DSH Studio：skill 提炼流水线与按需 MCP 加载，一个插件两件事

前言¶

DSH 的理念是「一切皆插件」，代价是 skill 要靠自己去养：对话里反复出现的做法要写成 skill，否则每次重新从头想；写得多了又会堆出一堆语义重复的 SKILL.md。已有的 skill 管理做法多是「浏览、编辑、手工触发提取」，人不在电脑前就没人做判断。DSH Studio（samir2015dzh/dsh-studio）就是在这个位置上做无人值守的一环：它判断这一轮对话里有没有值得沉淀的东西，值得就写进 skill 库，并且和已有 skill 做语义归并；另一件同样占系统提示词的事是 MCP 工具 schema，它把「每轮都带全量 schema」改成「会话开头只给工具名，真正要用再取」。

下面介绍这个插件的定位、安装方式和主要用法。

这是什么¶

dsh-studio，维护者 samir2015dzh，分类为工作流。它是 zhengjy01/dsh-skill-studio 的 fork，不是 DeepSeek AI 官方产品。上游提供的是 skill 浏览、编辑与手工提取；这个 fork 补上了无人值守需要的四件事——逐轮判断、自动接收、语义合并、模型走 DSH 自带配置，另外还加了按需 MCP 加载、三层过滤、回收站和按用途分组。

目录页显示星标为 0（截至抓取时）。README 徽章标版本 0.7.0，仓库 package.json 标 0.8.0，以仓库文件为准，两者不一致这一点写在这里供读者自行判断。许可证 MIT。

逐轮判断与自动入库¶

它的工作方式是：留着它跑，它来决定这一轮教会了什么、该归到哪个已有 skill、合并会不会造出重复。

1、轮次结束后三秒，插件发一个 YES/NO 小问题，内容取最近一次会话的 10 条摘要。只有 YES 才触发完整提取。判断节流 90 秒，提取节流 5 分钟。
2、被接受的候选直接写入 ~/.agents/skills，下一轮即可加载。只有写入失败（名字冲突之类）才会把候选放进待审队列。
3、合并优先于堆文件：每个候选会与整个库对比，只有真正新的主题才会新建 skill。作者的实际观测是，同样的工作流换个说法，token 相似度只有 0.07–0.24，所以本地相似度只做预筛，最终归并与否由模型看完整目录来定。
4、模型不给插件自己配：面板里下拉列出 DSH 中已配置的 provider/model，留空则跟随触发本轮会话的那个配置。插件不存 API key，也不要求网关地址。

合并的四道闸¶

候选落盘前要过四道判断，任何一道说「不」，就转成新建 skill 或按规则丢弃。

new candidate
  ├─ ① Tombstone：这个名字此前被合并掉过（扫 ~/.dsh/skill-archive*/）
  │     → 强制合并进同类别中内容最多的那个 skill
  │       合并失败就直接丢弃，避免再次写出重复
  ├─ ② 类别标签：目录读成 "- [decompile] name: description"
  │     → 模型在正文之前先看到类别
  ├─ ③ 本地复检：FOLD_INTO 的判定再验一次
  │     → 同类别直接接受；跨类别要求相似度 ≥ 0.5，否则 SAVE
  └─ ④ 合并本身：模型把新经验折进已有小节
        → 重复小节截断，协议残留（如 MERGE:）剥掉，
          结果短于原文 60% 的合并被拒绝

类别从 skill 名字推导（gui-* → gui，decompiled-* / java-decompile-* → decompile，portable-* / offline-* → portable 等）。别名表 CATEGORY_ALIASES 在 lib/extractor.js 里，加一行就能扩展。

写入侧还有两道清洁：重复段落截断、协议残留剥掉、合并后掉内容过多的被拒。另外，写入 SKILL.md 会把该 skill 排入下一轮的 darwin-skill 复查；重复族通过 ~/.dsh/darwin-auto/families.json 折叠到同一个宿主，表由插件自带的 LLM 通路重新生成（0.5.0 合并进来的，之前是独立的 dsh-darwin-auto 插件）。

按需 MCP 加载¶

这一部分从文档 MCP.md 来，0.6.0 起内置。思路是：会话开头只列工具名，连描述都不给，完整 schema 等真正要用再取。0.8.0 起目录段连工具描述都砍掉了——作者的实测数据是，craft-anything 这个大服务器列出全部描述要 75,918 字符（约 19K token），只给名字则是 4,878 字符（约 1.35K），名字足够判断该不该 load。

