DSH Studio：skill 提煉流水線與按需 MCP 加載，一個插件兩件事

前言¶

DSH 的理念是「一切皆插件」，代價是 skill 要靠自己去養：對話裏反覆出現的做法要寫成 skill，否則每次重新從頭想；寫得多了又會堆出一堆語義重複的 SKILL.md。已有的 skill 管理做法多是「瀏覽、編輯、手工觸發提取」，人不在電腦前就沒人做判斷。DSH Studio（samir2015dzh/dsh-studio）就是在這個位置上做無人值守的一環：它判斷這一輪對話裏有沒有值得沉澱的東西，值得就寫進 skill 庫，並且和已有 skill 做語義歸併；另一件同樣佔系統提示詞的事是 MCP 工具 schema，它把「每輪都帶全量 schema」改成「會話開頭只給工具名，真正要用再取」。

下面介紹這個插件的定位、安裝方式和主要用法。

這是什麼¶

dsh-studio，維護者 samir2015dzh，分類爲工作流。它是 zhengjy01/dsh-skill-studio 的 fork，不是 DeepSeek AI 官方產品。上游提供的是 skill 瀏覽、編輯與手工提取；這個 fork 補上了無人值守需要的四件事——逐輪判斷、自動接收、語義合併、模型走 DSH 自帶配置，另外還加了按需 MCP 加載、三層過濾、回收站和按用途分組。

目錄頁顯示星標爲 0（截至抓取時）。README 徽章標版本 0.7.0，倉庫 package.json 標 0.8.0，以倉庫文件爲準，兩者不一致這一點寫在這裏供讀者自行判斷。許可證 MIT。

逐輪判斷與自動入庫¶

它的工作方式是：留着它跑，它來決定這一輪教會了什麼、該歸到哪個已有 skill、合併會不會造出重複。

1、輪次結束後三秒，插件發一個 YES/NO 小問題，內容取最近一次會話的 10 條摘要。只有 YES 才觸發完整提取。判斷節流 90 秒，提取節流 5 分鐘。
2、被接受的候選直接寫入 ~/.agents/skills，下一輪即可加載。只有寫入失敗（名字衝突之類）纔會把候選放進待審隊列。
3、合併優先於堆文件：每個候選會與整個庫對比，只有真正新的主題纔會新建 skill。作者的實際觀測是，同樣的工作流換個說法，token 相似度只有 0.07–0.24，所以本地相似度只做預篩，最終歸併與否由模型看完整目錄來定。
4、模型不給插件自己配：面板裏下拉列出 DSH 中已配置的 provider/model，留空則跟隨觸發本輪會話的那個配置。插件不存 API key，也不要求網關地址。

合併的四道閘¶

候選落盤前要過四道判斷，任何一道說「不」，就轉成新建 skill 或按規則丟棄。

new candidate
  ├─ ① Tombstone：這個名字此前被合併掉過（掃 ~/.dsh/skill-archive*/）
  │     → 強制合併進同類別中內容最多的那個 skill
  │       合併失敗就直接丟棄，避免再次寫出重複
  ├─ ② 類別標籤：目錄讀成 "- [decompile] name: description"
  │     → 模型在正文之前先看到類別
  ├─ ③ 本地複檢：FOLD_INTO 的判定再驗一次
  │     → 同類別直接接受；跨類別要求相似度 ≥ 0.5，否則 SAVE
  └─ ④ 合併本身：模型把新經驗折進已有小節
        → 重複小節截斷，協議殘留（如 MERGE:）剝掉，
          結果短於原文 60% 的合併被拒絕

類別從 skill 名字推導（gui-* → gui，decompiled-* / java-decompile-* → decompile，portable-* / offline-* → portable 等）。別名表 CATEGORY_ALIASES 在 lib/extractor.js 裏，加一行就能擴展。

寫入側還有兩道清潔：重複段落截斷、協議殘留剝掉、合併後掉內容過多的被拒。另外，寫入 SKILL.md 會把該 skill 排入下一輪的 darwin-skill 複查；重複族通過 ~/.dsh/darwin-auto/families.json 摺疊到同一個宿主，表由插件自帶的 LLM 通路重新生成（0.5.0 合併進來的，之前是獨立的 dsh-darwin-auto 插件）。

