能力清单，不是危险判定——具体能力项与证据见下方，安装前请自行判断是否需要。

读写/删除本地文件

查看扫描证据（共 9 处，展示前 9 条）

读取本地文件
containers/rag-corpus-loader.mjs:13
for (const entry of (await readdir(dir,{withFileTypes:true})).sort((a,b)=>a.name.localeCompare(b.name))) {
读取本地文件
containers/rag-corpus-loader.mjs:18
const content=await readFile(path,'utf8');
写入本地文件
containers/rag-corpus-loader.mjs:27
await writeFile('/session/corpus-import.json',JSON.stringify(record));
写入本地文件
containers/rag-network-audit.mjs:9
appendFileSync('/capture/network.jsonl',JSON.stringify(target)+'\n');
写入本地文件
containers/rag-preflight-driver.mjs:28
writeFileSync('/capture/service.json',JSON.stringify({passed:true,baseId:a.id,documentId:fresh.id,lexical:true,deleted_source_absent:true,base_filter:
读取本地文件
containers/sequence-driver.mjs:50
const prompts = JSON.parse(readFileSync(config.sequencePath, 'utf8'));
读取本地文件
plugins/concise-action/index.mjs:8
text: readFileSync(new URL('./guidance.txt', import.meta.url), 'utf8').trim()
读取本地文件
plugins/retrieval-use-evidence/index.mjs:7
text:readFileSync(new URL('./guidance.txt',import.meta.url),'utf8').trim()
读取本地文件
plugins/verify-first/index.mjs:8
text: readFileSync(new URL('./guidance.txt', import.meta.url), 'utf8').trim()

扫描于 2026/11/4（0 天前） · 范围全包扫描 · 来源 GitHub 仓库

静态扫描只反映源码中出现的调用，不构成安全背书；人工评估与自动扫描相互独立、互不覆盖。

依赖的 DSH / Cordis 模块

@deepseek-ai/dsh

给这个插件打分还没有人投票↓

用户评分

还没有人投票，来当第一个

广告精选好物

飞利浦 TAH6519 主动降噪耳机 ¥299

头戴式无线 anc 主动降噪，蓝牙连接，久戴舒适向。

·anc 主动降噪 · 头戴式无线
·价格与库存以商品页实时为准

去淘宝看看→

广告MCP 兼容手册

装完插件，给 AI 接上 MCP

Cursor、Claude Code、VS Code 逐个核对：能不能装、配置怎么写、装不上是什么原因。

·按客户端逐格核对
·结论标注依据与风险等级

查 MCP 兼容性→

功能亮点

可复现实验筛选配置
预算可控实验
社区贡献公开结果

通过可复现、预算可控的实验和社区贡献，开放研究更好的 DeepSeek Harness 插件与配置。

README

由 DeepSeek 最新模型翻译生成

DSH 进化实验室免费检查许可证：MIT 一个开放研究实验室，通过可复现的实验寻找更好的 DeepSeek Harness 配置。从官方默认插件和最便宜的已验证 DeepSeek 文本模型开始。诊断失败，测试一个小改动，测量其准确率、成本和速度，只有在证据站得住脚时才保留它。我希望参与 DSH 插件生态系统并为其持续演进做出贡献：有用的插件、更好的基准测试、独立复现以及诚实的负面结果。这个仓库是我的工作实验室和研究笔记，在 AI 辅助下开发。欢迎对方法论提出贡献和挑战。当前结果：没有任何插件获得晋升。默认 DSH 仍是现任者。这是早期研究，并非声称已构建出最智能的 harness。我们试图发现什么？哪种模型加 harness 的配置对于指定的工作负载、成本限制和延迟目标表现最佳？我们能否在不针对用于开发它的任务过拟合的情况下反复改进它？插件何时比更简单的配置更改更好——或者比给默认 agent 相同的额外推理预算更好？其雄心是覆盖编码、推理、调查和会话恢复的广泛能力。目前的测量覆盖带有本地证据的小型自编测试夹具。真实仓库基准测试、实时研究和真正的多会话记忆评估仍需努力。

