dsh-research-solver
Manifest validResearch-style problem solving in four gated stages: record sources by retrieval tier with local before web, turn each shortfall of existing tools into a gap that needs evidence, score candidates agai
科研式解题器(dsh-research-solver)
把「做一个方案」当成写一篇论文来做:先证明别人哪里做得不够,再用同一把尺子量遍所有方案,最后靠数字迭代,而不是靠感觉。
它不是一个更长的提示词。提示词会随会话消失、结论不可复算、阶段会跳步——这三件事正是它要补的洞。
两条原则
| 原则 | 落到代码上是什么 |
|---|---|
| 一、以别人的不足为创新点 | 每条「不足」(gap) 必须挂在一条真实资料 (source) 上;每个方案必须认领它补的是哪几条不足。没有认领不足的方案,human/成品/方案.md 会直接写出「这还不能算创新点」。 |
| 二、最大幅度省资源,先本地后联网 | 每条资料带 tier:0 本地工作区 → 1 本地知识库/文献库 → 2 本机应用/MCP → 3 网络。走 tier 3 必须写清 whyLocalFailed,否则体检报 S001;本地占比低于 50% 报 S002。 |
四个阶段
① 资料收集 ──→ ② 指标与评估 ──→ ③ 改进与融合 ──→ ④ 迭代改善
找别人的不足 同一把尺子量所有方案 针对短板补/合 用同一把尺子再看一次
阶段不是你声明的,是从产物推导出来的(computeStage):有资料才算 1;有指标且已评分到 2;出现融合方案到 3;完整迭代两轮才到 4。跳过一步,research_task action=status 会指出来。
四个工具
research_task — 推进流程
| action | 作用 |
|---|---|
init | 建项目:research/<slug>/,落 ai/state.json 与 human/ 全树 |
status | 当前阶段、排名、体检结果、下一步该干什么 |
source | 登记一条资料(含 tier、whyLocalFailed) |
gap | 登记一条「谁做不好什么」,必须给 evidence(资料 id) |
metric | 定义评价指标(0–10 分、direction: higher/lower、权重);replace: true 可整套替换并让旧结论过期 |
candidate | 登记候选方案;kind: fused + fuses: [父方案 id] 表示融合 |
choose | 定稿,写入 human/成品/方案.md |
check | 重渲染全部文档并逐字节比对:H001 缺文件 / H002 人改过 / H003 状态与产物不一致 |
research_score — 算分与迭代
| action | 作用 |
|---|---|
evaluate | 给某方案打分,写入评审意见 |
iterate | 冻结一轮快照,必须写 hypothesis(这轮想验证什么) |
compare | 只复算、不写盘,用于质疑现有结论 |
file_layout — 文件治理(不限于研究项目)
你最初的要求是「把文件分成给人用的和给 AI 用的,给人用的再分交流、流程展示、成品、可验证中间过程」——这四格加 ai/ 就是本工具唯一认的骨架,任何目录都能套。
| action | 作用 |
|---|---|
init | 建骨架:5 个格子 + 6 份目录说明(README.md)。已存在的文件一律不覆盖 |
audit | 按确定性规则判断每个文件该去哪,输出 放错 / 待确认 / 根目录游离 三类 |
move | 挪文件。all: true 只搬高/中置信的;path + kind 手动指定低置信的 |
map | 重建 human/README.md(人看的目录地图)与 ai/index.json(机器索引) |
分类靠两条线索,顺序固定:先名字、后扩展名。
名字命中 扩展名命中
对话|纪要|会议|transcript → 交流 jsonl|log|csv → 可验证中间过程
评分|校验|清单|证据 → 可验证中间过程 json|yaml|py|mjs|ps1 → ai/
流程|阶段|计划|过程 → 流程展示 docx|pptx → 成品
成品|定稿|最终|方案 → 成品 md|txt|drawio → 流程展示(低置信)
判不出来的一律标 ? 并写清「为什么判不出来」,不替人搬。这是刻意的:搬错一个文件的代价,比让用户点一下 kind 高。
散在根目录的文件不会被当成「暂时放一下」,而是「还没决定给谁看」——audit 会把它们单独列成一节。
system_index — 先查本机,再谈上网
