HapyRain/dsh-router-laya

Name: HapyRain/dsh-router-laya
Author: HapyRain

Plugin插件 Native原生 ⭐ 8 Apache-2.0 Models & Routing模型与路由

Auto tier routing for DSH: a locally fine-tuned model picks low/high/max thinking effort per message. Private, <1s, no cloud. 自动档位路由

Project Overview项目介绍

Edited by Zhiwei Agent (zhiwei)由知微Agent(zhiwei)编辑

dsh-router-laya is a cordis-style plugin built specifically for DSH (DeepSeek Harness). It watches outgoing messages that carry no explicit tier instruction and silently routes them to one of three thinking tiers — low, high, or max — so that simple chat does not pay for a full deep-thinking budget and hard tasks still escalate when needed. The decision is made by a locally hosted fine-tuned classifier (~846 MB checkpoint) that runs on CPU in under a second and never leaves the machine. The plugin is registered as a normal DSH plugin entry via npm i -g dsh-router-laya followed by npx dsh-router-laya setup, which provisions a Python virtual environment, downloads the weights from GitHub Releases (with Hugging Face and mirror fallbacks and resume support), starts a resident judgment service, and prints the snippet to paste into the user's DSH profile along with two environment variables: ROUTEEXP_ARM=auto and ROUTEEXP_RESPECT_EXPLICIT=1.

In normal use the operator simply types messages into DSH as usual; the plugin inspects each prompt for dictionary cues ("use the highest tier", "continue", "avoid max"), runs the laya classifier on side effects, cross-module dependencies, deep reasoning, code, generation, and conversational compounding, and applies retry-aware escalation across turns before a final constraint pass. The input bar surfaces a live tier chip plus the last twenty rounds of reasoning, and it dims with a startup hint when the local service is offline. It targets DSH users who want auto-pilot behavior across routine sessions, hobbyists willing to host a small local model, and developers who may want to retrain the head on their own corpus using the documented labeling and training pipeline.

Hard requirements are Node ≥ 18, Python ≥ 3.10, and roughly 2 GB of free disk for the virtual environment and checkpoint; the judgment service must stay resident, so users re-run npx dsh-router-laya setup or the bundled service script after a reboot. Each round adds 1–3 seconds of classification latency to time-to-first-token, and if the service is unreachable the plugin degrades to low so the conversation never breaks (observed probability <0.3%); major DSH client updates may require updating the injected client.js. The project code is Apache-2.0, while the judgment model is a fine-tune of convaiinnovations/laya and answerdotai/ModernBERT-large (both Apache-2.0), credited in NOTICE.

dsh-router-laya 是一个面向 DSH（DeepSeek Harness）的 cordis 插件，对未携带明确档位指令的消息，按 low / high / max 自动选择思考档。判定由一个本地微调分类模型完成，权重约 846MB，CPU 上单次推理不到 1 秒，全程离线运行。它在会话内无感检测消息意图、副作用、跨模块依赖、重试等信号，再交由规则引擎决定具体档位，并支持按重试次数沿阶梯自动升档，max 兜底。

典型流程是用户照常在 DSH 中发消息，插件在消息送出前完成档位判定并自动切换，无需手动干预；输入栏还会展示当前档位芯片与近 20 轮判断原因，便于观察。它适合既想省 token、又不愿在每条消息上做手动档位选择，同时接受本地常驻一个判定服务的 DSH 日常用户，以及想把同一思路迁到其他 agent 工作流中的开发者。

依赖与限制：安装用 npm i -g dsh-router-laya 再 npx dsh-router-laya setup，需 Node ≥ 18、Python ≥ 3.10、约 2GB 磁盘；setup 会建虚拟环境、从 GitHub Release 下载权重（HF 与镜像兜底，支持断点续传），并启动常驻判定服务，需在 DSH profile 注册插件行并设 ROUTEEXP_ARM=auto、ROUTEEXP_RESPECT_EXPLICIT=1。首次判定多耗 1–3 秒计入首字延迟；服务不可达时降级到 low（<0.3%）；DSH 大版本更新可能需同步适配 client.js；代码 Apache-2.0，判定模型基于 convaiinnovations/laya 与 answerdotai/ModernBERT-large 微调，已在 NOTICE 署名。

View on GitHub在 GitHub 查看

Send to your DSH发给你的 DSH 安装

请帮我安装这个 DSH 插件。安装前先完成【兼容性检查 + 安全性检查】，检查通过再动手。

插件：dsh-router-laya（HapyRain/dsh-router-laya）
仓库：https://github.com/HapyRain/dsh-router-laya
本站详情页：https://www.yhbd.top/plugins/hapyrain-dsh-router-laya/
本站登记：类型 plugin · 归类 原生 DSH 插件 · 许可证 Apache-2.0 · ⭐ 8 · 最近提交 2026-09-29 · 主语言 Python

