dsh-context-extract · 上下文萃取与压缩器

把「前置信息萃取与路由 Agent」做成 DSH 插件：agent 直接调用 context_extract 工具，把超长、多模态的原始文件（财报工作簿、长合同、业务台账）压成高密度结构化 Markdown + JSON，过滤冗余、抽取实体、做勾稽校验，供下游 M1–M4 模块用最省 Token 的上下文。

痛点：几十页财报 / 协议原图 / 长文本直接丢给 AI → Token 爆炸、注意力分散、算错数字、漏掉条款。本插件在「读文件」之前先做一层确定性萃取。

原始文件 → context_extract → 类型识别 → 关键指标/表格/条款/实体 + 勾稽 alert → 密集 Markdown + JSON

一、装了之后发生什么

• 注册一个 agent 工具 context_extract（所有会话可用）。
• 注入一段系统提示「上下文萃取与压缩器」：当用户丢来超长原始文件时，agent 会先调它，再按「禁止解释 / 按需抽取 / 表格优先 / 条款编号化」四条规则进一步压缩。
• 纯 host 插件：不新增 GUI、不改 DSH 源码、没有 npm 运行时依赖。

二、调用方式

context_extract(
  path: "/abs/or/relative/财报.xlsx",   # 必填；.xlsx/.xlsm/.csv/.docx/.txt/.md
  targets: ["货币资金","净利润"],        # 可选：只抽指定指标
  outputDir: "..."                       # 可选：报告目录（默认 <输入目录>/.context-extract）
)

返回：type / type_label（财务报表·法律合同·业务台账）、key_items（关键指标交叉表）、tables（台账表格）、clauses（合同条款切分）、entities（公司/日期/金额）、alerts（勾稽 <alert>）、markdown（密集压缩文本）、token_estimate（≈字符/4）、report.markdownPath / jsonPath。

只读输入，从不修改原文件。

三、能力边界（v0.1）

文件	处理
.xlsx/.xlsm	财务报表 → 关键指标交叉表 + 勾稽；台账 → 表格 dump（前 200 行）
.csv	解析为表
.docx	抽取段落 + 表格，合同按条款切分
.txt/.md	文本直读，识别合同/财务标记
.pdf	不支持（运行时 pdfplumber 损坏、无 pymupdf）；先经 LibreOffice Kit 转文本或 xlsx

四、勾稽校验（自动，仅在财务报表时）

• balance-sheet：资产总计 ≠ 负债合计 + 所有者权益合计（容差 0.1%）→ <alert>
• cash-tieout：BS 货币资金 ≠ CF 期末现金及现金等价物 → <alert>

五、安装（desktop profile）

CLI="/Applications/DeepSeek Harness.app/Contents/Resources/runtime/cli/bin/dsh"
"$CLI" plugin --profile desktop add link:<plugin-dir>/dsh-context-extract

确认 ~/.dsh/profiles/desktop/package.json 的 dsh.profile.bundles 里有 dsh-context-extract；改完在 GUI 工具列表里确认出现 context_extract（没出现则重启一次 DSH）。

卸载："$CLI" plugin --profile desktop remove dsh-context-extract（不删报告）。

六、运行环境（自动探测）

依赖	来源
Python 3 + openpyxl + python-docx	~/.dsh/dsh-runtimes/dsh-primary-runtime/dependencies/python

可用 DSH_CONTEXT_EXTRACT_PYTHON 覆盖 Python 路径。Python 缺失时工具报错并提示用 load_workspace_dependencies 检查。

七、目录

plugins/dsh-context-extract/
├── index.js          # host 插件：注册 context_extract + 系统提示
├── runner.js         # 探测 python，spawn 萃取引擎
├── core/extract.py   # 引擎 CLI（--input/--targets/--out-json/--out-md）
├── test/make_fixture.py   # 生成自测样本
├── cordis.patch.yml
└── package.json

八、自测

PY="$HOME/.dsh/dsh-runtimes/dsh-primary-runtime/dependencies/python/bin/python3"
PY test/make_fixture.py                                   # 生成样本财报/台账/合同
PY core/extract.py --input test/fixtures/sample-financial.xlsx \
  --out-json /tmp/extract.json --out-md /tmp/extract.md

sample-financial.xlsx 应输出 13 个关键指标、2 条 cash-tieout 勾稽提示；sample-contract.txt 切出 3 个条款；sample-ledger.csv 识别为台账。

九、已知限制

• 关键指标依赖中文行标签（资产总计、负债合计、货币资金……）；非中文模板退化为台账/文本。
• 公式单元格若没有缓存值，按空处理（报告里会标注；需要精确值先用 LibreOffice 重算）。
• 条款切分是结构性切分，不生成语义摘要——「条款号 + 核心义务/权利」的一句话说由 agent 按系统提示完成。
• PDF 不支持，需先转换。

十、许可

MIT。