DeepSeek Harness 雙模型自動路由插件：低成本直連與逃逸學習閉環

前言¶

DeepSeek Harness (DSH) 採用“一切皆插件”的架構理念。在開發智能體或應用時，開發者常面臨一個具體痛點：直接調用低成本的 Flash 模型速度快但質量不穩定，而調用高成本的 Pro 模型雖然質量高但成本昂貴。需要在成本與質量之間尋找平衡點。

這款插件由 lengquan88 維護，實現了雙模型自動路由。它支持 Flash 模型直連以降低成本，在必要時自動升級至 Pro 模型，並構建了“逃逸學習閉環”機制，防止錯誤答案被重複提交。

該插件提供以下核心能力：

六標準路由決策：根據輸入內容的長度、上下文、領域覆蓋率、規則衝突、置信度及新穎性，生成六個維度的標籤，輔助決策。
模型調用切換：在 dual_model_run 工具中，系統會先嚐試調用 deepseek-v4-flash 進行直連；若判斷需要升級，則調用 deepseek-v4-pro。若升級調用失敗，會自動降級回 Flash 模型並標記爲 degraded。
逃逸學習閉環：通過 dual_model_mark 工具，用戶可標記直接結果的正確性。若標記爲 correct=false，系統會學習指紋並寫入日誌，下次遇到相同指紋時強制升級模型，避免再次犯錯。
持久化存儲與互通：狀態持久化至文件，併兼容 Python dao/model_router.py v2 版本的指紋格式。

在項目目錄下執行以下命令安裝插件：

pnpm add @lengquan88/dsh-dual-auto

- insert:
    - id: dual-auto
      name: '@lengquan88/dsh-dual-auto'

重啓後，以下三個工具將在所有會話中可用：dual_model_route、dual_model_run 和 dual_model_mark。

dual_model_route：執行六標準路由決策，輸出六個維度的標籤。如果指紋曾被標記爲錯誤，該工具會強制標記爲升級。
dual_model_run：執行決策與實際模型調用。流程爲：先嚐試 Flash 模型，若決策爲升級則調用 Pro 模型。針對探測任務，系統會自動驗證答案是否正確；若直接答案錯誤，將觸發逃逸學習。
dual_model_mark：人工標記直接結果的正確性。輸入 correct=false 會記錄指紋並重寫磁盤日誌標記，確保下次遇到相同指紋時強制升級。

插件運行時會生成以下文件用於持久化狀態：

這些文件格式與 Python 項目的 dao/model_router.py v2 兼容，可直接加載指紋數據。

適用場景：適合需要在 DSH 中平衡推理成本與模型質量的開發者。特別是在需要處理大量請求，且部分請求對質量要求極高時，通過逃逸學習閉環可以逐步減少 Pro 模型的調用次數。
依賴與權限：插件依賴 @deepseek-ai/cordis (^4.0.1)。由於插件以當前 dsh 進程權限運行，安裝前請檢查源碼與許可證。

該插件通過自動化的路由決策和逃逸學習機制，解決了 DSH 開發中成本與質量的矛盾。開發者可以專注於業務邏輯，將模型切換與質量校驗交由插件處理。更多細節可參考社區目錄或源碼倉庫。