dsh-trajectory-teacher：將 AI Agent 執行軌跡轉爲復盤報告

在 DeepSeek Harness (DSH) 中，AI Agent 的執行軌跡會被記錄，但原始日誌通常包含大量噪音，且缺乏結構化的可讀性。開發者很難快速回顧決策點或從錯誤中學習。dsh-trajectory-teacher 插件解決這一問題，將原始軌跡自動轉換成一份結構化的復盤報告。

該插件由 XiaoMoDern 維護，歸類於工作流類插件，使用 MIT 許可證。

安裝與啓用¶

安裝插件需要使用 DSH 插件命令。

dsh plugin add dsh-trajectory-teacher

安裝後必須重啓 DSH，插件纔會自動掛載。

使用方法¶

使用時，先在對話中完成一輪任務。然後，輸入指令以觸發復盤。

/trajectory-teacher

插件會分析當前會話的完整軌跡，返回一份 Markdown 格式的復盤報告。復盤是手動觸發的，以控制 LLM Token 成本。

核心功能¶

該插件提供以下核心功能：

• 將 Agent 執行軌跡自動轉成復盤報告。
• 提取關鍵事件，包括決策點、踩的坑以及可複用做法。
• 自動脫敏，處理軌跡中可能出現的 API Key 明文。
• 過濾噪音，僅保留關鍵事件。
• 支持自定義模型配置。
• 默認關閉 thinking 以控制成本。

可選配置¶

默認複用當前會話正在用的模型來生成復盤。若要指定，在 cordis.patch.yml 中覆蓋。

- id: trajectory-teacher
  config:
    provider: deepseek-official
    model: deepseek-v4-flash

復盤分析已默認關掉 thinking（reasoningEffort: 'off'）——提取+總結不需要深度推理，更快更便宜、輸出更穩定。

工作原理¶

處理流程如下：

1. 提取：從 session.events（內存事件流）開始。過濾噪音（丟棄 token 級 chunk），提取關鍵事件（tool/call、assistant/message、turn/*、approval/* 等），進行摘要化並脫敏。
2. 分析：調用 LLM，產出結構化 JSON（包含決策點 / 坑 / 可複用做法）。
3. 渲染：套模板生成 markdown。

• 噪音過濾：一次流式回覆會產生幾百個 token 級 chunk，全部丟棄，只保留關鍵事件。
• 脫敏：軌跡裏可能混入 API key 明文，報告輸出前自動打碼（sk-***）。
• 成本控制：手動觸發（不自動跑）、只喂關鍵事件摘要（有長度上限）、關 thinking、用便宜模型。

項目結構¶

項目主要包含以下文件：

• index.ts：插件入口，註冊 /trajectory-teacher 命令。
• cordis.patch.yml：bundle 的 patch 層。
• lib/parse.ts：zstd 解壓 + 事件流解析。
• lib/extract.ts：過濾噪音 + 提取關鍵事件 + 摘要 + 脫敏。
• lib/analyze.ts：調 LLM 產出結構化復盤。
• lib/render.ts：JSON 到 markdown。

開發調試¶

本地調試（從源碼掛載到 DSH）：

cd <deepseek-harness 源碼根目錄>
pnpm dsh web --patch <本倉庫>/dev/cordis.patch.yml --port 0

運行測試與構建：

npm test
npm run build

注意事項¶

復盤要燒 LLM token，需要手動觸發。安裝後需重啓 DSH。輸出前自動打碼 API Key。確保在安裝前檢查源碼與許可證。