三档（mcp.json 里 tier 字段）：

档位	工具注册	进目录	用途
`eager`	注册成 `mcp__<server>__<tool>`	是（名字）	高频或 schema 小的、需要模型无条件看见的
`on-demand`（默认）	不注册	是（只给名字）	工具多、schema 大的，按需 `mcp_call` / `mcp_load`
`disabled`	不注册	否	临时关掉

省的是每轮系统提示里的工具 schema。文档给的实测：一个 95 工具的 MCP 走 eager 大约 33K token/轮，走 on-demand 只剩十几行目录。

五个工具：

mcp_list：档位、连接状态、工具数与截断描述。
mcp_register {name, tier, transport, command|url, args, env, headers, notes}：新增或修改。会先试连并拉一次工具列表，通过才写注册表。
mcp_load {name, filter?, limit?, peek?, refresh?}：返回完整 inputSchema。peek 只读缓存不连接；filter 按名字或描述子串过滤；默认用内存缓存，换 filter / limit 不会重连，只有 refresh: true 才重连重拉。
mcp_call {name, tool, args}，或 mcp_call {name, calls: [{tool, args}, …]}：单个直接返回原结果；批量按顺序执行，某一步失败不中断后面的。直接调用即可，不需要先 mcp_load，它会自己连接。
mcp_takeover {name}：接管 profile 里已有的原生 MCP，需要重启 DSH 才生效。

空闲回收：idleTimeoutMinutes（默认 5，0 关闭）内没有任何工具调用就断开上游——stdio 子进程退出、HTTP 会话关闭。工具缓存与注册表保留，下次调用透明重连，冷启动只发生在真正用到的时候。活跃时间取「最近一次工具调用」，不是 UI 轮询；单条服务器可用 idleTimeout 覆盖（单位分钟，支持小数）。

存储在 ~/.dsh/dsh-studio/mcp.json：

{
  "version": 1,
  "idleTimeoutMinutes": 5,
  "toolDescriptionMaxLength": 150,
  "servers": [
    { "name": "context7", "tier": "on-demand", "transport": "stdio",
      "command": "npx", "args": ["-y", "@upstash/context7-mcp"] }
  ]
}

设置页入口是「设置 → MCP 服务器」，独立一页，不挂在 Skill 工作台里。文档列了已知限制：只桥接 tools，不桥接 resources / prompts / sampling；单例连接不是按会话隔离；没有 OAuth 2.0，streamable-http 只支持静态 headers；重连是「用到时重连」，没有指数退避，连不上直接把错误抛给调用方。

面板、过滤与回收站¶

Skill Studio 面板会列出最近改动过的 skill，带名字、描述、时间戳。列表按三层过滤：来源（all / user / built-in）、启用状态（enabled / disabled）、用途（reverse engineering / security / code / docs / ops / data / workflow / other）。三层之间是 AND，点状态或用途行里已激活的胶囊即可取消该条件。

生成侧也带用途分组：提取时让模型在八个固定类别里选一个，写进 metadata.group；合并时保留原类。已有 skill 可以批量打类：

node scripts/classify-skills.mjs --write

每个文件会先备份成 .bak-group。删除是行级的，目录被搬进 ~/.dsh/dsh-studio/trash/<stamp>-<name>/，可在专门的面板页恢复或彻底清理，支持批量与单条。

除此之外还扫描多个来源的 skill 根目录：DSH 与共享 Agent 目录之外，还扫 Codex / Claude / Cursor / Gemini / Windsurf / Trae / Qoder / Lingma / OpenCode / Copilot / Roo / CodeBuddy / WorkBuddy / OpenClaw / CC-Switch，只扫实际存在的。诊断功能会对 frontmatter name 不是 kebab-case 的 skill 标「host will not load this name」（面板看得见，DSH 不加载它），跨来源重复标「shadowed by X」。

安装与启用¶

按 README，插件通过 link: 装进 DSH profile，改代码不用重新发布。第一步是把仓库取到本地并选择路径（README 原文写的是 git clone <this-repo> D:/dsh-plugins/dsh-studio，<this-repo> 即仓库地址）。

第二步，在 profile 的 package.json 里注册：

{
  "dependencies": { "dsh-studio": "link:D:/dsh-plugins/dsh-studio" },
  "dsh": { "profile": { "bundles": ["dsh-studio"] } }
}