按需 MCP 加載¶

這一部分從文檔 MCP.md 來，0.6.0 起內置。思路是：會話開頭只列工具名，連描述都不給，完整 schema 等真正要用再取。0.8.0 起目錄段連工具描述都砍掉了——作者的實測數據是，craft-anything 這個大服務器列出全部描述要 75,918 字符（約 19K token），只給名字則是 4,878 字符（約 1.35K），名字足夠判斷該不該 load。

三檔（mcp.json 裏 tier 字段）：

檔位	工具註冊	進目錄	用途
`eager`	註冊成 `mcp__<server>__<tool>`	是（名字）	高頻或 schema 小的、需要模型無條件看見的
`on-demand`（默認）	不註冊	是（只給名字）	工具多、schema 大的，按需 `mcp_call` / `mcp_load`
`disabled`	不註冊	否	臨時關掉

省的是每輪系統提示裏的工具 schema。文檔給的實測：一個 95 工具的 MCP 走 eager 大約 33K token/輪，走 on-demand 只剩十幾行目錄。

五個工具：

mcp_list：檔位、連接狀態、工具數與截斷描述。
mcp_register {name, tier, transport, command|url, args, env, headers, notes}：新增或修改。會先試連並拉一次工具列表，通過才寫註冊表。
mcp_load {name, filter?, limit?, peek?, refresh?}：返回完整 inputSchema。peek 只讀緩存不連接；filter 按名字或描述子串過濾；默認用內存緩存，換 filter / limit 不會重連，只有 refresh: true 才重連重拉。
mcp_call {name, tool, args}，或 mcp_call {name, calls: [{tool, args}, …]}：單個直接返回原結果；批量按順序執行，某一步失敗不中斷後面的。直接調用即可，不需要先 mcp_load，它會自己連接。
mcp_takeover {name}：接管 profile 裏已有的原生 MCP，需要重啓 DSH 才生效。

空閒回收：idleTimeoutMinutes（默認 5，0 關閉）內沒有任何工具調用就斷開上游——stdio 子進程退出、HTTP 會話關閉。工具緩存與註冊表保留，下次調用透明重連，冷啓動只發生在真正用到的時候。活躍時間取「最近一次工具調用」，不是 UI 輪詢；單條服務器可用 idleTimeout 覆蓋（單位分鐘，支持小數）。

存儲在 ~/.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"] }
  ]
}

設置頁入口是「設置 → MCP 服務器」，獨立一頁，不掛在 Skill 工作臺裏。文檔列了已知限制：只橋接 tools，不橋接 resources / prompts / sampling；單例連接不是按會話隔離；沒有 OAuth 2.0，streamable-http 只支持靜態 headers；重連是「用到時重連」，沒有指數退避，連不上直接把錯誤拋給調用方。

面板、過濾與回收站¶

Skill Studio 面板會列出最近改動過的 skill，帶名字、描述、時間戳。列表按三層過濾：來源（all / user / built-in）、啓用狀態（enabled / disabled）、用途（reverse engineering / security / code / docs / ops / data / workflow / other）。三層之間是 AND，點狀態或用途行裏已激活的膠囊即可取消該條件。

生成側也帶用途分組：提取時讓模型在八個固定類別裏選一個，寫進 metadata.group；合併時保留原類。已有 skill 可以批量打類：

node scripts/classify-skills.mjs --write

每個文件會先備份成 .bak-group。刪除是行級的，目錄被搬進 ~/.dsh/dsh-studio/trash/<stamp>-<name>/，可在專門的面板頁恢復或徹底清理，支持批量與單條。

除此之外還掃描多個來源的 skill 根目錄：DSH 與共享 Agent 目錄之外，還掃 Codex / Claude / Cursor / Gemini / Windsurf / Trae / Qoder / Lingma / OpenCode / Copilot / Roo / CodeBuddy / WorkBuddy / OpenClaw / CC-Switch，只掃實際存在的。診斷功能會對 frontmatter name 不是 kebab-case 的 skill 標「host will not load this name」（面板看得見，DSH 不加載它），跨來源重複標「shadowed by X」。

安裝與啓用¶

按 README，插件通過 link: 裝進 DSH profile，改代碼不用重新發布。第一步是把倉庫取到本地並選擇路徑（README 原文寫的是 git clone <this-repo> D:/dsh-plugins/dsh-studio，<this-repo> 即倉庫地址）。

