dsh-session-eval

English | 中文

DeepSeek Harness 会话的回溯式评测：对已经发生的会话做确定性等级评定，跨会话回归对比，回答"换了插件 / prompt / 模型之后，我的 agent 是变好了还是变差了？"

不需要编写基准测试集，没有 LLM 裁判，不需要跑新任务。所有等级 = 持久化会话日志上的固定公开阈值——完全可复现。

安装

环境要求：Node.js 20 或 22 · 挂载了 commands 与 sessionQuery 服务的 DeepSeek Harness profile（官方 web / agent profile 均满足）。

dsh plugin --profile web add dsh-session-eval

或从 GitHub：

dsh plugin --profile web add github:kittimzhe/dsh-session-eval

bundle 覆盖层会挂上 /eval、/eval-diff、/eval-history。若你维护自己的 cordis.patch.yml，请保留这一行：

- insert:
    - id: session-eval
      name: 'dsh-session-eval'

试一次

在 DeepSeek Harness 里：

/eval

Session eval — a1b2c3d4… (dsh-session-eval v0.2.2)
Overall: A
  Reliability   A    2/87 tool results errored (2.3%)
  Re-ask        A    1 re-ask signal(s) over 23 turns (0.4/10 turns)
  Tool load     B    3.8 tool calls per turn
Notes:
  • Wall time 41.2 min over 23 turns.

会话工具链的评测层

| 插件 | 层 | 回答的问题 | |---|---|---| | dsh-session-export | 证据层 | "这个会话到底发生了什么？" | | dsh-session-recall | 记忆层 | "我以前做过什么，在哪？" | | dsh-session-eval | 评测层 | "刚才的会话好不好？趋势在变好吗？" |

三者都通过同一个可信的 ctx.sessionQuery 缝读取，JSONL / SQLite 等任何持久化后端均可使用。

证据联动闭环（#8）

/eval --report 直接从 dsh-session-export 已写出的产物评分——不用抄会话 id，会话从存储中删除后依然可评：

recall "resume template font"
→ session session-ca62e005-… · report /proj/dsh-transcripts/bundle-ca62e005-20261104-120000.zip

/eval --report /proj/dsh-transcripts/bundle-ca62e005-20261104-120000.zip

接受 bundle ZIP（内嵌 archive.zip 原始 JSONL）与裸 /archive ZIP。里面的 JSONL 就是权威事件日志——与 readSession 返回的是同一份字节——所以 --report 与 /eval --id 评分完全一致（用真实 dsh-session-export 写入器做过往返测试）。--id 与 --report 互斥。

贡献

• 本地开发：npm ci && npm run typecheck && npm test && npm run bundle（Node 20 或 22）。
• 源码入口：src/grade.ts（阈值与等级卡）、src/metrics.ts（指标提取）、src/trend.ts（/eval-history 趋势逻辑）。源码地图与第一次 PR 建议见 CONTRIBUTING.md。
• 当前缺口：#1（阈值可配置）与 #2（/eval-history --since）已在 v0.3.0 落地——或浏览 good first issue 标签。
• 规矩：行为变更必须带测试；文档必须 README.md 与 README.zh.md 同步改；版本发布由维护者执行。详见 CONTRIBUTING.md。

与基准式评测（dsh-eval）的区别

| | dsh-eval（基准） | dsh-session-eval（本插件） | |---|---|---| | 评什么 | 预先发起的运行 | 已经发生的会话 | | 准备 | 编写基准 YAML + 用例 | 零——直接读存量日志 | | 裁判 | 跨 trial 的指标折叠 | 固定阈值，确定性 | | 擅长 | 上线前基准 | 真实工作的回归追踪 |

两者互补而非竞争：基准测你预测到的场景，回溯评测看实际发生的工作。

命令

| 命令 | 效果 | |---|---| | /eval | 当前会话等级卡 | | /eval --id <会话ID> | 指定会话 | | /eval --json | 机器可读指标 + 等级卡 | | /eval-diff <前ID> <后ID> | 回归对比（带噪声带） | | /eval-diff … --json | 机器可读趋势报告 | | /eval-history [N] | 本工作区最近 N 个会话成绩单 + 首末趋势 | | /eval-history … --json | 机器可读历史报告 | | /eval-history --since 7d | 只评窗口内有活动的会话（也支持 24h、30d） |

--since 按最新活动时间过滤，而非创建时间：很久前打开但一小时前还活跃的会话留在窗口内；刚创建但一直沉默的会被排除。--since 7d 下趋势对比的是窗口内首末两个会话；窗口为空时打印明确提示而不是崩溃。不加该参数时行为与从前完全一致（最近 N 个）。

使用 /eval-history --out report.md 将终端卡片保存为 Markdown，添加 --json 则保存 JSON。相对路径基于当前会话工作目录（缺失时使用进程工作目录）。父目录必须已存在；写入失败会返回错误，不会创建目录。已存在的输出文件会被覆盖。

/eval-history 通过与 /archive 相同的 sessionQuery 接缝自动找到会话（按当前工作区 cwd 过滤），逐个评级，并把首尾两个会话做趋势对比——不用再手动挑 id。已经知道两个关键 id 时用 /eval-diff。

典型用法：换插件或 prompt 前后各评十个会话；Reliability 持续回归 = 改动伤害了真实工作的早期预警。

配置等级阈值

阈值是默认值而非铁律。在插件配置节点下（天然按 profile 区分）加 gradeBands 块即可覆盖任意维度——值为 A–D 各档上限、升序：

session-eval:
  gradeBands:
    reliability: [4, 8, 15, 30]   # 工具错误率百分比
    reask: [0, 2, 4, 8]           # 每 10 个用户轮次的纠错次数
    toolLoad: [0.1, 0.5, 8, 20]   # 每轮工具调用数：[lowC, lowB, highC, highD]

可只覆盖部分维度；未列出的保持文档默认值。未知键、元素个数不对、非数字、负数或非升序，都会在插件加载时以可读错误快速失败——绝不会对着没人选过的阈值评级。

维度与阈值（确定性，无裁判）

| 维度 | 指标 | A | B | C | D | E | |---|---|---|---|---|---|---| | Reliability | 工具错误率 | ≤5% | ≤10% | ≤20% | ≤35% | >35% | | Re-ask | 每 10 轮纠正信号¹ | 0 | <1 | <2 | <4 | ≥4 | | Tool load | 每轮工具调用 | 0.5–8 | 0.1–0.5 | <0.1 或 8–20 | >20 | — |

¹ 纠正信号 = 连续用户消息中多出的那条（agent 还没回复用户就重问）——"第一次没做对"的行为学代理指标。

总评 = 最差维度（保守设计）。阈值是 src/grade.ts 中的常量；可配置化在路线图上（见 issue）。

Diff 判定带噪声带（错误率 ±2pp、Re-ask ±0.5、工具负载 ±1），微小抖动不会误报回归。

确定性保证

同样的日志进 → 同样的等级出。没有模型在环、没有采样、指标不含时钟依赖（wall time 只报告不评级）。这是 /eval-diff 能作为回归信号被信任的原因。

开发

npm ci
npm run typecheck   # tsc --noEmit
npm test            # vitest run
npm run bundle      # tsdown → lib/

许可

MIT

社区

• 贡献指南 · 安全策略 · 行为准则