第三步，在 node_modules 里建 Junction：

New-Item -ItemType Junction `
  -Path "$env:DSH_PROFILE_DIR\node_modules\dsh-studio" `
  -Target "D:\dsh-plugins\dsh-studio"

第四步，重启 DSH，打开「设置 → Skill Studio」（MCP 部分在「设置 → MCP 服务器」）。

仓库的 package.json 里给出的 engines 是 dsh >= 0.1.5-rc.1。

配置¶

配置文件 ~/.dsh/dsh-studio/extractor.json，权限 0600。

{
  "enabled": true,
  "autoPerTurn": true,
  "intervalMinutes": 60,
  "windowDays": 7,
  "maxCandidatesPerRun": 3,
  "autoAccept": true,
  "mergeThreshold": 0.2,
  "skillLanguage": "auto",
  "agentSkillDir": "C:\\Users\\<you>\\.agents\\skills",
  "provider": "",
  "model": ""
}

常用键的用途：autoPerTurn 在每轮结束时跑 YES/NO 判断；intervalMinutes 是兜底扫描间隔，0 关闭、只靠逐轮；autoAccept 直接入库而不走待审队列；mergeThreshold 是本地相似度预筛阈值（是否合并仍由模型定）；skillLanguage 取 auto / zh / en，代码、命令、路径不翻译；provider / model 留空即跟随会话，也可以在面板里选。旧的 llmBaseUrl / llmApiKey / llmModel 字段仍可用，作为没有 ctx.llm 的宿主的 HTTP 兜底，正常使用时留空。

工具一览¶

插件暴露的工具集中在 skillmgr_ 与 mcp_ 两组，HTTP 路由挂在 /api/dsh-studio/*（面板走的就是这些）。

工具	用途
`skillmgr_list`	列出所有 skill，带来源、状态、分组
`skillmgr_get`	读一个 skill 全文
`skillmgr_save`	回写整份 SKILL.md
`skillmgr_policy`	切换模型 / 用户调用
`skillmgr_extract_run`	立即跑一次提取
`skillmgr_extract_status`	开关、间隔、队列深度、上次运行
`skillmgr_extract_config`	改配置
`skillmgr_extract_list` / `_accept` / `_reject`	处理待审队列（开了 autoAccept 通常为空）
`skillmgr_trash`	移入回收站，可恢复
`skillmgr_trash_list`	列出回收站批次与条目
`skillmgr_restore`	把条目搬回原路径
`skillmgr_purge`	永久删除回收站条目
`skillmgr_snapshot`	把 `~/.dsh` 配置备份成快照
`skillmgr_snapshot_list`	列出快照（时间、标签、文件数、大小）
`skillmgr_snapshot_restore`	恢复快照；`dryRun` 预览，`pathMap` 改根路径
`skillmgr_snapshot_transfer`	导出 `.tar.gz` 或导入外部归档
`skillmgr_sync`	跨机同步：读配置 / 推送最新 / 从远端拉取

适用场景与注意¶

适合这么用：已经在用 DSH 跑较长的任务、手上有一批 skill、而希望「对话里的经验」能自动沉淀而不是靠人记着去整理的人。也适合 MCP 服务器很多、每轮系统提示被工具 schema 撑大的用户。

需要留意的几点：

它是第三方 fork，不是 DeepSeek / 幻方的官方产品；目录站也是独立社区站点，不代表官方应用商店。
插件以当前运行的 DSH 进程权限工作，能用文件、能连外部 MCP 命令。安装前应通读源码（lib/、cordis.patch.yml、MCP.md 里列的已知限制）并确认 MIT 许可证可接受，再决定要不要长期开着 autoPerTurn + autoAccept。
提取和 MCP 管理都要调模型，模型选择留空时跟随会话，白跑的判断也会消耗配额；队列本身有节流（判断 90 秒、提取 5 分钟）。
想按会话隔离 MCP 连接、或需要 OAuth 2.0 的服务器，README 明确说这个插件的实现是单例、不支持 OAuth，需要另找方案。

结尾¶

DSH Studio 的价值在两句话里：把 skill 的提炼、归并、清理变成常驻的自动流水线，把 MCP 工具 schema 从每轮固定成本变成按需拉取。代码改动可直接生效（link: 安装），配置项集中在两个 JSON 里，行为不改动时 MCP 默认按 on-demand 走。仓库地址 https://github.com/samir2015dzh/dsh-studio ，社区目录页 https://www.skillhub.cn/plugins/samir2015dzh/dsh-studio 。