前言¶
DeepSeek Harness (DSH) 的核心设计理念是「一切皆插件」。在构建长对话智能体时，云侧大模型每轮都需要重读整个对话历史，随着历史变长，有效信息密度被稀释。Context Assembler DSH 解决这一基础问题：利用本地空闲计算周期，重新组装每一轮的上下文。它通过按话题块编排上下文，将细节保留在相关区域，其余部分降级为结构化摘要，并在话题切换时注入背景信息，从而最大化每 token 的互信息密度。
插件定位¶
Context Assembler DSH 是 DeepSeek Harness (dsh) 的一个纯计算插件，由开发者 i1j 维护。它不依赖宿主机，但需要配合本地小模型运行。
核心功能¶
-
话题块上下文汇编
实时将会话分割为话题块，从当前块视角重建摘要历史。在话题块内部，摘要前缀保持稳定，有利于缓存命中；尾部保留原始数据保护区（tailN），确保当前轮次信息不丢失。 -
水压话题分割
基于 Hermes 的applyWaterPressure算法。随着上下文字符累积，分割所需的 Jaccard 相似度阈值动态降低。在峰值压力时强制分割，防止单一话题过长导致缓存失效。 -
话题分级与冻结
在话题切换时冻结 ACT/REL/FAR 等级。新轮次保持 ACT 级别（确定性，无需调用 LLM），直到下一次切换。 -
工具轮次压缩
对toolCall和toolResult进行结构化总结（确定性，无需 LLM）。在达到 token 节省阈值时，对工具结果进行线级重写。 -
现实回忆注入
使用本地 4B 级嵌入模型进行检索，在话题块开始时注入相关背景。该功能采用 Fail-open 设计，数据库缺失时仅禁用该功能而不报错。 -
思维 (OODA) 汇编
对思维流与工具流进行多事务组装，并从本地 4B 离线卡片中提取 L1 级事实附录。 -
移交规划
基于压力触发的会话移交，计算分支摘要、边缘强度、视角和路由策略。 -
ca-db公共库
提供外部数据库支持。
环境依赖¶
- 零主机依赖：插件核心本身不依赖宿主机环境。
- 本地小模型：依赖本地小模型进行推理。模型需为 Ollama 兼容接口，参数量级建议 4B。
- 硬件建议：推荐 10GB VRAM GPU 以获得良好效果（可流畅运行量化 4B 模型）。无 GPU 时可使用 CPU 推理，但速度较慢。
注意事项¶
- 需配合 DeepSeek Harness (dsh) 使用。
- 代码开源，采用 MIT 许可证。
- 使用前建议检查源码与许可证。
结语¶
该插件通过本地计算替代云侧的高频带宽操作，旨在解决长对话场景下的上下文管理难题。更多细节可查阅 GitHub 仓库 或 社区目录。
