dsh-token-optima

隐私与安全声明

无网络请求：本插件不主动向任何外部服务器发送数据。所有计算与统计完全在本地完成。

无遥测：不包含任何埋点或遥测代码。

数据最小化：不存储 prompt 原文、reasoning 原文或工具结果原文，仅在内存中保留哈希用于对比。

调试隔离：全局调试对象 window.__tokenOptimaDebug 默认关闭，需显式修改配置开启。

文件写入：仅在 ~/.dsh/token-optima/ 目录下写入接口健康诊断文件，且失败时不阻塞主流程。

DeepSeek Harness 的深度 Token 监测插件。挂在 DSH 的 Cordis 插件框架上，通过 64 token 块级缓存模型 + 14 类归因，让你看清每一轮请求的 token 去向、缓存命中情况、以及真实花费。

它不是计费工具，也不是压缩器。它只回答一个问题：这轮请求的 token 到底花在哪了，缓存帮你省了多少钱。

核心能力

14 类 Token 归因底层是坐标模型 (source, cache_status, direction, is_reasoning)。数据来源分三档：实测（API 真值）、推断、估算。
真实费用核算与缓存 ROI（支持峰谷计价）接入 DeepSeek 官方费率，实时计算每轮对话的总花费以及缓存为你省下的金额。自动识别高峰/空闲时段（北京时间工作日 9-12、14-18 为高峰），并支持历史累计统计。
64 token 块级缓存建模按官方 64 token 存储单元切分前缀，追踪命中与未命中。支持识别：前缀断裂、上下文被压缩、surface 中间被替换。
智能失效归因当缓存被破坏时，自动定位导致破坏的来源（如：tool_result、assistant_msg），直接告诉你“是谁弄废了缓存”。
多会话与历史分析支持在面板内切换不同会话，查看全盘的历史轮次明细（每轮花费/省下金额/命中率）。
现代化 UI 与图表采用全新的深/浅色主题设计，内置带交互的环形构成图与趋势图，数据细节尽收眼底。

安装

在 DSH profile 的 package.json 里加：

"dependencies": {
  "dsh-token-optima": "link:<插件绝对路径>"
},
"dsh": {
  "profile": {
    "bundles": [
      ...,
      "dsh-token-optima"
    ]
  }
}

然后：

cd <profile 目录>
pnpm install

完全退出 DSH（托盘也要退）再启动。

启用精确 Tokenizer（可选）

插件默认使用字符加权算法（~80-90% 准确率）估算 Token 数量。如果想让 Token 归因达到 100% 精确（标记为 exact），可以手动加载 DeepSeek 的词表文件：

第一步：下载词表文件

从 HuggingFace 下载两个配置文件（总计约 7.8 MB），放入 ~/.dsh/ 目录：

第二步：设置环境变量

需要让 DSH 进程能读取到这两个文件的绝对路径。请根据你的操作系统设置：

Windows (PowerShell)：

注意：如果你通过托盘或快捷方式启动 DSH，请使用下面的命令将变量写入“用户环境变量”，设置后需完全重启 DSH。

[Environment]::SetEnvironmentVariable('DSH_TOKENIZER_JSON', "$env:USERPROFILE\.dsh\tokenizer.json", 'User')
[Environment]::SetEnvironmentVariable('DSH_TOKENIZER_CONFIG', "$env:USERPROFILE\.dsh\tokenizer_config.json", 'User')

macOS / Linux：将以下内容添加到 ~/.bashrc 或 ~/.zshrc 中：

export DSH_TOKENIZER_JSON="$HOME/.dsh/tokenizer.json"
export DSH_TOKENIZER_CONFIG="$HOME/.dsh/tokenizer_config.json"

第三步：验证

重启 DSH 并打开面板。如果面板底部的状态栏显示 tokenizer: hf:... (exact)，即代表加载成功。

开发

pnpm install
pnpm typecheck   # 类型检查
pnpm test        # 运行 Vitest 测试
pnpm build       # 生成 lib/index.mjs、lib/client.js 和 d.ts 声明文件

License

MIT

Comments

Loading…