软件

三个桌面产品，一套给 AI Agent 的确定性工具

这里的东西有一个共同点：能在本地跑的就不到云上去。桌面工具负责日常的文件、研究和开发琐事； DSH 插件家族把同样的确定性交给 AI Agent —— 46 个工具、214 个测试，全部离线执行。

DSH 插件家族

给 AI Agent 装上 46 个确定性工具

DeepSeek Harness 的插件体系里，这四个插件解决的是同一类问题：那些模型"能算但不一定一次算对"的活。每个工具都返回带边界信息的回执，输入超预算会拒绝而不是截断，输出超预算会按字符边界截断并标记。

dsh plugin --profile web add @ax2zicode/dsh-dev-toolbox   # 一次装齐四个插件
dsh plugin --profile web add dsh-deterministic-tools       # 只装其中一个
dsh plugin --profile web add https://github.com/ax2/dsh-win-native/releases/latest/download/dsh-win-native.tgz

装完重启会话，用 /tools 或在提问里直接点名工具即可。

`dsh-deterministic-tools`

文本与数据类的确定性工具

29 个工具 · 35 个测试

JSON 校验会给出出错的行、列与字符位置；另有 JSONPath 查询、YAML/CSV 互转、文本 diff。
编码、哈希、Unicode、CIDR、JWT 结构、时间戳、颜色、进制转换，全部本地计算。
超预算的输入直接拒绝并说明原因，而不是悄悄截断；每次调用返回统一回执。

GitHub npm 下载 tgz

`dsh-jvm-doctor`

JVM 生产报告的离线诊断

5 个工具 · 47 个测试

线程转储给出 Java 级死锁环与阻塞链，GC 日志给出停顿分位与内存回收趋势。
Maven / Gradle 依赖冲突、异常链根因、Spring 配置差异都能对数。
只看文件：不 attach、不执行 jcmd / jstack，不连生产机器。

GitHub npm 下载 tgz

`dsh-py-doctor`

Python / Django 生产报告的离线诊断

6 个工具 · 75 个测试

Traceback 定位到根因那一层，pytest 汇总给出失败聚类与首个失败点。
未应用的迁移、N+1 SQL、manage.py check --deploy、Celery 积压一次对齐。
不执行 Python、不起子进程，输入就是你已经拿到的日志与输出。

GitHub npm 下载 tgz

`dsh-win-native`

Windows 上的编码与路径正确性

6 个工具 · 57 个测试

GBK / GB18030 / UTF-16 / Big5 / Shift-JIS 编码检测：给置信度，并把无法映射的字符逐个报出来。
Windows 路径合法性检查：保留设备名、8.3、UNC、MAX_PATH。
netstat 输出解析、目录占用盘点与重复文件查找，全部只读。

GitHub npm 下载 tgz

`@ax2zicode/dsh-dev-toolbox`

合装包：一条命令装齐上面四个

4 行 bundle · 无自有代码

只负责把四个插件按顺序插进 profile，插件本身仍各自独立发版、可单独升级。
装了它就别再单独装这四个插件，否则同一批工具会注册两次。
四个子包都是它的依赖，离线也可以先用 GitHub Release 里的 tarball 安装。

GitHub npm 下载 tgz

先说代价。这 46 个工具的定义本身要占上下文：实测一次请求多带 7,677 tokens，约为该请求工具区（19,608 tokens）的 39%，折算每个工具约 167 tokens。所以一次性小活未必划算—— 模型自己写一段 pwsh 做同样的事也可能一次就对。插件真正买的是一次就对的确定性、可复现的输出、以及知道自己不知道（拒绝而不是猜）。只做某类活时，可以在 profile 的 cordis.patch.yml 里用 only / toolPrefix 裁剪：实测把 dsh-deterministic-tools 从 29 个裁到 5 个，首次请求的 prompt 从 16,799 降到 13,529。

完整的实测过程（四组对照、什么时候真的划算、怎么自己复跑）写在博客里：给 Agent 装了 46 个工具，我算了一笔 token 账。

桌面软件