按下面顺序执行，每步先把结论告诉我，再进入下一步：

【1 兼容性检查】
① 我这边：DSH 版本、Node 版本、操作系统、当前 profile（web / desktop）。
② 读它的 README、package.json、插件 manifest，列出它要求的 DSH 版本 / Node 版本 / 操作系统 / 外部依赖 / 需要另外先装的运行时。
③ 逐条比对，结论只写「满足 / 不满足 / 未知」三种；不满足的给出可行替代方案。
④ 检查是否和我已装的插件冲突：命令名重复、skill / tool 重名、端口占用、重复注册的 MCP server。

【2 安全性检查】
① 仓库可信度：和上面「本站登记」是否一致；star / fork 数、创建时间、最近提交，是否归档或长期停更。
② 安装脚本：逐行看 package.json 的 preinstall / install / postinstall，以及 install.sh、setup.ps1 之类脚本。出现 curl|bash、下载后直接执行、混淆代码、访问与插件功能无关的域名，立刻停下来告诉我，不要继续装。
③ 依赖：列出新增依赖，标出无人维护、或与知名包拼写近似的可疑包（typosquatting）。
④ 权限与副作用：它会读写哪些目录、访问哪些域名、需要哪些 DSH 权限（filesystem / network / shell / clipboard 等），以及怎么卸载和回滚。
⑤ 如果它要求 sudo / 管理员权限，或权限明显超出功能所需，先停下来问我。

【3 安装】
上面两步没有「不满足」和「高危项」时才执行；用官方推荐方式安装，不要自行提权。

【4 汇报】
用表格输出：检查项 / 结论 / 依据 / 是否需要我决策。拿不准的一律写「未知」并说明要我怎么确认——不要猜，也不要替我决定。

Send this message to DSH in your current session: it verifies compatibility and security first (answering met / not met / unknown item by item) and only installs once everything checks out — it will stop and ask you if it finds a high-risk item. The box scrolls; the copy is the full prompt. CLI install commands may not be accurate across systems, so DSH is the safer route.把上面这条消息直接发给当前会话里的 DSH：它会先核对兼容性与安全性（逐条给「满足 / 不满足 / 未知」），确认没问题再安装，有高危项会停下来问你。框内可滚动，复制到的是完整提示词；安装命令不一定准确，发给 DSH 更稳。

Pre-install check安装前体检Compatibility · Security兼容性 · 安全性 1 warning1 项注意

Only 8 stars - very few users, little community feedback星标只有 8，几乎没人在用，遇到问题缺少社区反馈

DSH walks through these 9 checksDSH 会逐条核对这 9 项

Compatibility兼容性

DSH, Node, OS and profile requirementsDSH 版本 / Node 版本 / 操作系统 / profile 是否满足要求
External dependencies and runtimes (Electron / Python / Docker, ...)外部依赖与运行时（Electron / Python / Docker 等）是否齐备
Conflicts with installed plugins: command names, skill / tool names, ports, duplicate MCP registration与已装插件是否冲突：命令名、skill / tool 重名、端口占用、重复 MCP 注册

Security安全性

Repo matches the facts registered here; archived or abandoned?仓库是否与页面登记一致，是否归档或长期停更
Safety of preinstall / install / postinstall and install.sh / setup.ps1preinstall / install / postinstall 与 install.sh、setup.ps1 是否安全
curl|bash, download-then-execute, obfuscation, unrelated domains → stop immediatelycurl|bash、下载即执行、混淆代码、无关域名 → 立刻停止
Typosquatting or unmaintained packages among the new dependencies新增依赖里有没有 typosquatting 或无人维护的包
Requested permissions vs. what the feature actually needs申请了哪些权限、是否超出功能所需（filesystem / network / shell / clipboard）
Any sudo / admin requirement, plus uninstall and rollback是否要求 sudo / 管理员权限，以及卸载与回滚方式

Anything uncertain must be marked unknown with a note on how to confirm it. This site's signal screen is a static snapshot, not a security audit.拿不准的必须标「未知」并说明要我怎么确认。本站的信号筛查是静态快照，不能替代安全审计。

Or use CLI install (for developers)或使用命令行安装（适合开发者）

CLI Install命令行安装

dsh plugin --profile web add github:HapyRain/dsh-router-laya

把 HapyRain/dsh-router-laya 加入你的 DSH 配置（web profile）即可启用。

READMEREADME

5.8 KB · 缓存于 2026-09-30 22:09:22 · 5.8 KB

dsh-router-laya

一个 DSH 插件：对没有明确档位指令的消息，自动选择思考档（low / high / max）。

做法是在本地跑一个微调过的分类模型（842MB，CPU 推理不到 1 秒），配合会话内的检测无感自动升降档。全程本地离线，超快响应，适配日常使用，从此让Harness开启"自动驾驶"模式。