第二步，在 profile 的 package.json 裏註冊：

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

第三步，在 node_modules 裏建 Junction：

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

第四步，重啓 DSH，打開「設置 → Skill Studio」（MCP 部分在「設置 → MCP 服務器」）。

倉庫的 package.json 裏給出的 engines 是 dsh >= 0.1.5-rc.1。

配置¶

配置文件 ~/.dsh/dsh-studio/extractor.json，權限 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": ""
}

常用鍵的用途：autoPerTurn 在每輪結束時跑 YES/NO 判斷；intervalMinutes 是兜底掃描間隔，0 關閉、只靠逐輪；autoAccept 直接入庫而不走待審隊列；mergeThreshold 是本地相似度預篩閾值（是否合併仍由模型定）；skillLanguage 取 auto / zh / en，代碼、命令、路徑不翻譯；provider / model 留空即跟隨會話，也可以在面板裏選。舊的 llmBaseUrl / llmApiKey / llmModel 字段仍可用，作爲沒有 ctx.llm 的宿主的 HTTP 兜底，正常使用時留空。

工具一覽¶

插件暴露的工具集中在 skillmgr_ 與 mcp_ 兩組，HTTP 路由掛在 /api/dsh-studio/*（面板走的就是這些）。

工具	用途
`skillmgr_list`	列出所有 skill，帶來源、狀態、分組
`skillmgr_get`	讀一個 skill 全文
`skillmgr_save`	回寫整份 SKILL.md
`skillmgr_policy`	切換模型 / 用戶調用
`skillmgr_extract_run`	立即跑一次提取
`skillmgr_extract_status`	開關、間隔、隊列深度、上次運行
`skillmgr_extract_config`	改配置
`skillmgr_extract_list` / `_accept` / `_reject`	處理待審隊列（開了 autoAccept 通常爲空）
`skillmgr_trash`	移入回收站，可恢復
`skillmgr_trash_list`	列出回收站批次與條目
`skillmgr_restore`	把條目搬回原路徑
`skillmgr_purge`	永久刪除回收站條目
`skillmgr_snapshot`	把 `~/.dsh` 配置備份成快照
`skillmgr_snapshot_list`	列出快照（時間、標籤、文件數、大小）
`skillmgr_snapshot_restore`	恢復快照；`dryRun` 預覽，`pathMap` 改根路徑
`skillmgr_snapshot_transfer`	導出 `.tar.gz` 或導入外部歸檔
`skillmgr_sync`	跨機同步：讀配置 / 推送最新 / 從遠端拉取

適用場景與注意¶

適合這麼用：已經在用 DSH 跑較長的任務、手上有一批 skill、而希望「對話裏的經驗」能自動沉澱而不是靠人記着去整理的人。也適合 MCP 服務器很多、每輪系統提示被工具 schema 撐大的用戶。

需要留意的幾點：

它是第三方 fork，不是 DeepSeek / 幻方的官方產品；目錄站也是獨立社區站點，不代表官方應用商店。
插件以當前運行的 DSH 進程權限工作，能用文件、能連外部 MCP 命令。安裝前應通讀源碼（lib/、cordis.patch.yml、MCP.md 裏列的已知限制）並確認 MIT 許可證可接受，再決定要不要長期開着 autoPerTurn + autoAccept。
提取和 MCP 管理都要調模型，模型選擇留空時跟隨會話，白跑的判斷也會消耗配額；隊列本身有節流（判斷 90 秒、提取 5 分鐘）。
想按會話隔離 MCP 連接、或需要 OAuth 2.0 的服務器，README 明確說這個插件的實現是單例、不支持 OAuth，需要另找方案。

結尾¶

DSH Studio 的價值在兩句話裏：把 skill 的提煉、歸併、清理變成常駐的自動流水線，把 MCP 工具 schema 從每輪固定成本變成按需拉取。代碼改動可直接生效（link: 安裝），配置項集中在兩個 JSON 裏，行爲不改動時 MCP 默認按 on-demand 走。倉庫地址 https://github.com/samir2015dzh/dsh-studio ，社區目錄頁 https://www.skillhub.cn/plugins/samir2015dzh/dsh-studio 。