展开完整文档（README 剩余 1 节）

DSH 进化实验室

免费检查许可证：MIT

一个开放研究实验室，通过可复现的实验寻找更好的 DeepSeek Harness 配置。 从官方默认插件和最便宜的已验证 DeepSeek 文本模型开始。诊断失败，测试一个小改动，测量其准确率、成本和速度，只有在证据站得住脚时才保留它。

我希望参与 DSH 插件生态系统并为其持续演进做出贡献：有用的插件、更好的基准测试、独立复现以及诚实的负面结果。这个仓库是我的工作实验室和研究笔记，在 AI 辅助下开发。欢迎对方法论提出贡献和挑战。

当前结果：没有任何插件获得晋升。默认 DSH 仍是现任者。
这是早期研究，并非声称已构建出最智能的 harness。

我们试图发现什么？

哪种模型加 harness 的配置对于指定的工作负载、成本限制和延迟目标表现最佳？我们能否在不针对用于开发它的任务过拟合的情况下反复改进它？插件何时比更简单的配置更改更好——或者比给默认 agent 相同的额外推理预算更好？

其雄心是覆盖编码、推理、调查和会话恢复的广泛能力。目前的测量覆盖带有本地证据的小型自编测试夹具。真实仓库基准测试、实时研究和真正的多会话记忆评估仍需努力。

研究循环

flowchart LR
A[Shipped default] --> H[Calibrate difficulty on development tasks]
H --> B[Audit failures and costs]
B --> C[One structural or guidance change]
C --> D[Free checks and cheap screening]
D --> E[Paired development tests]
E --> F[Fresh confirmation and replication]
F --> G[Keep, replace or remove components]
G --> A

- 在扩展实验之前，要求默认准确率在一个单独的、经过审计的开发集上总体以及每个声称的领域都低于 50%。遵循基线校准门；CLI 不会强制执行它。
- 让观察到的失败驱动候选方案的开发。
- 允许添加、移除和替换。更多插件并不天然更好。
- 将结构性更改与指导性更改分开；在合并前测试交互作用。
- 保留有用的准确率/成本/速度权衡，并带有不确定性，而不是宣布一个无条件的单一赢家。在配置文件之间进行路由也需要自己的测试。
- 将 agent 的自我反馈视为需要对照轨迹进行检查的主张，而不是因为模型说了它就变成真的解释。
- 保留失败的运行和验证器的错误。在确认之前冻结候选方案。

参见实验协议、研究全景和路线图。HarnessCompass、HarnessLens 以及对 harness 演进的批评为这些问题提供了参考；本仓库并不声称复现了它们的结果。

九月的对外 MBPP/BBH/HotpotQA 测试套件还暴露了一个天花板问题：默认设置在全部 75 次编码尝试和全部 75 次推理尝试中均通过（每个领域 25 个任务重复三次）。这些结果来自一个有限的测试套件，是观察结果，而非广泛的能力判定。保留简单任务用于回归检查；未来的主评估必须先在独立的开发数据上通过难度校准。

已实现的内容

| 组件 | 状态 |
| 真实的 DSH 无头运行时、固定依赖和原生插件补丁 | 可用 |
| Docker 隔离和按量计费的仅限 DeepSeek 网关 | 可用 |
| 持久化的全局、活动、运行和请求次数限制 | 可用；基于固定价格的估算，并非账户范围的计费保证 |
| 配对随机实验和精确评分器 | 可用；验证器更正会被记录 |
| 独立的编辑清单、静态任务标记 lint 和冻结的引导适配器 | 可用；仍需进行语义审查 |
| 有界的盲测/事后反馈包和引文锚点检查 | 准备工作可用；反馈收集和因果审查尚未自动化 |
| 组合分析和保守的晋升审计 | 可用；无自动晋升 |
| 自主持续插件发明、独立留出服务、生态系统排行榜 | 未实现 |

本地候选方案为 verify-first 和 core-tools。其他分支会更改已发布的 PTC/剪枝设置或思考投入。模型设置的更改与插件收益分开报告。

初步证据——2026 年 9 月 7 日

公开的证据档案包含五个付费开发活动、84 次尝试的任务运行、逐次调用记账、报告、验证器勘误、可获取时的源快照，以及生成的工作区产物。

| 实验 | 观察结果 | 解读 |
| 12 任务诊断筛选 | 默认、关闭思考和 verify-first：12/12；PTC：11/12 | 范围狭窄、得分触及天花板的筛选；无晋升 |
| 减少工具暴露 | 首个主请求约 41KB → 19KB；26 → 6 个 schema | 更少的输入并未转化为可比的账单节省，因为缓存和输出成本也很重要 |
| 最终更正契约冒烟测试，3 个任务 | 默认：3/3；低思考和禁用思考：各 2/3 | 两种更便宜的设置都触及了修复响应限制；样本量太小，无法得出一般性结论 |

