@internetnutzer/dsh-asc

dsh plugin --profile web add @internetnutzer/dsh-asc

dsh-asc




[English](./README.md) | [中文](./README.zh.md)

dsh-asc（全名 DeepSeek Harness Agentic Surface Compaction）是

DeepSeek Harness 的上下文压缩插件：由模型自己决定何时压缩、压缩什么，每个压缩决策都以持久化会话日志替换事件（surfaceOp: replace）提交，可回放、可检索、可撤销。

灵感来自 opencode-acp 的"模型自主压缩"哲学，但建在 DSH 事件溯源日志之上——压缩不产生任何侧面状态文件，解压靠日志回放，搜索覆盖包括压缩原文在内的全量日志。

安装

前置要求：已安装 DeepSeek Harness（dsh 命令可用）；Node.js ^22.19 或 >=24。

从 npm 安装（推荐）：

dsh plugin --profile <name> add @internetnutzer/dsh-asc

从 GitHub 安装——想用比 npm 版本更新的提交：

dsh plugin --profile <name> add github:JanEickholt/dsh-asc

dsh plugin 会把插件加入 profile，并根据包内的 dsh.bundle 声明自动启用它；工具和系统提示随该 profile 一起加载。

重启生效：安装完成后，重启正在运行的 DeepSeek Harness 服务。

其他安装方式

从源码安装——要改插件本身，或参与开发：

git clone https://github.com/JanEickholt/dsh-asc.git
cd dsh-asc
pnpm install
pnpm build
dsh plugin --profile <name> add "link:$(pwd)"

禁用 basic 后端

ctx.compaction 同一时刻只能有一个提供者。在 profile 自己的 cordis.patch.yml 里禁用默认的 basic 后端：

- id: compaction-basic
  disabled: true

可选：挂载不变式伴生和全文检索后端：

- insert:
    - id: dsh-asc-invariant          # 运行时不变式检查（可选，推荐）
      name: "@internetnutzer/dsh-asc/invariant"
    - id: session-query-sqlite       # context_search 全文检索后端（可选）
      name: "@deepseek-ai/dsh-session-query-sqlite"

使用

安装并重启后，无需任何配置——插件会：

• 在系统提示中注入上下文管理规范（判断规则、工具用法、分层压缩节奏），模型从第一轮起就主动管理上下文；
• 在上下文偏高时按需注入 nudge 提示（节奏门控；迭代类 nudge 还要求真实 token 增长，不会每轮打扰）；
• 在溢出或手动压缩时走确定性降级（LLM 摘要；挂载可选的上游工具结果修剪器时先修剪），无需模型配合。

插件提供六个模型工具：

工具 · 作用

context_status · 上下文用量、分层检查点、系统/对话构成、推荐压缩区间、近期表面节点

context_compress · 把一段表面范围替换成你写的检查点（支持批量；自动扩展工具调用对；质量门把关）

context_decompress · 撤销压缩：原文回到表面中检查点原位置（层级感知，full: true 到原始内容）

context_recap · 重新读取检查点摘要，不解压原文

context_search · 全量日志全文检索（含已压缩内容）

context_retrieve · 按 24 位十六进制 sha-256 哈希或 seq 字节级原样返回被投影的工具结果原文

压缩后的内容永不丢失：原文保留在会话日志里，随时可解压或检索。

可逆的工具结果投影

与模型驱动的压缩分开，一个可选的投影服务在超大工具结果进入上下文之前

就压缩它们。它监听 tools/post-execute waterfall，用真实的 token 计量服务

测每个候选文本块，并且原样返回 waterfall 决策——原始事件先落日志。随后一

次可逆提交 shadow 原文并追加替换内容，替换内容里嵌有检索标记：

[dsh-asc projection: structured:json compressed 4200→312 tokens. Full
original (seq 57, stored in this session log): context_retrieve(hash="…").]

• 原文按字节原样留在会话日志里（单一事实来源，无侧面存储），重启后仍在；

只有原文已持久落日志时才发出标记——标记永不悬空。

• 压缩器按内容分派：JSON/YAML/XML/分隔文本/代码的结构化探索器、git diff

hunk 压缩、搜索结果裁剪、CLI 规则压缩，最后的兜底是按计量定价的首尾切片。

context_retrieve 按哈希或 seq 返回字节级原文；未知键返回诊断字符串，

绝不编造内容。

• 投影挂载为独立的 cordis 服务行，与 ctx.compaction 无关——关闭投影

不会关闭压缩，溢出触发的工具结果修剪器仍作为兜底保留。

• 配置：projection.enabled（默认 true）、projection.thresholdTokens

（默认 1000）。

系统提示词把这些工具串成一条操作闭环：把已经消费的原始工作压成 T1

检查点，把稳定下来的 T1 堆蒸馏成 T2 决策、再把 T2 堆凝结成 T3 事实索引。

每个检查点正文都带有 topic 和 Compaction id：可见摘要已经指出细节在哪

一块时，模型直接按 id 解压那一块；只有没有任何可见摘要能说明细节位置

时才用 context_search，而解压始终逐层进行。

工作原理

• 事件溯源：压缩 = 日志里的一个事务（compaction/start → compaction/summary → 替换 user/message → compaction/end），无侧面状态。
• 分层压缩：检查点分 tier（T1 全细节 → T2 决策蒸馏 → T3 裸事实），摘要越用越薄。
• 可逆：解压回放日志中被 shadow 的事件，并提交一条原地替换事件；不需要任何侧面状态。
• 可审计：谁压的、压了什么、摘要全文、token 成本都在日志里。