解题最大的浪费是「不知道手头有什么」:机器上装着什么运行时、哪个版本的库、哪些文件可能用得上。所以不是搜网页,而是先给本机建两层索引。
| 层 | 索引什么 | 怎么来的 |
|---|---|---|
| 能力层 | 装了什么:node / python / java / conda / 各种包、工具链版本、GPU | 问包管理器自己的元数据(pip list --format=json、npm ls -g --json、conda env list --json…),秒级、结构化 |
| 内容层 | 有什么:代码、文字、PDF、图片、视频、音频、数据、模型、压缩包 | 增量遍历文件树,按扩展名归类;目录 mtime 没变就复用上次结果 |
| action | 作用 |
|---|---|
probe | 探能力层(level: fast 只探版本,full 连库列表一起) |
scan | 建/更新内容层索引;一次扫一个盘,按盘合并,扫下一个盘不会把上一个盘擦掉 |
update | 先 probe 再 scan,日常一条命令 |
find | 同时检索两层:query 匹配路径与包名,可加 kind/ext/since/minBytes |
stats | 看索引规模、类型分布、哪些探测没成功 |
实测(这台机器,4 个盘):能力层 1.7s 探到 27 项中 15 项(pip 343 个库、conda 5 个环境、GPU 型号);内容层 166 万文件 / 854 GB 全量 147s,目录未变时重扫 0s、删除 0。
为什么不用 Everything / Recoll 那种「纯路径索引」:AI 解题要的不是「哪个文件叫这个名字」,而是「这台机器能做什么、有什么可用」。路径索引答不了前者,而后者只有包管理器自己知道。
依赖目录(node_modules、site-packages、.m2…)默认不扫——它们的版本信息能力层已有准确答案,扫它们只会把索引撑爆;但跳过一律计数并回报,不会假装扫全了。
评分是确定的
norm = direction === 'higher' ? s/10 : (10-s)/10
total = Σ (weight / Σweight) × norm
同一个 ai/state.json,无论谁、什么时候、算几次,total 都一样。没有模型判断参与算分——模型只提供 0–10 的原始分和理由,账是引擎算的。
外加两个不看总分的视角:
- 帕累托前沿:不被任何方案全面压过的方案,防止「高总分掩盖单项塌陷」。
- 不足覆盖率:被及格方案(≥0.60)认领的不足比例。方案分再高,覆盖率低就说明它没在解决你最初发现的问题。
产物:两棵树
research/<slug>/
├── ai/ ← 给 AI 读:唯一事实来源
│ ├── state.json 全部状态(可整体重放)
│ ├── index.json 文件清单 + sha256(判手改)
│ ├── evidence/sources.jsonl
│ └── log.jsonl 每次操作一行,追加不覆盖
└── human/ ← 给人读:全部由 state 渲染,不要手改
├── 交流/{README.md, 决策记录.md}
├── 流程展示/{00-总览, 01-资料收集, 02-方案评估, 03-改进与融合, 04-迭代分析}.md
├── 成品/方案.md
└── 可验证中间过程/{评分表.csv, 校验清单.md}
human/ 下每个文件都是 renderAll(state) 的纯函数输出,所以能被 check 逐字节比对。想让文档变,只能改 state——这就是「可验证」的意思:结论不靠人自觉维护,靠重算。
安装
从 npm(推荐,一条命令,之后随 dsh 一起升级):
dsh plugin add dsh-research-solver
从 GitHub:
dsh plugin add github:LoneLeave/dsh-research-solver
本机开发时直接指向目录:
plugin_manager action=install_bundle target=<本目录绝对路径>
Host-only bundle,无 Client/UI,无第三方依赖,node >= 22。装好后会注册技能 research-solver(说明两原则与四阶段的调用顺序)。
自检
node scripts/selftest.mjs
最初 22 项断言,不经过 DSH 运行时,直接验证引擎与落盘层:总分独立重算、lower 方向反转、排名连续、帕累托子集、覆盖率、渲染确定性、落盘往返、S001/C001/G001/R001 负例。
当前为 32 项:额外覆盖文件治理——分类规则、低置信不硬猜、init 不覆盖既有文件、audit 找出根目录游离文件、move 后复检干净、move 不覆盖同名目标、map 落盘两张索引、目录说明文件不参与归类。
已知局限
- 只记账,不查证。 资料是否真存在、分数是否公道,引擎不管;它保证的是「记录一致、结论可复算」。
