前言¶

在 DeepSeek Harness（DSH）里做小型神经网络实验时，常见做法是手写 model.py、单独维护超参数文件，再开一个新会话让 Agent 写训练脚本。层数、神经元、学习率和数据集路径分散在对话或本地笔记里，改一次结构就要多处同步。dsh-ai-model-builder 是维护者 kalozamf233 发布的工作流类左侧栏插件：在图形面板里填好学习率、输入/输出维度、隐藏层数与每层神经元数，可选数据集路径与模型用途，一键写出 PyTorch 多层感知机骨架，并可另开 DSH 会话让 Agent 按配置自动装依赖、写 train.py 并训练。下面介绍它的定位、能力与本地安装方式。

这是什么¶

AI 模型构建器（npm 包名 dsh-ai-model-builder，版本 0.1.0，MIT 许可证）注册在 DSH 左侧栏，槽位 key 为 ai-model-builder。它解决的是「结构配置 → 生成可运行的 model.py / params.json → 可选一键进入训练会话」这条链路，而不是替代你选型大模型或设计复杂 CNN/Transformer。

• 维护者：kalozamf233
• 分类：工作流
• 目录页：https://www.skillhub.cn/plugins/kalozamf233/dsh-ai-model-builder
• 源码：https://github.com/kalozamf233/dsh-ai-model-builder
• 宿主要求：engines.dsh 为 >=0.2.0

社区目录 SkillHub 与 DeepSeek / 幻方无官方从属关系；插件以当前 DSH 进程权限运行，安装前请自行查看源码与许可证。

核心功能¶

配置面板字段¶

在 DSH 左侧栏点击「AI 模型构建」图标打开面板，主要区域如下。

三个按钮¶

1. 确认保存 — 把当前配置持久化到 <DSH_HOME>/data/dsh-ai-model-builder/config.json。
2. 运行（生成模型架构） — 保存配置并生成：
   - model.py：build_model() 读取同目录 params.json 构建 PyTorch 多层感知机；
   - params.json：学习率、层数、神经元、维度、数据集、用途等；
   - architecture.json：架构说明与参数量估算（与 model.py 同目录）。
3. 训练（新会话自动启动） — 保存配置后，通过 DSH 的 agents 服务新建会话（工作目录为模型文件所在目录），并注入训练指令：Agent 会检查/安装依赖（torch、numpy、pandas、scikit-learn）、编写 train.py、按数据集训练、将权重保存为 model_weights.pt 并汇报指标；面板随后切到该会话，便于观察执行过程。

Node 侧 HTTP 端点（同源可写）¶

插件 Node half 提供只供同源调用的接口：

• GET /ai-model-builder/config — 读取已保存配置
• POST /ai-model-builder/config — 保存配置（body：{config: {...}}）
• POST /ai-model-builder/generate — 保存配置并生成模型架构文件
• POST /ai-model-builder/train — 保存配置、新建会话并注入训练指令，返回 {sessionId, cwd, ...}

实现上 Node 半部零外部 npm 依赖，仅使用 node: 内置模块；客户端通过 main 槽位与 sidebar.panellist 注册入口，训练跳转使用 sessions.retain(sessionId, {source: "mainView"}) 与 layout.selectPanel(null)。

安装与启用¶

官方 README 给出的是本地 link 安装，而非一条独立的 dsh plugin add 命令。步骤如下。

1. 将插件目录放到 %USERPROFILE%\.dsh\plugins\dsh-ai-model-builder（Linux/macOS 对应为 $HOME/.dsh/plugins/dsh-ai-model-builder）。
2. 编辑 %USERPROFILE%\.dsh\profiles\<profile>\package.json（路径按你的 profile 名替换）：
   - 在 dependencies 中增加 "dsh-ai-model-builder": "link:C:/Users/<你>/.dsh/plugins/dsh-ai-model-builder"（使用绝对路径，正斜杠）；
   - 在 dsh.profile.bundles 中追加 "dsh-ai-model-builder"。
3. 在该 profile 目录执行：

pnpm install

4. 重启 DeepSeek Harness。

卸载：从 profile 的 package.json 移除上述依赖与 bundle 条目，再执行 pnpm install 并重启 DSH；最后删除插件目录与 <DSH_HOME>/data/dsh-ai-model-builder。

典型用法¶

先做结构生成，再按需开训练会话，是 README 描述的主路径。

1. 打开左侧栏「AI 模型构建」，填写学习率、输入/输出维度、隐藏层数（1–128）、每层神经元数；若有真实数据，填写数据集路径（CSV 或图片目录等），并写清「模型主要用途」。
2. 设置「模型文件保存路径」与「参数文件保存路径」（通常同一项目目录下的 model.py 与 params.json）。
3. 点击 确认保存，配置写入 <DSH_HOME>/data/dsh-ai-model-builder/config.json，下次打开面板可恢复。
4. 点击 运行（生成模型架构），在保存路径得到 model.py、params.json 与 architecture.json。
5. 需要自动训练时，点击 训练（新会话自动启动）：DSH 在新工作目录会话中让 Agent 安装 Python 依赖、生成 train.py、训练并保存 model_weights.pt；界面会切换到该会话，可实时看 Agent 输出。数据集路径留空时，训练流程会使用合成演示数据。

适用场景与注意¶

适合：在 DSH 内快速试 MLP 结构、把超参数固化成 params.json、用 Agent 会话完成依赖安装与训练脚本，而不想从零在对话里重复描述层宽与路径。

注意：

• 生成的是多层全连接 PyTorch 骨架，复杂架构仍需自行改代码或换工具链。
• 训练行为依赖当前会话中的 Agent 与网络环境（例如 pip 安装 torch 等）。
• 插件无额外 npm 依赖，但训练侧会拉取 Python 包；请在可信环境中使用，并核对 GitHub 源码。
• 卸载时别忘了清理 data/dsh-ai-model-builder 下的持久化配置。

结尾¶

dsh-ai-model-builder 把「神经网络超参 + 保存路径 + 可选数据集」收进 DSH 左侧栏，用 运行 产出可读的 PyTorch 与参数文件，用 训练 把后续脚本编写与 fit 交给新会话里的 Agent。若你在 SkillHub 或 GitHub 看到更新，以仓库 README 为准。

• 目录页：https://www.skillhub.cn/plugins/kalozamf233/dsh-ai-model-builder
• GitHub：https://github.com/kalozamf233/dsh-ai-model-builder