为什么做它——以及为什么值得你试试

你大概也有同感：想让 AI 在难题上多想一会儿，就得手动把档位拉满；而大多数日常消息，拉满纯属浪费——多烧的 token 换不来更好的回答，来回手动切又麻烦，时间,tokens双双爆炸💥！

关于本插件逻辑的一些理论支持：

DeepSeek 的 V3.2 技术报告专门写了这个机制（thinking budget）：模型训练时就按「在给定的思考 token 预算内最大化准确率」来优化，报告里附了不同预算下的性能曲线。所谓档位，对应的其实就是这份预算——档位高，能思考的 token 多，消耗也大。
OpenAI 的 o3-mini 直接按 low/medium/high 三档发布官方成绩：低档在多数任务上已经够用，高档只在高难任务上拉开差距（官方公告）。
《Thoughtology》综述对 R1 系模型的测量：强模型的准确率随思考预算增长很快饱和，大多数任务用不满大预算，多出来的基本是白烧。
Qwen3 的按请求预算、Anthropic 的 budget_tokens、LangChain 的 reasoning_effort—— 「档位 ≈ 思考 token 预算帽」已经是行业通行的实现。

档位是真实存在的旋钮，问题只剩一个：谁来判断该拧到几档？ 手动切麻烦，全局拉满浪费。 dsh-router-laya 把这个判断交给一个本地小模型：它先看一眼你的消息，决定需要多少思考，再把请求路由到合适的档位——你只管发消息。具体来说：

省钱：简单消息走 low，思考 token 只有拉满时的零头，不再为简单问题支付推理成本
快：低档首字响应更快；本地判定不到 1 秒，无感
难事不掉链子：任务复杂或你在重试时自动升档，max 兜底
隐私：判定模型本地跑，任务文本不出本机
越用越准：判定模型可以随你的使用习惯持续重训

另外我做了 120 多次本地对照实验交叉验证，方向与公开结论一致：单任务 low 档约 96% 成功（确实不必多花钱）；15 个任务连吃 low 档 42% 翻车、升档后约 17%——这就是这个插件要吃的那一段：

会话失败率 vs 任务数

负责判断的 7 题微调分类头，对金标（三模型交叉标注）一致率 99%、本地判定小于 1 秒：

判定质量

会话内自动升档的实测阶梯——重试两轮，low 到 max：

升档实测

输入栏有个档位芯片，实时显示当前档位和最近 20 轮的判断原因；服务离线时变灰并给出启动命令。

安装

npm i -g dsh-router-laya
npx dsh-router-laya setup

setup 做三件事：建 Python 虚拟环境、下载 846MB 的 checkpoint（走本仓 GitHub Release， HF 和镜像做兜底，支持断点续传）、启动判定服务。然后按它打印的 snippet 在你的 DSH profile 里注册插件行，设两个环境变量：

ROUTEEXP_ARM=auto
ROUTEEXP_RESPECT_EXPLICIT=1

要求：Node ≥ 18，Python ≥ 3.10，约 2GB 磁盘。判定服务需要常驻（setup 会启动，重启机器后重跑 npx dsh-router-laya setup 或 service 里的启动脚本）。

它怎么决定档位

按顺序过四层，任何一层命中就停：

词典意图：「用最高档」→ 直接定档（一票否决）；「继续」→ 保持上轮；「别用 max」→ 记一个约束
微调模型：laya接管判定（副作用 / 跨模块 / 步骤依赖 / 深推理 / 代码 / 生成 / 会话复利）→ 规则引擎出档
升级：这轮消息是上一轮的重试 → 沿阶梯升一级
约束过滤：第 1 层记下的约束最后统一执行

失败路径：判定服务不可达 → 落 low，会话不断(概率极低<0.3%)。

已知边界

判定耗时 1–3 秒，计入每轮首字延迟
服务需要常驻进程；DSH 大版本更新可能改动前端注入缝，client.js 需要跟着适配
权重下载在国内网络走镜像兜底，首次 846MB

数据与复现

README 里的图由 scripts/make_charts.py（纯 stdlib）从实测数据生成，CI 会检查图表是否过期。实验全记录（试筛、判读规则、标注方案、验收数据）在主开发仓 HapyRain/layaDemo 的 docs/ 目录。(整理后转公开)

写在最后

这个插件目前还在尝试阶段，有不少没做完的地方。当前实现的判断逻辑，针对日常使用是够用的；如果你要把它用在大项目、高难度任务，或者对识别率有更高要求，建议基于你自己的使用习惯重新微调一版模型——标注、训练、验收的整条链都是现成的（见上面的数据与复现），换一批你自己的语料就能重训，本机只要有独立的 GPU 的话几分钟一轮，相当快。

我自己后面有精力的话，也会再用新语料把 Laya 重新微调一版。这次做得比较仓促，见谅。

这本身只是一个小思路。哪里不对、哪里可以更好，欢迎在 GitHub Issues 里提，我都会看。