whyLocalFailed也只校验「有没有写」,不校验「写得对不对」。 human/是只读的。 手改会被H002抓出来并被下一次渲染覆盖——这是刻意的,但意味着想改措辞得改渲染模板。- 不支持并发写。 同一个项目被两个会话同时推进,后写的会覆盖前者(没有文件锁)。
- 权重是人定的。 换一套权重可能换一个冠军,这很正常;
metric replace会让旧结论标记为过期(R001),但不会替你重评。 - 与本地已有科研技能的关系:
ccf-*、academic-research-suite、idea-evaluator强在领域知识与写作,本插件不重复这些内容,只在它们缺少的「状态、复算、阶段纪律、人机分树」上补位。两者可以叠用:用它们产出内容,用本插件记账与评分。 - 文件分类是启发式的。
file_layout只认名字与扩展名,不读内容:一份叫「方案.md」的过程记录会被建议进成品。规则命不中时报?而不是猜,但它不会比命名更聪明——整理前先看一眼audit的建议列,比事后git mv回来便宜。 move会改路径。 依赖相对路径的脚本、链接、IDE 配置会断开。整批搬动前建议先audit确认清单,或在版本控制干净的仓库里操作。
Comments
Loading…
Similar plugins
by 58catmiao
dsh-sciwork 把「科研模式」装进 DeepSeek Harness:一个落在自己硬盘上的科研库、一套技能与一块面板。课题、图、草稿、文献、数据表、期刊档案、投稿台账各有其位,写入都经库脚本落盘并登记,面板只读为主、自己不出图。技能把「怎么画、怎么写、怎么引」固化成纪律:出图交给 Origin 链路,写作、引用、投稿格式各有专门技能,外加 12 份期刊档案兜底。零 npm 依赖,路径运行时解析,换台机器照样跑。
★ 4
MIT
JavaScript
Nov 14, 2026
dsh plugin --profile web add dsh-sciworkby GYINT
端到端内容智能采集与调研工作流:多源嗅探→四维评分门控→4级深度抓取→键控事实槽矛盾检测(GA11)→网络边界门控(GA12)→跨源融合→结构化 Markdown 报告。DeepSeek Harness (dsh) skill bundle.
★ 0
MIT
Python
Oct 15, 2026
dsh plugin --profile web add infoseekby weibaohui
Process management: brings ntd-style processes (multi-stage, multi-step agent workflow templates) into the dsh web UI — browse, edit, validate, import/export and AI-generate processes; the built-in li
★ 2
↓ 301/wk
MIT
JavaScript
Oct 29, 2026
dsh plugin --profile web add @weibaohui/dsh-processby tianyao2003
Prior-art search for an idea: three tools find similar open-source projects on GitHub, rank them by a score computed in code from a relevance judgement and the star count, then read the chosen reposit
★ 3
↓ 802/wk
MIT
JavaScript
Nov 8, 2026
dsh plugin --profile web add dsh-find-ideasby biociao
Claude Science-style research workbench for DeepSeek Harness: ReAct research-loop engine (research_* tools), versioned artifacts with provenance (artifact_* tools), SSH remote-compute engine for long
★ 52
↓ 331/wk
MIT
JavaScript
Oct 24, 2026
dsh plugin --profile web add dsh-scienceAutomatically orchestrates complex DeepSeek Harness requests. It detects when delegation is useful, builds a dependency-aware plan, assigns bounded researcher, architect, backend, frontend, tester, an
★ 0
dsh plugin --profile web add dsh-task-orchestrator