xiaobright/dsh-anchored-standard

Двухфазный пресет DeepSeek Harness: минимально выровненная загрузка, затем полный набор инструментов Standard (Project2 98/99)

Инструменты⭐ 3 804JavaScript
Открыть на GitHub ↗Сайт проекта ↗

Что это за инструмент

Экспериментальный пресет для DeepSeek Harness, реализующий двухфазную стратегию запуска: сначала минимальный набор инструментов для формирования правильного стиля мышления (trajectory), затем автоматическое расширение до полного набора Standard-инструментов.

Зачем нужен

Инструмент решает проблему неоптимального поведения модели в начале сессии, используя 'якорение' через ограниченный контекст и простой инструментарий. Это позволяет модели быстрее перейти к эффективному решению задач, последовательно раскрывая доступные функции только после подтверждения устойчивости сессии.

Что можно реализовать

  • Настройка DeepSeek Harness для работы с агентами, требующими строгого контроля над первым запросом модели
  • Исследование влияния схемы инструментов (tool schema) и бюджета токенов на стиль рассуждений LLM
  • Использование готовых пресетов (Zero-Anchored, Whoami, Prefab) для быстрого тестирования разных стратегий инициализации сессии
  • Анализ данных о стоимости и эффективности различных режимов работы (например, сравнение затрат на 'anchor' вызовы)

Ключевые возможности

  • Механизм 'bootstrap phase': первый запрос использует только пару инструментов (bash + str_replace_editor) без авто-инъекций контекста
  • Автоматическая 'promotion' (промоция) сессии: переход к полному набору инструментов при первом успешном вызове или сообщении
  • Наличие специализированных режимов: Zero-Anchored, Whoami (самопрезентация), Prefab (заранее сгенерированная траектория) и Eternal Minimal
  • Прозрачная логика 'trajectory': модель начинает с фраз типа 'We need…' (Minimal) или 'Let me…' (Standard) в зависимости от настроек первого запроса
  • Модульная структура: каждый режим (mode) изолирован и может быть установлен отдельно без импорта в рабочее пространство

👤 Кому подойдёт: Исследователи LLM, разработчики AI-агентов и инженеры, работающие с DeepSeek Harness, интересующиеся оптимизацией inference-time поведения моделей и управлением контекстом.

Релизы

Релизы ещё не отслежены — появятся после ближайшего опроса.