实验室还发现了自身的评分器错误：数值相等判断和未充分指定的 JSON 输出格式。原始结果仍然可用，并附有明确的勘误。
当前套件是 diagnostic-v2 和 transfer-v3。公开生成的种子划分并非秘密的、独立管理的留出集。绝不要在没有合理比较设计的情况下，将不同套件版本合并到同一个排行榜中。

运行免费检查

需要 Python 3.9+；此处不需要 API 密钥、Docker 或付费生成。

git clone https://github.com/Milbaxter/dsh-evolution-lab.git
cd dsh-evolution-lab
python3 -m unittest discover -s tests -v

运行实际的测试框架

初始主机是一台 8GB 的 Apple 芯片 Mac，使用 Colima，配置为 2 个 CPU/2GB RAM。
对于已安装 Colima 和 Docker CLI 的 macOS：

colima start --profile deepseek-lab --cpu 2 --memory 2 --disk 16 --vm-type vz --mount-type virtiofs
export DSH_LAB_DOCKER_CONTEXT=colima-deepseek-lab
docker --context "$DSH_LAB_DOCKER_CONTEXT" build -f containers/Dockerfile.agent -t deepseek-lab-agent:0.1 .
docker --context "$DSH_LAB_DOCKER_CONTEXT" build -f containers/Dockerfile.gateway -t deepseek-lab-gateway:0.1 .
docker --context "$DSH_LAB_DOCKER_CONTEXT" pull python:3.12-slim
python3 scripts/check_graders.py
python3 -m lab.run --mock --suite transfer --variants default core-tools

对于 Linux 上现有的 Docker Engine，请设置 DSH_LAB_DOCKER_CONTEXT=default，并对相同的构建命令使用该上下文。此可移植性选项已包含在内；最初的付费证据是在 Mac 上收集的，并未跨平台验证。
模拟运行会启动真实的测试框架，但返回固定响应：其任务分数不是模型性能证据。

在免费检查之后，若要进行有意的小规模付费运行：

python3 scripts/set_key.py # hidden input; stores the key outside this repo
python3 scripts/check_balance.py # free credit lookup
python3 -m lab.run --stage smoke --suite transfer --variants default verify-first --campaign-cap 0.12

当前共享响应限制：每次模型调用 16,384 个输出 token，包括推理内容。
维护者选择了此预算；早期报告使用了 4,096，并且必须保留其原始标签。

模型和资费快照：deepseek-v4-flash，检查于 2026-09-07。恢复时请核实官方定价；网关会拒绝超过七天的价格。初始累计实验室上限为 20 美元。充值绝不会重置账本，也不会悄悄提高该上限。
每个辅助请求和重试都必须通过同一个网关。

将 state/、logs/、reports/ 和凭据保留在本地。公开证据归档是经过审查的导出，并不是盲目提交未来原始会话的理由。在 Mac VM 上，当网关运行时，从 Linux 通过 lab.run.live_accounting 访问实时 SQLite 记账。
在进行任何更大规模的活动之前，请参阅协议。

加入这项工作

打开一个 issue 或一个 discussion，或者发送一个 pull request。最有用的早期贡献是：
- 带有强大且独立检查的评分器的外部任务包。
- 我们的基线和负面结果的可复现。
- 与特定观察到的失败相关联的候选方案，并附有预测成本和风险。
- 真正的重启/内存场景、匹配预算的对照组，以及更好的归因。
- 与现有 DSH 评估项目的互操作性，而不是重复的基础设施。

阅读 CONTRIBUTING.md。社区结果应说明它击败了什么、在哪些任务上、在哪些约束下，以及具有何种不确定性。目标是朝着更好的测试框架共同进步——而不是让某个偏好的插件通过设计获胜。

MIT 许可；第三方声明见 NOTICE.md。