dsh-eval-harness

DSH 插件/skill 作者的回归评测门禁：写 yaml 用例 → headless 驱动真实 agent 跑 → 解析 session trace 断言 → 对比 baseline 出 PASS/WARN/FAIL 报告与 CI 退出码。

简介

给 DSH 插件/skill 的回归评测流程提供一个可进 CI 的门禁工具：

1. 用 yaml 写评测用例（prompt + 期望行为断言）；
2. eval_run 逐条 fork dsh --profile headless --patch <overlay> <prompt> 子进程跑真实 agent（overlay 把会话落盘切到隔离目录，每条用例独立 workspace），解析落盘的 session.jsonl / session.jsonl.zstd trace（多帧 zstd 直读），执行断言，写 report.json + report.md；
3. eval_gate 把本次报告与 baseline 报告对比，输出 OVERALL=PASS|WARN|FAIL|N/A 与退出码，供 CI 拦截回归。

安装

已发布到 npm（dsh-eval-harness）：

dsh plugin --profile headless add dsh-eval-harness
# 或从 GitHub 源码安装：
# dsh plugin --profile headless add github:boyang/dsh-eval-harness

# 验证挂载
dsh --profile headless --dump-config | grep dsh-eval-harness

能力面

Tools

Skills

用例格式（cases/*.yml）

一个文件一条用例：

name: 用例名                    # 唯一，gate 按 name 对比 baseline
prompt: "发给 agent 的内容"      # 多行可用块标量 `|`
require_plugins: [some-plugin]  # 可选，元信息
tags: [fast]                    # 可选，标签；eval_run 的 tags 筛选按任一命中匹配
retries: 1                      # 可选，失败重跑次数（非负整数，缺省用 eval_run 的全局 retries）
trials: 3                       # 可选，可靠性测量的独立 trial 次数（正整数，缺省用 eval_run 的全局 trials，默认 1）；
                                # trials > 1 时忽略 retries——测量必须是无重试干预的原始单次成功率
assert:
  turn_end: completed           # turn/end 事件的 reason.kind
  tools_called: [tool_a]        # tool/call 名称序列须按序包含（保序子序列）
  output_contains: ["关键词"]    # 最终 assistant 文本须包含全部
  max_steps: 8                  # 可选，step/end 数上限
  max_tokens: 50000             # 可选，token 上限（input+output+reasoning；cacheRead/cacheWrite 不计入，防多步膨胀）
  no_tool_errors: true          # 可选，任何 tool/result 硬错误（data.error / isError）即 fail
  tools_exact: [tool_a]         # 可选，工具调用名称序列须完全一致（长度+顺序+内容）
  tools_not_called: [tool_b]    # 可选，列出的工具一次都不能被调用
  output_not_contains: ["抱歉"]  # 可选，最终 assistant 文本不得包含任一子串
  output_matches: ["^okay"]     # 可选，最终 assistant 文本须匹配全部正则（解析期预编译校验）
  tool_args_contains:           # 可选，指定工具至少一次调用的参数 JSON 串包含子串
    - name: tool_a
      contains: '"path"'
  tool_result_contains:         # 可选，指定工具至少一次结果的文本包含子串
    - name: tool_a
      contains: total
  output_judge:                 # 可选，LLM 语义评审（结构断言全过后才调，判 FAIL 记 fail）
    rubric: "回答应解释原因而非只给结论"

LLM-as-judge（output_judge）：表达「解释原因而非只给结论」这类写不出正则的语义 期望。定位是结构断言优先、judge 兜语义——一个 attempt 只有结构性断言全过后才会调 judge（结构已失败不白烧 judge token）；judge 判 FAIL 时理由进该用例 failures （形如 output_judge: <理由>），判 PASS 不留任何痕迹。judge 走 OpenAI 兼容 chat completions 接口（零依赖，Node 内置 fetch），配置全靠环境变量：EVAL_JUDGE_API_KEY （缺省回落 DEEPSEEK_API_KEY，两者都无时报错）、EVAL_JUDGE_BASE_URL（默认 https://api.deepseek.com）、EVAL_JUDGE_MODEL（默认 deepseek-chat）。judge 调用 本身失败（HTTP 错误/超时/回复解析失败/无 key）按 error 处理而非 fail——infra 抖动 不是断言失败，可被 retries 覆盖。

报告里的 token 是分字段聚合：total (in X+out Y+reas Z; cacheR A+cacheW B)——prompt cache 命中时 inputTokens 只剩零头、真实输入在 cacheReadTokens，分字段展示让 cache 命中情况一眼可见。max_tokens 对 total（input+output+reasoning）生效：cacheRead 是 多步会话里同一段缓存的重复读回，计入会让上限随步数膨胀，故只展示、不计入。

