请求面重放台 tbxy09/dsh-replay-lab

DSH Replay Lab（ReplayLab）

DSH Replay Lab - DeepSeek Harness 请求面重放与 A/B 实验插件：冻结 turn、隔离候选 session、对比 Request Surface/轨迹/成本

回放请求面，而不只是提示词。

dsh-replay-lab 是一个 DeepSeek Harness 插件，可使用不同 preset 或 plugin 重新运行已完成的 Agent turn，并比较它们的请求面、轨迹、成本、错误和结果。

它适合复现和调试冗长的 Agent 轨迹、重复工具调用循环、无进展 turn，以及由 preset 或 plugin 差异引发的回归。

冻结一个已完成的 DeepSeek Harness turn，明确批准一个隔离候选项，然后比较结果、轨迹、错误、成本，以及产生这些行为的请求面。源 session 和源 workspace 永远不会被重写或回滚；候选文件变更会在运行后恢复到 replay checkpoint，同时保留持久 session 事件与对比证据。

安装 · 验证 · 安全 · DeepSeek Harness

MIT license
DeepSeek Harness plugin

沙箱证据仪表盘

打开一次已保留的 replay，选中 prompt preset 或自己写任意 prompt，再点 Send。
模型返回的 HTML 进入 opaque-origin iframe；所有数字都由 host 从 replay payload 注入。Preset 只是起点：雷达、callout、diff、表格，或 payload 能支撑的任何图都可以要。
非法 HTML 会回退到 host 图表。

动图包含 Send、Prompt in flight 预检层，然后重绘（Execution delta → Request surface diff）。

Send、Prompt in flight 预检层，然后沙箱重绘

不限于 preset。 本 session（Generate table UI → Replay → Turn 1 · Minimal）没有要图表，而是要一张 Metric / Baseline / Candidate / Delta 对照表。iframe 用 host 注入的数字渲染，并高亮最大绝对值 delta。

本 session Replay 沙箱生成的自由表格 UI

自定义编号胶囊迷宫。 同一块 Replay 表面，不点 preset：Send 双泳道播放头 prompt，经过 Prompt in flight，然后循环播放胶囊（baseline 蓝 / candidate 金，从左 clip-fill；步数、工具次数、时长来自 host 注入的 stepCount / toolCalls / durationMs）。迷宫不是 Replay 预期的证据视图。预期视图是下面的 preset （overlay、deltas、request surface、execution scorecard、带引用的句子），或 host 注入数字的对照表。这张动图只说明任意自定义 prompt 仍能 Send 进沙箱。

自定义 prompt、Prompt in flight，然后编号胶囊播放头迷宫

| Preset | Send 后重绘什么 |
| Overlay all runs | 每个保留 run 一条序列 |
| Focus selected | 围绕 Saved-runs 选中项 vs baseline 排版 |
| Metric deltas | 最大绝对值 delta，不发明原因 |
| Request surface diff | Route、phase、tools、hash |
| Execution delta | Scorecard 的 baseline / candidate / delta |
| Summarize as sentence | 一句带引用的中文，不是图表 |

Request surface diff — route 同为 deepseek-official / deepseek-v4-flash； phase、system hash 和工具列表仍不同。

沙箱 iframe 中的 Request Surface 对比

为什么选择 Execution delta？ 这次 Standard replay 相对 observed baseline： fresh input +132、cache-read +9,344、耗时 +1.3 s、工具调用多 1 次。这些是执行指标，不是能力评分。

保留的 Standard replay 的 Execution delta 仪表盘

Replay 证据：每张图只说明一个功能

1. Workspace 隔离与持久运行

Workspace drift 和保留的隔离 replay 状态

Source 从 turn 开始前的 S0 继续演进且没有被回滚；隔离 candidate 的运行与证据会保留。

2. Baseline 与 candidate 运行指标

Observed baseline 与隔离 candidate 的执行指标

3. Request Surface 差异

Observed baseline 与隔离 candidate 的 Request Surface 差异

Provider/model、请求阶段和持久 request hash 与执行成本分开比较。

4. Candidate 减 baseline 的执行差异

Candidate 减 baseline 的 token、耗时、step 和工具调用差异

Token、耗时、step 和工具调用只描述已观测活动，不代表结果质量。

5. 已生成的证据 narrative

已生成的证据 narrative 和引用的持久事实

Narrative 来自一次显式触发的直接 model-runtime 调用，不会启动 Agent。引用的 evidence IDs 和 raw evidence 会随持久 run 保留；它不是跨 Agent 或跨 session 共享的长期 memory。

为什么需要 Replay Lab

问：最初观察到的问题是什么？

V4 Pro 在不同的 harness 请求面下，可能表现出明显不同的推理方式和执行轨迹。

在一些已观测的运行中，推理呈现被动响应、逐步探索的模式：

Let me check...
Let me try...
Let me inspect another file...

