前言¶
DeepSeek Harness (DSH) 的核心設計理念是「一切皆插件」。在構建長對話智能體時，雲側大模型每輪都需要重讀整個對話歷史，隨着歷史變長，有效信息密度被稀釋。Context Assembler DSH 解決這一基礎問題：利用本地空閒計算週期，重新組裝每一輪的上下文。它通過按話題塊編排上下文，將細節保留在相關區域，其餘部分降級爲結構化摘要，並在話題切換時注入背景信息，從而最大化每 token 的互信息密度。
插件定位¶
Context Assembler DSH 是 DeepSeek Harness (dsh) 的一個純計算插件，由開發者 i1j 維護。它不依賴宿主機，但需要配合本地小模型運行。
核心功能¶
-
話題塊上下文彙編
實時將會話分割爲話題塊，從當前塊視角重建摘要歷史。在話題塊內部，摘要前綴保持穩定，有利於緩存命中；尾部保留原始數據保護區（tailN），確保當前輪次信息不丟失。 -
水壓話題分割
基於 Hermes 的applyWaterPressure算法。隨着上下文字符累積，分割所需的 Jaccard 相似度閾值動態降低。在峯值壓力時強制分割，防止單一話題過長導致緩存失效。 -
話題分級與凍結
在話題切換時凍結 ACT/REL/FAR 等級。新輪次保持 ACT 級別（確定性，無需調用 LLM），直到下一次切換。 -
工具輪次壓縮
對toolCall和toolResult進行結構化總結（確定性，無需 LLM）。在達到 token 節省閾值時，對工具結果進行線級重寫。 -
現實回憶注入
使用本地 4B 級嵌入模型進行檢索，在話題塊開始時注入相關背景。該功能採用 Fail-open 設計，數據庫缺失時僅禁用該功能而不報錯。 -
思維 (OODA) 彙編
對思維流與工具流進行多事務組裝，並從本地 4B 離線卡片中提取 L1 級事實附錄。 -
移交規劃
基於壓力觸發的會話移交，計算分支摘要、邊緣強度、視角和路由策略。 -
ca-db公共庫
提供外部數據庫支持。
環境依賴¶
- 零主機依賴：插件核心本身不依賴宿主機環境。
- 本地小模型：依賴本地小模型進行推理。模型需爲 Ollama 兼容接口，參數量級建議 4B。
- 硬件建議：推薦 10GB VRAM GPU 以獲得良好效果（可流暢運行量化 4B 模型）。無 GPU 時可使用 CPU 推理，但速度較慢。
注意事項¶
- 需配合 DeepSeek Harness (dsh) 使用。
- 代碼開源，採用 MIT 許可證。
- 使用前建議檢查源碼與許可證。
結語¶
該插件通過本地計算替代雲側的高頻帶寬操作，旨在解決長對話場景下的上下文管理難題。更多細節可查閱 GitHub 倉庫 或 社區目錄。
