Agent-Benchmark

基于 DeepSeek Harness（dsh）的上下文策略插件与实验运行器。npm 名称 dsh-agent-benchmark，0.2.0-rc.1 / MIT；安装、配置、卸载和支持版本见 发布指南，公开发布状态见 执行记录。已公开的安装包见 GitHub 预发布，插件已收录于 dsh.pub，并已发布到 npm。使用 dsh-agent-benchmark@next 或锁定 @0.2.0-rc.1。

37 项测试与 4 个离线策略试验通过。官方 deepseek-flash（V4.1-Flash）完成 24 个开发 trial、96 个评测 trial，全部有 API usage。评测集本地摘要正确 40/48，换窗恢复正确 39/48；成功率差区间包含 0，不支持策略优劣结论。资源和失败分析见 RESULTS。发布工程不改写冻结实验或其源码快照。

PawBench 原任务、fixtures 和原评分器可运行；本次两组均预算终止，未解题成功，也未触发换窗。正负产物测试证明原评分器接受正确结果、拒绝缺失结果。该子集采用受限 Windows 工具环境，不代表完整外部协议或官方排行榜。

运行

需要 Node.js 24；离线验证无需 key。外部子集另需 Python 3。依赖版本由 package-lock 锁定。

npm ci
npm run check
npm test
npm run demo

示例在 runs/demo/ 生成 JSON/Markdown 和各组 JSONL。输出目录必须为空；再次运行指定新目录：

node dist/src/cli.js run examples/conformance.json --out runs/demo-new

离线模式为 conformance，脚本模型仅证明机制契约。失败试验保留，CLI 返回非零；usage 缺失显示 null/unknown，估算独立标识。

官方在线实验

协议见 ONLINE_PROTOCOL。使用环境变量 DEEPSEEK_API_KEY，或添加 --key-stdin 从不回显的终端输入凭据；key 不写入配置、日志或产物。

node dist/src/cli.js online examples/online-development.json --out runs/dev-new --key-stdin
node dist/src/cli.js online examples/online.json --out runs/eval-new --key-stdin
node dist/src/cli.js external pawbench --out runs/paw-new --key-stdin

六个家族共 36 任务；每类按 seed 分成开发集 12 任务、评测集 24 任务。评测重复两次，形成 48 对。固定任务、模型、采样、切换机会与预算，工具和保留内容依策略声明区别。该划分不测试未见家族的泛化。

每次运行保存源码快照、锁文件、配置/任务哈希、答案及原生日志。错误答案与运行失败保留；初始化故障以 stopped 状态披露未运行样本，不自动续跑或选择性重试。

本次证据位于 runs/online-development、runs/online-evaluation、runs/pawbench-official，由 .gitignore 排除。已有这些目录时执行 node scripts/audit-runs.mjs，核对哈希、usage、窗口、请求数、fixtures 和原评分器；输出 runs/completion-audit.json。

开发接口与边界

根入口导出插件 name/inject/Config/apply 及 P0 的 Session、transition、ensureWindow、callModel、RecoveryTools。公开子入口包含 dsh、native、runtime、persistence、resources、external。原生策略替换 CompactionEngine；运行器组合 AgentLoop、Session、ToolRuntime 与 JSONL persistence。共享 Cordis 4.0.4 / dsh 0.1.0-rc.8 使用 peerDependencies，完整宿主另固定 HMR 1.0.16。实验运行器不加载 basic compaction、结果裁剪或隐式 provider 重试；插件 bundle 关闭 basic 与结果裁剪，其余宿主插件由 profile 管理。

窗口以 UTF-8 bytes/4 加开销估算，用于制造受控压力，不能称为官方 1M 窗口耗尽。主循环、摘要、失败预留均计预算；usage 中缓存不重复计入。摘要输出上限、虚拟恢复存储、路径/大小目录 hint 是本项目明确契约，具体区别见 策略比较。

P0 使用 Session.resume(path)，支持尾行修复、内部损坏拒绝及单写锁；不自动抢占残留锁。原生路径使用 ctx.agents.resume，checkpoint source 元数据保存 notes、窗口和计量，provider 只发送正文。原生 Session 内存接受先于 persistence flush，不能沿用 P0 的“落盘后才发布”保证。受限 Python 工具用于闭合工作区任务，不是任意代码的 OS 隔离后端。

文档

文档	用途
SPEC	需求、契约和验收范围
PLAN	架构、生命周期和阶段设计
TASK	任务追踪及实际验证
ONLINE_PROTOCOL	冻结任务、模型与资源
RESULTS	成功率、成本及外部失败
DECISIONS	用户决策、工程默认与长期候选
RELEASE_SPEC / RELEASE	发布契约、安装配置与支持边界

设计来源与致谢

• DeepSeek Harness：可组合的 Agent 与插件架构。
• PawBench：Model × Harness 评测、任务切片与诊断轨迹。
• Harness-Bench：共享环境、预算和协议下的配置比较。

本项目采用 MIT。PawBench 子集 保留来源 commit、Apache-2.0 LICENSE/NOTICE 和任务上游 Claw-Eval MIT LICENSE；原 grader 从原任务逐字提取。未复制 Harness-Bench 或 dsh-eval 代码/数据。第三方许可独立适用；本项目与上述项目没有已确认的官方关联。