前言¶
DeepSeek Harness (DSH) 生态遵循“一切皆插件”的理念。在模型推理与智能体开发场景中，如何确保研究结论的可信度是一大挑战。现有工具通常优化的是“带链接的合理文本”，这导致了引用与原文不符、虚假确证、仅搜索支持性证据等常见问题。
Kestrel 是针对上述问题设计的深度研究引擎。它作为 DeepSeek Harness 插件及独立库存在，通过代码层面的机械校验替代模型自我审查，确保引用的真实性与来源的独立性。
安装与启用¶
使用 npm 安装插件包：
npm install dsh-deep-research
安装后，执行链接命令将插件注入到 DSH 的 web 或 dev 配置中：
npm run install:dsh
核心能力¶
Kestrel 提供以下核心功能模块：
- 机械引用锚定：支持精确匹配、归一化匹配和模糊匹配，防止模型编造引用。
- 独立确证评分：计算来源的独立度，而非简单的来源计数，识别同源转载。
- 事实核查：对文本进行原子化拆解，自动验证或反驳。
- 深度对抗性调查：模拟检察官与辩护人角色，寻找证据与反证。
- 来源独立性分析：分析 URL 集合，判断是否存在同源转载或循环引用。
- 可信度评估：对单源进行可信度打分。
- 证据图召回：基于证据图谱进行检索，避免重复工作。
工作机制¶
机械引用锚定¶
Kestrel 要求每次引用必须附带原文引语。在引用被接受前，代码会执行字面子串检查（如 String.indexOf）。若引语短于 24 个字符，会被直接拒绝。此外，文档在抓取时会进行 SHA-256 哈希，若源文本哈希不匹配，所有基于该文档的引用将被拒绝。
独立确证计算¶
Kestrel 不以“来源数量”作为真理代理，而是以“独立起源数”为准。通过 MinHash、LSH 候选过滤、谱系 DAG 和 Tarjan 强连通分量算法，将同源报道合并为一个独立见证。
典型用法¶
在 DSH 中使用¶
安装并链接插件后，可以在对话中直接调用：
- “Deep research: did the EU AI Act’s foundation-model rules change after the 2024 trilogue?”
- “Verify this article before I cite it.”
- “Are these six URLs actually independent sources?”
作为库使用¶
可以通过 dsh-deep-research 包调用底层机制：
import { anchorQuote, analyzeLineage } from 'dsh-deep-research'
// 机械引用校验
const anchor = anchorQuote('revenue reached 42 million dollars', sourceText)
if (!anchor.ok) throw new Error(anchor.reason)
console.log(anchor.charStart, anchor.charEnd) // 输出精确位置
// 独立性分析
const { ics, total, roots } = analyzeLineage(documents)
console.log(`${total} sources -> ${ics} independent origins`)
注意事项¶
- 环境要求：Node.js 版本需大于等于 20。
- 依赖情况：插件为零运行时依赖。
- 引语限制：引语长度不足 24 字符将无法通过校验。
- 权限与安全：插件以当前 DSH 进程的权限运行，建议在安装前检查源码与许可证（MIT）。
总结¶
Kestrel 通过机械校验与独立来源计算，解决了传统研究工具在引用准确性与来源独立性上的缺陷。它不依赖 API 密钥或网络配置即可演示核心流程，适合需要在 DSH 环境中构建高可信度研究智能体的开发者。
