前言¶

在 DeepSeek Harness (DSH) 的开发实践中，直接使用大模型处理所有任务成本高昂，而完全依赖小模型又难以保证输出质量。dsh-cortex 插件通过引入“主模型作为 Supervisor，子 Agent 或小模型作为 Executor”的架构，解决这一矛盾。它利用强模型进行规划、拆解和验收，将执行任务分配给低成本的子模型，从而在降本的同时保证任务质量。

是什么¶

dsh-cortex 是一个 DSH 工作流插件，旨在提供低成本、高质量的递归任务编排、模型评测与智能路由。它由 iguowz 维护，采用 MIT 许可证。

核心功能¶

该插件提供了从任务拆解到执行、评估与治理的一整套能力：

• 任务智能与递归拆解
  通过 cortex_start 和 cortex_decompose 实现任务的画像、策略匹配与递归拆解。系统支持 DAG 结构（depends_on），有安全限制：最大深度 6、总节点数 50、单节点子任务数 10、最大重规划次数 3。

• 动态路由与四级质量门控
  cortex_execute 负责动态路由，根据质量、成功率、风险与成本的综合效用评分选择模型。系统内置四级质量门控（Gate0-Gate3.5），Gate3.5 包含红队对抗测试，用于拦截高风险或高质量但存在缺陷的输出。

• 预算控制与价格覆盖
  引擎内置 4 个预算池（10/70/10/10），并支持 MQC 升级门控。通过 cortex_models 命令或 UI，可以设置模型的有效价格，优先级为：模型/官方 > 用户设置 > 默认值。

• 模型评估与注册表
  cortex_evaluate 提供 7 维度评分，支持动态能力注册与漂移监控。cortex_models 管理静态 YAML 配置与动态发现的模型，支持路由评分预览。

• 组织模式与治理
  cortex_start.organization_mode 开启组织模式，内置 8 种 Probe（需求、工程、测试、安全等），支持权限层级（P0-P4）与基于规则的治理，所有决策记录在 governance.jsonl 中。

• 恢复与修正
  cortex_recover 引擎支持基于失败分类的重试、切换、升级或人工介入。软缺陷修正功能允许在 max_delegations（默认 3）范围内原地修正。

• Web 控制台与自调优
  插件内置 Web 控制台（/cortex ui），提供趋势、矩阵、学习链等视图。自调优功能基于执行证据生成参数建议，需用户确认应用。

安装与依赖¶

目前资料中未提供直接的安装命令。该插件依赖 Node.js 版本 >= 20，并需要以下 peerDependencies：

@deepseek-ai/cordis (>= 4.0.1)
@deepseek-ai/dsh-subagent (>= 0.1.1-rc.2)
@deepseek-ai/dsh-llm (>= 0.1.1-rc.2)
@deepseek-ai/dsh-agent (>= 0.1.1-rc.2)
@deepseek-ai/dsh-client-runtime (>= 0.1.1-rc.2)

其中 dsh-llm 和 dsh-tools 为可选依赖。

典型用法¶

以下是该插件提供的核心工具调用示例：

# 启动任务，进行策略匹配与画像
cortex_start

# 递归拆解任务树
cortex_decompose

# 递归执行任务，支持自动调度与门控
cortex_execute recursive

# 执行任务（非递归模式或控制平面）
cortex_execute control

# 质量验收
cortex_review

# 恢复与重试
cortex_recover

# 模型评估
cortex_evaluate

# 查看模型注册表与价格
cortex_models

# 组织模式启动
cortex_start.organization_mode

# 生成 KPI 报告
cortex_report

适用场景与注意¶

该插件适用于需要在大模型规划能力与小模型执行效率之间做平衡的场景，特别是涉及复杂任务拆解、多模型路由选择和严格质量门控的项目。

注意：DeepSeek Harness 的社区目录（如 SkillHub）与 DeepSeek 或幻方无官方从属关系。使用插件前，建议检查源码与许可证，并确保已正确配置所需的 peerDependencies。

结尾¶

dsh-cortex 为 DSH 生态提供了一套完整的“Supervisor + Executor”编排方案，通过动态路由、质量门控与预算控制，帮助开发者实现降本提质。更多详情可查阅项目 GitHub 仓库。