DeepSeek Harness 插件：dsh-skill-evolution

前言¶

在 DeepSeek Harness (DSH) 的插件生態中，智能體的記憶與技能管理是提升複用效率的關鍵。開發者通常需要從大量執行軌跡中手動提煉可複用的技能，這不僅耗時，還容易遺漏。dsh-skill-evolution 插件旨在解決這一問題，它通過事件驅動的機制，自動監控並結晶智能體在成功回合中的經驗。

插件簡介¶

dsh-skill-evolution 是一個 DeepSeek Harness (DSH) 插件，由維護者 VanadisGithub 開發。它的核心邏輯是：在智能體成功執行一個回合後，根據特定信號觸發 LLM 審查，將可重用的工作流結晶爲獨立的技能。

核心能力¶

事件驅動結晶
插件監聽 turn/end 事件，而非基於簡單的頻率計數。當滿足條件時，觸發 LLM 審查。
LLM 審查門控
審查 LLM 會判斷是結晶新技能、合併到現有技能還是跳過。配合硬性不捕獲列表，防止結晶環境依賴、臨時錯誤等垃圾內容。
技能持續進化
新的經驗會被合併進現有技能，版本號會更新。支持語義去重 (FOLD_INTO)，即使通過不同工具序列重現了相同的經驗，也能合併。
管理與持久化
插件在設置面板提供完整的管理 UI，可查看技能卡片、版本、調用次數等。技能持久存儲在 generated/ 目錄下，重啓後自動註冊。

安裝與配置¶

官方安裝（推薦）¶

如果插件已發佈至 npm，可使用 CLI 安裝：

dsh plugin --profile web add dsh-skill-evolution

本地開發安裝¶

克隆倉庫：

   git clone https://github.com/VanadisGithub/dsh-skill-evolution.git ~/Code/dsh-skill-evolution

修改 ~/.dsh/profiles/web/package.json，添加依賴：

   "dsh-skill-evolution": "link:/Users/<you>/Code/dsh-skill-evolution"

在 ~/.dsh/profiles/web 目錄下運行 pnpm install。

手動掛載（調試用）¶

將插件文件放入指定目錄，並修改 ~/.dsh/cordis.patch.yml：

- insert:
  - id: 'skill-evolution'
    name: file:///Users/<you>/.dsh/plugins/skill-evolution/plugin.mjs?v=1
    config:
      minToolCalls: 5
      minPatternOccurrences: 3
      autoRegister: true
      llmProvider: deepseek
      llmModel: deepseek-chat

注意：以上三種方式請選擇其一，重複掛載會導致雙重實例。

工作原理¶

信號檢測¶

插件在回合結束時檢查三種信號：
* complex：成功回合且工具調用次數 ≥ minToolCalls（默認 5）。
* recovered：回合成功，但包含失敗步驟後恢復。
* repeated：相同的工具序列重複出現 ≥ minPatternOccurrences（默認 3）次，且成功率 ≥ minSuccessRate（默認 0.7）。
* 佐證門控：默認情況下，單一的 complex 信號會被攔截，直到出現 recovered 或 repeated 佐證。

審查與決策¶

審查 LLM 接收信號、意圖和工具序列等信息，返回以下之一：
* SAVE：結晶新技能。
* FOLD_INTO：合併到現有技能（語義去重）。
* NOTHING_TO_SAVE：不保存（如環境依賴失敗）。

輸出格式¶

結晶的技能以 SKILL.md 格式存儲，包含標題、使用場景、步驟、陷阱和驗證方法。

設置與使用¶

安裝後，在 DSH 的設置面板中會出現 “Skill Evolution” 部分。這裏可以：
* 查看已結晶的技能卡片（包含價值評級、版本、調用次數）。
* 調整結晶和改進的系統提示詞。
* 直接修改配置參數（如 minToolCalls、skillLanguage 等），設置中的修改會持久化並覆蓋掛載配置。

注意事項¶

硬性不捕獲列表：插件內置了不捕獲列表，防止結晶如“工具 X 已損壞”等負面聲明或環境依賴錯誤。
依賴限制：插件主機端僅依賴 Node.js 內置模塊 (node:)，不引入外部依賴。
許可證：插件採用 MIT 許可證。

總結¶

dsh-skill-evolution 通過信號機制和 LLM 審查，實現了智能體技能的自動化提取與持續進化。它適合希望減少重複勞動、提升智能體複用率的開發者。完整文檔與源碼可參考 GitHub 倉庫。