前言¶
DeepSeek Harness (DSH) 生態遵循“一切皆插件”的理念。在模型推理與智能體開發場景中，如何確保研究結論的可信度是一大挑戰。現有工具通常優化的是“帶鏈接的合理文本”，這導致了引用與原文不符、虛假確證、僅搜索支持性證據等常見問題。
Kestrel 是針對上述問題設計的深度研究引擎。它作爲 DeepSeek Harness 插件及獨立庫存在，通過代碼層面的機械校驗替代模型自我審查，確保引用的真實性與來源的獨立性。
安裝與啓用¶
使用 npm 安裝插件包：
npm install dsh-deep-research
安裝後，執行鏈接命令將插件注入到 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塊：
- 機械引用錨定：支持精確匹配、歸一化匹配和模糊匹配，防止模型編造引用。
- 獨立確證評分：計算來源的獨立度，而非簡單的來源計數，識別同源轉載。
- 事實覈查：對文本進行原子化拆解，自動驗證或反駁。
- 深度對抗性調查：模擬檢察官與辯護人角色，尋找證據與反證。
- 來源獨立性分析：分析 URL 集合，判斷是否存在同源轉載或循環引用。
- 可信度評估：對單源進行可信度打分。
- 證據圖召回：基於證據圖譜進行檢索，避免重複工作。
工作機制¶
機械引用錨定¶
Kestrel 要求每次引用必須附帶原文引語。在引用被接受前，代碼會執行字面子串檢查（如 String.indexOf）。若引語短於 24 個字符，會被直接拒絕。此外，文檔在抓取時會進行 SHA-256 哈希，若源文本哈希不匹配，所有基於該文檔的引用將被拒絕。
獨立確證計算¶
Kestrel 不以“來源數量”作爲真理代理，而是以“獨立起源數”爲準。通過 MinHash、LSH 候選過濾、譜系 DAG 和 Tarjan 強連通分量算法，將同源報道合併爲一個獨立見證。
典型用法¶
在 DSH 中使用¶
安裝並鏈接插件後，可以在對話中直接調用：
- “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?”
作爲庫使用¶
可以通過 dsh-deep-research 包調用底層機制：
import { anchorQuote, analyzeLineage } from 'dsh-deep-research'
// 機械引用校驗
const anchor = anchorQuote('revenue reached 42 million dollars', sourceText)
if (!anchor.ok) throw new Error(anchor.reason)
console.log(anchor.charStart, anchor.charEnd) // 輸出精確位置
// 獨立性分析
const { ics, total, roots } = analyzeLineage(documents)
console.log(`${total} sources -> ${ics} independent origins`)
注意事項¶
- 環境要求：Node.js 版本需大於等於 20。
- 依賴情況：插件爲零運行時依賴。
- 引語限制：引語長度不足 24 字符將無法通過校驗。
- 權限與安全：插件以當前 DSH 進程的權限運行，建議在安裝前檢查源碼與許可證（MIT）。
總結¶
Kestrel 通過機械校驗與獨立來源計算，解決了傳統研究工具在引用準確性與來源獨立性上的缺陷。它不依賴 API 密鑰或網絡配置即可演示核心流程，適合需要在 DSH 環境中構建高可信度研究智能體的開發者。