另一些运行则呈现更偏向共同规划的模式：

We need to locate...
We should verify...
We can test this assumption...

这些短语可以用来描述已观察到的轨迹，但它们不是能力评分。we 不能证明一次运行更聪明，let me 也不能证明模型发生了退化。

真正重要的观察更为有限：使用相同产品标签的模型，在外围 harness 构造出不同请求时，可能走出明显不同的执行路径。

问：我们知道究竟是哪个变量造成了差异吗？

不知道。现有观察尚未隔离出一个普遍成立的单一原因。

Harness 可能同时改变多个变量：

- system prompt 和 persona；
- 模型能够看到哪些工具 schema；
- 这些 schema 的描述有多冗长；
- skills、仓库指令和运行时上下文；
- 会话历史和工具调用历史；
- reasoning 配置和输出 token 预算；
- provider 请求的组装方式。

Persona 可能有影响，工具暴露方式也可能有影响；二者的交互同样可能有影响。Token 预算或注入的 skills 也可能改变轨迹。不同任务、语言、模型变体和样本量会带来更多不确定性。

因此，更有用的工作假设并不只是“prompt 变了”或“模型变了”，而是：

观察到的 Agent 行为由 Model × Harness 的组合共同产生。

Replay Lab 的目的，是研究这个组合，而不是假装一次比较已经证明了因果机制。

问：xiaobright/modeltest 发现了什么？

xiaobright/modeltest 比较了 V4 Pro 在不同 harness 配置下的表现，并报告了特定任务中的轨迹风格和结果差异。这项工作帮助人们把对模型行为的非正式抱怨，转化为一个可以测试的 harness 问题。

它也揭示了 DSH 中一个实际的权衡：

| 方案 | 请求面策略 | 权衡 |
| Minimal | 以较小的 persona 和工具面开始 | 缩小首个请求的请求面，但也缺少更广泛的 DSH 能力 |
| Standard | 一开始就暴露更完整的 DSH 请求面 | 保留完整能力集，但部分已观测运行更长或更偏探索 |
| Anchored Standard | 先使用类似 Minimal 的请求面，再恢复更广泛的能力 | 保留分阶段暴露假设，但引入 promotion 时机及其他实现变量 |

随后出现的 Anchored Standard preset 是一个两阶段社区 workaround：它先使用较窄的 bootstrap 请求，随后把 Agent promote 到更广泛的能力面。

Anchored Standard 是重要的动机证据，也是 Replay Lab 中一个有用的候选项。但它不能证明分阶段暴露总能改善 V4 Pro，不能证明 Standard 普遍更差，也不能证明某个特定工具或 persona 造成了报告中的差异。

这些比较仍然保留了重要的混杂变量，包括 maxTokens、skill 目录注入、persona、 schema 冗长度、任务选择、较小样本量，以及没有呈现相同结果模式的 V4 Flash 结果。

问：什么是 Request Surface（请求面）？

先从工具和 preset 退后一步，问一个最简单的问题：

模型的行为到底由什么决定？

我们很容易把一次 Agent 请求想象成：

用户 prompt → 模型 → 输出

实际请求更接近：

用户 prompt
+ system prompt 和 persona
+ 模型可见的工具 schema
+ 会话历史和工具调用历史
+ reasoning 配置
+ token 预算
+ preset 或 plugin 注入的 skills 与运行时上下文 ──────────────────────────────────────────────── = Request Surface（请求面） ↓ 模型 ↓ 执行轨迹与输出

Request Surface（请求面）是模型开始生成前实际收到的全部输入。

用户 prompt 只是请求面的一部分，而不是请求面的全部。

问：preset、plugin 和 configuration 会怎样影响请求面？

Preset 会组装一套 Agent 配置，例如 persona、工具和运行时行为。Plugin 可以添加工具、上下文或请求 hook。Configuration 负责选择和参数化这些组件，包括模型设置和预算。

因此，更换 preset 或 plugin 可能形成这样的链条：

更换 preset 或 plugin → persona、工具、上下文、历史或预算可能发生变化 → 实际生效的 Request Surface 发生变化 → 模型可能进入不同的执行轨迹 → 只检查用户 prompt，可能会得到不完整的诊断

这就是为什么 Minimal、Standard 或 Anchored Standard 这样的 preset 名称不足以构成实验性证据。名称描述的是预期配置；实际请求证据描述的则是发往 provider 的请求中真正出现了什么。