示例见 cases/example.case.yml。 cases/real/ 收录了 12 条针对真实插件（bash/fs/search/todo/web_search/subagent/workflow 等）的实测用例，全部在真实 agent 回合中验证过； 其中 08-read-image.yml 演示 no_tool_errors 如何拦下「工具报错但 agent 兜底答对」的假通过（在无视觉能力的模型上该用例预期 fail，属正常）。

解析约束：harness 内置零依赖 YAML 子集解析器（块级 map、- 标量/map 序列、 flow 序列、引号、数字/布尔/null、|/> 块标量、注释）。不支持锚点、多文档； 解析失败报带行号的 eval_run: 前缀错误。

工具参数

eval_run

输出：JSON 文本（summary + 报告路径 + 各用例状态）。错误一律 throw eval_run: 前缀消息（找不到 dsh 可执行文件、用例解析失败等）。

report.json 当前写入 schemaVersion: 1。eval_gate 会严格校验当前 schema；未带 schemaVersion 的旧版 baseline 会按 legacy schema 0 兼容读取，并为新增的诊断字段补上 安全默认值。未知的未来 schema、重复用例名、非法状态、token 字段或 summary 不一致都会以 eval_gate: invalid report: 前缀报错，不会继续做门禁比较。

每条新报告用例还会写入 attemptResults：按执行顺序保存每次重试的状态、断言失败、 进程诊断、trace 摘要、token 与耗时；CaseResult 顶层字段继续表示最后一次 attempt， 兼容现有 gate 与报告消费者。旧报告没有真实 attempt 历史时，loader 会合成一条单次记录， 不会伪造旧报告不存在的重试信息。报告头部另记 dshVersion（dsh --version 探针首行）， 排障时可直接区分「dsh 变了」还是「模型变了」。

trials > 1 的用例额外写入 reliability：successRate（单次成功率）、passAtK （无偏估计 1−C(n−c,k)/C(n,k)）、passPowK（无偏估计 C(c,k)/C(n,k)；不用 plug-in 的 (c/n)^k——x^k 上凸，Jensen 不等式保证它向上偏）； report.md 用例表新增「可靠性 (trials)」列。可靠性默认只做测量展示；需要进门禁时用 eval_gate 的 min_trial_success_rate（见下）。

eval_judge_validate

在人工标注集上校准 judge。标注集是 JSONL，每行 {"rubric": "...", "output": "...", "expect": "pass"|"fail"}。逐条调 judge （配置同 output_judge 的环境变量）后报混淆矩阵。

TPR 与 TNR 分开看：标注集里 90% 都是 pass 时，什么都放行的橡皮图章 judge 也能拿 90% agreement——agreement 会骗人，所以 calibrated=true 要求两个指标都达标； 某一维没有对应样本（比如没标 fail）时该维记 null 且整体不达标。判定与标注不一致 的条目收在 mismatches 里供人工 review judge 的错法。

judge 使用与校准（工作流）

output_judge 是唯一的非确定性断言——judge 本身是个会犯错的 LLM，它的漏判会直接 变成门禁的假绿。所以 judge 断言的生命周期比结构断言多两步：

1. 写 rubric：写出「必须/不许」的可判定标准，避免主观词（「回答要好」这类只会 放大抖动）。能落成 output_contains / output_matches 的期望不要用 judge。
2. 攒标注集：从已有报告的 finalText 里抽真实输出，每条亲手标 PASS/FAIL 存成 JSONL（格式与示例见 examples/judge-labels.example.jsonl）。通过的、失败的样本 都要有——缺了 fail 样本就验证不了「judge 会不会抓失败」。
3. 校准：eval_judge_validate 跑标注集，TPR / TNR 都 ≥0.9（默认阈值）才算 calibrated；不达标先看 mismatches 里 judge 的错法，调 rubric 措辞再校。
4. 进门禁：校准通过后，output_judge 的判定才可以信。
5. 重新校准的触发时机：judge 模型更换（EVAL_JUDGE_MODEL）、harness 升级动了 judge prompt、被评输出的数据分布明显变化（比如换了被测模型）。