仓库结构

src/
  index.ts      插件入口：注册 ctx.compaction 与六个工具
  config.ts     严格配置校验
  types.ts      共享配置与结果类型
  events.ts     会话事件词汇说明（不声明自定义成员）
  invariant.ts  运行时不变式伴生（子路径导出）
  engine/       压缩引擎核心（engine、region、tier、quality-gate、fallback、prompt、restore）
  policy/       受保护节点策略与 nudge 状态机
  tools/        六个模型工具
  projection/   可逆工具结果投影服务与压缩器
  analytics/    会话日志用量扫描、regret 信号、asc-stats 命令
  utils/        共享文本工具
tests/          vitest 测试套件
scripts/        corpus-stats 与 bili-cache-join 测量脚本
docs/           usage、design、analysis、e2e-validation、cache-join

搭配官方 tool-result pruner 使用

dsh-asc 的目标是执行后可逆的工具结果压缩：每次投影保留 context_retrieve

查找表，原始内容随时可恢复。官方的

@deepseek-ai/dsh-compaction-tool-result-pruner

（dsh-compaction 补丁集里的工具剪裁补丁）则作为最后一道溢出防线：请求仍

溢出上下文窗口时，它把过大的工具结果截断为 head + tail，让本轮对话存活。

建议两者都安装：

• dsh-asc 投影 — 主路径：可逆的执行后上下文管理。
• tool-result pruner — 溢出保险：仅在请求真正溢出失败后，才把结果截为

head 4096 + tail 1024 字符。

注意：pruner 截断不可逆，且只在溢出时触发——工具执行完成到请求失败之间

没有任何干预，过大的结果会以完整长度滞留在本轮上下文里。以投影为主，

pruner 是安全网而非标准路径。

两者可以干净地组合：pruneSession() 幂等，投影维护自己的检索索引，

任意先后顺序都安全。

生产环境实测

下面的数字来自维护者机器上的真实会话——每一个都可以用

[scripts/corpus-stats.mjs](scripts/corpus-stats.mjs) 扫描你自己的 DSH 会话

日志复现（用法：node scripts/corpus-stats.mjs [~/.dsh/sessions]）。会话

日志是持久的，所以这里没有任何估算或模拟：折叠、被 shadow 的 token 数、

每次请求的缓存用量都是已提交的事件。

语料扫描于 2026-10-08——240 个含折叠的会话，每个至少一次 context_* 工具

调用（引擎归因：只统计注册过 dsh-asc 工具的会话；压缩引擎切换实验的会话

按该指纹排除）：

指标 · 数值

含折叠会话数 · 240

折叠（压缩事务） · 721

被折叠 shadow 的 token · 51.9M

模型署名摘要 · 721（fallback：10）

失败折叠 · 16（2.2%）

折叠中位大小 · 60.5K token

全部计量请求的 prompt-cache 命中率 · 94.8%

折叠后首请求缓存未命中中位数 · 27.6K token

折叠后的 context_decompress · 9 次 — 0.7% 的折叠

context_recap · 12 次

context_retrieve（投影找回） · 1,188 次

context_search · 38 次

这张表讲的故事：约 721 次折叠、约 52M token 的被压缩历史里，模型只

9 次要求取回原文。摘要加分层检查点撑起了工作；真正需要细节时，

context_retrieve 可逆地恢复了它（1,188 次查找，零不可逆丢失）。94.8%

的缓存命中率——计自这些会话里全部 78,927 次计量 LLM 请求，含每次折叠

造成的 re-pay 尖峰——说明压缩与 prompt 缓存健康共存，而不是互相破坏。

一次折叠的完整流转

flowchart TD
    A[模型调用 context_compress] --> B[compaction/start]
    B --> C[质量门：摘要必须过 L1 下限 + L2 召回]
    C -->|通过| D[compaction/summary：shadowedRange + 分层摘要提交]
    C -->|失败| G[ 折叠被拒绝 — 原文保留 ]
    D --> E[user/message 替换事件：表面切换为摘要]
    E --> F[compaction/end]
    F --> H{模型之后需要细节?}
    H -->|通常不需要| I[在摘要上继

…(truncated)