问：为什么普通的前后对比很困难？

两个独立创建的 session，差异可能不只在被测试的 preset。Prompt 可能有细微变化， workspace 可能已经继续演进，注入的上下文可能不同，provider 设置和 token 预算也可能已经不再一致。

如果缺少共同的 case 和 provenance 边界，对比通常会变成：

更换 preset → 行为发生变化 → 检查两个关联边界松散的 session → 猜测究竟是哪项差异产生了影响

这种比较可以产生有价值的假设，但不足以支撑强因果主张。

问：Replay Lab 实际 replay 的是什么？

Replay Lab 从一个真实、已完成的 DSH turn 开始。这个已完成的源 turn 成为已观测 baseline；Replay Lab 不会再次执行 baseline。

对于一次经过批准的实验，它会：

选择一个已完成的 DSH turn → 冻结 replay case 和 provenance → 若存在，则使用 turn 开始时捕获的 workspace checkpoint → 选择一个 preset 或 Agent-scoped plugin 候选项 → 要求明确批准 → 创建一个隔离的候选 session → 在隔离 workspace 副本中重新执行该 turn 的 prompt → 在终态边界把候选文件恢复到 checkpoint → 记录候选项实际生效的请求证据和执行指标 → 将候选项与已观测 baseline 进行比较

这是对同一个已完成任务/turn 的一次新候选执行，而不是播放此前记录的文本。

问：这里的“freeze（冻结）”是什么意思？

Freeze 并不意味着 Replay Lab 会存储并重新发送旧 provider 请求的逐字节副本。

它意味着 Replay Lab 会创建一个稳定的 replay case，其中包含所选 turn 的身份、 prompt 及其 hash、provider、model、reasoning 设置、maxTokens、已观测 preset 标签、system 和 tool-schema 指纹、baseline 证据、源 workspace 路径，以及冻结时的 workspace hash。

对于插件实时观察到的 turn，Replay Lab 会尝试在 turn/start 捕获 workspace，包括 dirty 和 untracked 文件。Git 源使用内部 commit/tree 和 detached worktree；非 Git 源使用彼此分离的文件快照，不会自动执行 git init。候选项从该 checkpoint 物化。如果历史 turn-start checkpoint 不可用，当前实现会退回为源 workspace 当前状态创建隔离 checkpoint，并记录 capture provenance；这种运行属于 post-turn-state rerun，而不是严格的 S0 replay。

这个措辞很重要：Replay Lab 冻结的是 case 和 provenance，随后记录并比较已观测的请求面证据。它不会声称把完整的旧 Request Surface 冻结成一个可重复使用的 payload。

问：为什么需要明确批准和隔离 workspace？

规划候选项本身是只读操作。明确批准是一条授权边界：它允许一个已选择的候选实验调用模型，并执行该候选项可用的工具。

候选项在经过验证的 workspace 副本中运行，而不会重写源 session，也不会直接在源 workspace 中执行。路径包含性保护会把候选项和 subagent 的结构化文件操作限制在该副本内。成功、失败或 abort 都会保留持久 session 证据，并把候选文件恢复到 checkpoint。源 workspace 永远不会成为 rollback 或 cleanup 目标。

同一个源 turn 可以保留多个实验，但每次批准只授权一次候选运行。

问：Replay Lab 会比较哪些证据？

Replay Lab 把已完成的源 turn 保留为独立观测的 baseline 证据。对于候选项，它会从持久化的 request/header 事件中恢复发往 provider 的请求证据，包括：

- provider、model、reasoning 设置，以及存在时的 maxTokens；
- 请求阶段；
- system prompt 指纹；
- tool schema 指纹；
- 模型可见的工具名称；
- workspace 的来源、执行位置和 drift provenance。

当 baseline 和候选项都包含完整且相互独立的运行证据时，Replay Lab 会为以下指标生成 baseline/candidate/delta 评分卡：

- fresh input tokens；
- output tokens；
- cache-read tokens；
- 耗时；
- step 数量；
- 工具调用数量。

评分卡衡量的是记录到的执行特征。它不是智能评分，不是正确性 evaluator，目前也不是货币成本计算器。

问：Replay Lab 能得出什么结论？

Replay Lab 可以展示：

- 哪个已完成 turn 被用作 baseline；
- 运行了哪个候选 preset 或 plugin；
- 源 workspace 是否发生 drift；
- 记录到了哪些实际生效的候选请求证据；
- 独立记录的执行指标发生了怎样的变化；
- 证据是否不完整，而不是静默填补缺口。