eval_gate

gate 协议

判定规则（优先级从高到低；软信号的设计理由见 docs/gate-signals.md）：

文本输出（key=value 行 + 明细行）：

OVERALL=FAIL
EXIT_CODE=1
STRICT=false
REGRESSIONS=1
NEW_FAILURES=0
IMPROVEMENTS=0
ADDED=0
REMOVED=0
TOKEN_REGRESSIONS=0
SKIPPED_LINE_INCREASES=0
FLAKY=0
TOOL_ERROR_RECOVERIES=0
REPEATED_ERROR_SIGNATURES=0
BASELINE_FLAKY=0
UNRELIABLE=0
REASON regression: echo-hello pass -> fail
REGRESSION echo-hello: pass -> fail

gate_json=true 时输出单条 JSON（含 verdict/exitCode/reasons/regressions 等字段）。

CI 集成

快速质量 workflow 见 .github/workflows/ci.yml：每次 push / PR 执行 pnpm install --frozen-lockfile、pnpm build、pnpm test、pnpm lint，不需要真实 LLM 或 API key。真实 agent 回归 workflow 见 .github/workflows/eval.yml： pnpm build && pnpm test 后直调 lib/runner.js 的 runEval 跑 cases/real/ 全量（真实 LLM，需仓库 secret DEEPSEEK_API_KEY），再用 lib/gate.js 的 computeGate 对比 baseline/report.json， 按 EXIT_CODE 拦截；report 作为 artifact 留存。评测步开 concurrency: 3 与 retries: 1（偶发网络/模型抖动重跑一次，flaky 标记留在报告里供排查）。 用例或 harness 代码变更会触发重跑， 另有每日定时跑（近 24h 无新 commit 则跳过）。

baseline 更新走 .github/workflows/update-baseline.yml： Actions 页手动触发 → 全量重跑 → 覆盖 baseline/report.json 并开 PR（附报告摘要）， 人工复核后合并，不自动合入。

baseline/report.json 已入库（12 条全量重跑人工复核：全 PASS；read-image 仅在无视觉能力的模型上预期 fail，见上）。用例/断言口径变更时须重跑全量、人工复核后更新 baseline，否则 gate 会把口径变化判成 WARN/FAIL。

session trace 说明

评测依赖 DSH 落盘的会话 trace（默认 $DSH_HOME/sessions/<cwd编码>/<session-id>/session.jsonl[.zstd]， 每行一帧信封 { type, seq, time, data }）。eval_run 不污染环境变量，而是为每条用例生成一个 --patch overlay （<output_dir>/eval-overlay-<序号>-<用例名>.patch.yml），按 row id 整体替换 base bundle 的 session-persistence-jsonl 配置：把 root 切到该用例的隔离目录 （<session_root>/<序号>-<用例名>，session_root 默认 <output_dir>/.sessions；序号是加载序， 因为 slug 化不是唯一键，如 read image 与 read-image 同 slug）；每条用例再以 独立 workspace 作 cwd。per-case session 根 + workspace 让用例可以并行跑（concurrency）， 互不干扰；subagent/workflow 的子会话也落在同一用例的根下。用例名重名会直接报错 （gate 按 name 对比 baseline）。 子进程命令形如 dsh --profile headless --patch <overlay> <prompt>（launcher flags 在前， prompt 是 app 位置参数放最后）。

collector 按文件头魔数自动识别编码：默认的多帧 zstd（session.jsonl.zstd）走 decodeZstdLog 直读（结构扫描帧边界 + 逐帧解压，零外部依赖，仅 Node 内置 node:zlib）， 纯文本 session.jsonl 走 UTF-8。两种编码都能读，eval_run 不再依赖 overlay 强制 compression: none。真实落盘帧的契约快照见 tests/fixtures/ 与 tests/zstd.spec.ts。

会话发现（findSessionFile）：subagent/workflow 用例会在同一 root 额外落下 delegationDepth > 0 的子会话日志；多候选时按 header 行的 delegationDepth 分档， 父会话（0）优先于不可解析、再优先于子会话（>0），同档取最新 mtime。

超时兜底：用例子进程超时（SIGKILL）时不再只记 error，而是尽力采集已落盘的部分 trace（残缺尾帧由 decodeZstdLog 恢复）写进 report，供排查超时原因；采集失败 不掩盖超时本身。

开发命令

pnpm install   # 安装 devDependencies（typescript / vitest / biome / @types/node）
pnpm build     # tsc → lib/（含类型声明 lib/types/）
pnpm test      # vitest run tests
pnpm lint      # biome check --error-on-warnings（仅 lint，format 未启用）

插件管理

已装插件用 plugin-registry 的薄控制台管理（浏览器面板）：管理 profile 插件安装态（bundle 层栈 + insert 行 + 启停），无需手改配置。安装： dsh plugin --profile web add <plugin-registry>/packages/plugin/console