技能触发评测 renjianguojinqianfan/dsh-skill-eval

dsh-skill-eval

CI

DeepSeek Harness（DSH）技能触发评测插件。

用 LLM judge 逐字复现 DSH 的技能 catalog 提示词，对每条测试查询判断目标技能是否应被触发，输出准确率、精确率、召回率、误报/漏报率与混淆矩阵——可复现地衡量技能描述的路由质量（以及过触发/欠触发程度）。

安装

在仓库根目录执行：

dsh plugin --profile web add ./dsh-skill-eval

然后在 profile / overlay 的 cordis.patch.yml 里配置 judge 模型路由：

- id: skill-eval
config:
provider:
model:

provider 必须已在 DSH LLM 运行时注册（与你 profile 对话用的同一套）。插件启动时校验路由，provider 未注册会告警。

用法

Slash 命令：

/skill-eval [test-file]

模型可调用工具：

run_skill_eval(skill_name="", test_file="examples/dsh-plugin-eval.json")

test-file 可选，默认取插件包内 examples/dsh-plugin-eval.json；相对路径相对插件包目录解析。

测试用例格式

JSON 数组，元素为 { query, should_trigger }：

[
{ "query": "add a tool to the harness that persists across restarts", "should_trigger": true },
{ "query": "help me write a Python script for this CSV", "should_trigger": false }
]

category 可选，为后续扩展预留。

工作原理

1. 枚举会话中模型可调用的技能（ctx.skills.snapshot）。
2. 逐字复现官方 catalog 消息（ + + 归一化/截断/转义的描述）。
3. 对每条查询让 judge 模型判断目标技能是否应触发，强制一行 YES/NO 回答。
4. 与期望标签比对并聚合指标。

评测衡量的是 judge 模型视角下该技能描述的路由准确率。可通过配置更换 provider/model 测试不同 judge。

开发与测试

npm run check # 全部 JS 语法检查
npm test # node:test（含 catalog 官方保真比对与 mock ctx 行为测试）
npm run smoke # 51 条纯函数冒烟
npm pack --dry-run # 发布包清单检查
bash scripts/mount-smoke.sh # scratch DSH 真实挂载冒烟

catalog 保真 fixture 固化了 dsh-tool-skill@0.1.0-rc.6 的官方模板。升级 DSH 版本后，用本机官方包源码刷新 fixture 并 review diff：

node scripts/refresh-catalog-fixture.mjs

文件

- index.js — 插件入口：注册 run_skill_eval 工具与 /skill-eval 命令。
- runner.js — catalog 复现、judge LLM 调用、判定解析。
- catalog.js — 纯函数：catalog 消息渲染与判定解析。
- llm-helpers.js — 零依赖的 BlockAssembler、createUserMessage、deepFreeze（逐字复现官方 dsh-llm 模式）。
- parser.js — 测试用例 JSON 加载与校验。
- metrics.js — 混淆矩阵、指标与 markdown 报告格式化。
- examples/ — 默认测试用例。