Replay Lab 无法通过一次 rerun 证明：

- 是哪个单独的请求面变量造成了差异；
- we 或 let me 等措辞能够衡量能力；
- V4 Pro 在 Standard 下会普遍退化；
- Minimal 或 Anchored Standard 会普遍提升智能；
- 一个任务的结果能够泛化到其他模型、语言、provider 或 harness；
- 模型的私有内部路由或训练机制如何运作。

目标不是把一个 workaround 变成普遍理论，而是让 Model × Harness 比较变得更窄、可重复、具备 provenance，并诚实说明现有证据究竟能够证明什么。

功能

已完成的 DSH turn → 冻结已记录的请求面和 workspace fixture → 选择 Standard / Minimal / Anchored / plugin 候选项 → 人工明确批准 → checkpoint → 运行一个隔离的候选 session → 恢复候选文件 → 比较结果、steps、工具调用、tokens、错误和请求面差异

- 在每个 session 的 Conversation 和 Trajectory 旁增加一个 Replay 标签页。
- 使用持久化 session projection 构建行，而不是依赖分页聊天节点。
- 冻结 prompt、workspace hash、model、reasoning、max tokens、preset/plugin 请求面、 system hash 和 tool-schema hash。
- host event 到达时捕获实时 turn-start workspace 状态；保持已观测的源 turn 不变，只有候选项会执行。
- 在经过验证的 workspace 副本中运行候选项，并使用路径包含性保护；源 session 和源 workspace 永远不会被重写或回滚。
- 在终态边界恢复候选文件，同时保留持久事件、checkpoint hash、provenance 和对比证据。
- host 重启后恢复带 checkpoint 的持久候选 workspace；当源/候选边界不分离时拒绝 cleanup。
- 历史 turn-start checkpoint 不可用时，退回为带 provenance 标记的当前状态隔离 checkpoint；这不是严格的 S0 replay。
- 只使用独立记录的证据生成评分卡。
- 拒绝不受支持的 host-plane 变更和不完整变体。

Replay 证据

顶部的运行详情截图比较观察基线与每个已保存的回放运行。每项指标独立缩放，并保留精确记录值；步骤数和工具调用数描述执行活动，不代表结果质量。下面的截图展示语言信号在 session chat 的 thinking 行中实际出现的位置，而不是重新生成的计数标签。

Anchored Standard session chat：thinking 行中真实的 Let's 和 We 已被框出

Anchored Standard：实际出现的 let's 和 we。

Standard replay session chat：thinking 行中真实的 Let me 已被框出

Standard replay：实际出现的 let me。

这些短语是轨迹描述符，不是能力指标。

安装

需要 DeepSeek Harness 0.1.0-rc.6、Node.js 22.19+ 或 24+，以及 pnpm。
从 npm 安装固定版本 v0.1.5 的组织包：

dsh plugin --profile web add @webwalkerhq/dsh-replay-lab@0.1.5

也可以使用相同版本的不可变 GitHub 源码 tag：

dsh plugin --profile web add github:tbxy09/dsh-replay-lab#v0.1.5

安装后重启 Web profile：

dsh web

Bundle 会把 @webwalkerhq/dsh-replay-lab 挂载到 /replay-lab-dsh，并将其 client module 注入 Web profile。

启用 Anchored Standard

Anchored Standard 是 DSH preset，而不是 plugin package。请把它复制到 Replay Lab 使用的同一个 DSH_HOME 下；不要使用 dsh plugin add 安装。

git clone --depth 1 https://github.com/xiaobright/dsh-anchored-standard.git
dsh_home="${DSH_HOME:-$HOME/.dsh}"
mkdir -p "$dsh_home/.agent-presets"
test ! -e "$dsh_home/.agent-presets/anchored-standard"
cp -R dsh-anchored-standard/preset "$dsh_home/.agent-presets/anchored-standard"

完全重启 DSH，创建一个新的空白 session，然后选择 Anchored Standard (experimental)。不要把已经活跃的 session 从其他 preset 切换过来。当 anchored-standard 无法解析时，Replay Lab 会把 Anchored 候选项标记为不可用。

配置

安装后的 bundle 包含以下 baseline：

- insert:
- id: replay-lab-dsh
name: '@webwalkerhq/dsh-replay-lab'
config:
routeBase: /replay-lab-dsh
historyFixture: ./node_modules/@webwalkerhq/dsh-replay-lab/fixtures/history-turns.json
workspaceFixture: ./node_modules/@webwalkerhq/dsh-replay-lab/fixtures/workspace
stateFile: ./.tmp/state.json
artifactDirectory: ./.tmp/artifacts
provider: replay-lab-fake
fakeAdapter: false

在 0.1.x 中请保持 routeBase 为 /replay-lab-dsh。仅在确定性离线验证时设置 fakeAdapter: true；正常运行使用 profile 的 provider。

许可证

MIT