前言¶
在 DeepSeek Harness（DSH）里，Skill 靠描述告诉模型「我能做什么」。实际开发里常见的情况是：描述写得像能覆盖整类任务，正文却只实现一部分；或者描述太宽，模型不该加载时也加载，整段正文变成上下文成本；又或者描述太窄，模型绕开 Skill 自己重做，反而更费 token。这些教训往往只留在当次对话里，不会写回 Skill 文件。
下面介绍社区插件 Dreaming（puppetcat-fire/dsh-plugin-dreaming）。它定位是能力自模型（capability self-model）全局插件，带 Host 与 Web 面板；不是单纯记日志，而是对每次 Skill 加载做预测、在回合结束后对照现实做判定，并把观测结果注入模型上下文，必要时在夜间安全地修正描述与能力边界。
这是什么¶
- 名称：Dreaming（包名
dsh-plugin-dreaming，版本 1.0.0，MIT 许可证） - 维护者：puppetcat-fire（
package.json作者为肖博仁） - 分类：工作流（社区目录 SkillHub）
- 一句话：在执行 Skill 之前，用 cheap 模型调用预测「这次加载是否合适」；记录加载后的真实轨迹；回合结束 judge 预期与现实；维护每个 Skill 的能力信念与意识强度分数；使用前注入实测信息；定时「做梦」修正描述（备份、日志、可回滚）。
DSH 生态是「一切皆插件」；SkillHub 为独立社区目录，与 DeepSeek / 幻方无官方从属关系。
核心功能¶
闭环可以概括为：测量 → 判定 → 写入边界 → 再测量。指标侧重意识强度上升与浪费 token 下降，而不是日志条数。
Probe：加载时并发预测¶
在 tools/pre-execute 中登记 episode，并并发发起受预算约束的 LLM 调用。默认 probe.mode = 'inline'（直接 ctx.llm.stream，不建子会话、不污染对话历史）。结构化预测包括：fit（0–1）、expected_use、success_signals、likely_pitfalls、capability_gap、cheaper_alternative。需要更强观察者时可选 probe.mode = 'subagent'（成本更高）。
观察与 Judge¶
tools/result 记录 Skill 加载；session/event 从加载点收集有界轨迹（assistant 文本、工具调用、用户纠正、turn/end），窗口受 observe.maxTurnExtensionMs / observe.maxEvents 限制。回合结束后 judge 产出 score、verdict（matched / partial / missed / misapplied）、根因、reusableRule、cost.wastedEstimate 等。
能力信念与意识强度¶
每个 Skill 持久化加载次数、判定分布、fit 历史、成本与学到的边界。综合分 consciousness 由 fitAccuracy、boundaryAccuracy、precision 加权；另有 wasteRate 与按判定样本数划分的 confidence（样本不足时标为 low，不给出虚假高分）。
注入：使用前给出实测¶
- 系统提示中的
Dreaming · capability awareness段落（有足够证据时，最多prompt.maxSkills行）。 - Skill 结果末尾注解（≤
prompt.annotationMaxChars）：历史指标、本次 probe、学到的「不要用于 / 前置条件」。
模型在读完 Skill 正文之后、动手之前看到上述内容。
Dream：夜间修正描述¶
默认 dream.time 为本地 03:30，从近期不匹配案例构造 dream pack，经确定性校验后，仅对白名单来源（默认 user-dsh、user-agents）的用户级 Skill 落盘修改；内置 Skill 主要通过 guidance overlay 改进。dream.autoApply 默认为 false，只记建议；显式打开后才自动改文件。能力边界段落使用 <!-- dreaming:begin --> … <!-- dreaming:end --> 标记，重复做梦只替换标记内内容。
Web 面板¶
Settings → Dreaming · 意识强度：总览、技能表、最近调用、梦境日志与回滚、「立即做梦」。配置项默认值见仓库 lib/config.js；插件不导出可编辑 volatile 字段，Settings 里为只读观测页。
安装与启用¶
要求：Node.js ≥ 22，DSH ≥ 0.2.1-0（见 engines.dsh）。运行时包由 Harness 提供，无需单独安装 @deepseek-ai/dsh-tools 等 peer 依赖。
插件通过 GitHub 分发。在 Harness Plugins 页面粘贴仓库地址：
https://github.com/puppetcat-fire/dsh-plugin-dreaming
或在 CLI：
dsh plugin --profile <profile> add git+https://github.com/puppetcat-fire/dsh-plugin-dreaming.git
安装后对 profile 下所有会话生效，重启 Harness 后仍生效。卸载：Plugins 页面移除，或 plugin_manager(action="remove_bundle", target="dsh-plugin-dreaming")。
典型配置¶
配置写在 profile 的 cordis.patch.yml（或 home patch）。示例：对部分任务采样 probe，并打开夜间自动落盘（仍带备份与回滚）：
- id: dreaming
config:
probe:
sampleRate: 0.5
attachDeadlineMs: 1200
dream:
time: '04:10'
timeZone: Asia/Shanghai
autoApply: true
常用开关包括：enabled、probe.enabled / probe.sampleRate、judge.enabled、prompt.awarenessSection / prompt.annotateSkillResult、dream.enabled / dream.scoreThreshold（默认 78）、dataDir（空则 $DSH_HOME/dreaming）。完整键与默认值见官方 README 配置表。
适用场景与注意¶
适合谁：长期维护较多 Skill、希望减少「看错描述就加载」的 token 浪费，并愿意让系统在本地积累判定、可选夜间改描述的团队或个人。
成本：默认下每次 Skill 加载约一次 probe 与一次 judge；面板会展示探针+判定开销与估算避免的浪费，便于调整 probe.sampleRate 等。
权限与安全：插件以当前 DSH 进程权限运行，会调用当前配置的模型 provider 做 probe/judge，数据落在 $DSH_HOME/dreaming/。安装前应阅读源码与 MIT 许可证，确认 dream.autoApply、可编辑来源与本地 loopback API 边界符合你的信任模型。任何 dreaming 失败不应拖垮 Skill 调用或 Host；存储不可用时可退化为内存运行。
限制摘要：bundled / project 等不可编辑来源不会改文件；judge 分数是相对信号；dream.autoApply 默认关闭；符号链接路径上的 SKILL.md 拒绝落盘修改。
结尾¶
Dreaming 把 Skill 描述从「静态声明」拉成可测量的能力自模型：加载前预测、回合后判定、使用前注入、夜间可选修正，并强调低样本时不装出高置信。目录页与源码：
- https://www.skillhub.cn/plugins/puppetcat-fire/dsh-plugin-dreaming
- https://github.com/puppetcat-fire/dsh-plugin-dreaming
中文说明见仓库 README.zh.md；架构细节见 ARCHITECTURE.md。
