⚙️

dsh-task-splitter

工作流更新于 2026.10.17

在终端中运行以下命令：

dsh plugin install Passenger-Qin/dsh-task-splitter

将以下提示词粘贴到 DeepSeek Harness 对话框中：

在 DeepSeek Harness 中执行 dsh plugin install Passenger-Qin/dsh-task-splitter 安装本插件（源码：https://github.com/Passenger-Qin/dsh-task-splitter），安装后重启 DSH。

插件介绍

用小上下文本地模型做「写一篇几千字报告」或「帮我挑一只明天可能涨的股票」时，失败往往不是模型不够聪明，而是两类完全不同的瓶颈：单次输出被 maxTokens 截断，或多步工具调用把上下文挤爆、中间结论在下一轮里消失。dsh-task-splitter 是跑在 DSH 宿主侧的插件：不靠模型自觉，用启发式打分在任务翻车前就识别这两类长任务，并注入一套可执行的拆分规程。

产出型任务（车道 A）会脚手架 tasks 目录下的分片 Markdown 与清单，约定每轮只完成一段，最后再组装；流程型任务（车道 B）则先落 PLAN，再按步推进，把证据、来源与不确定性写进磁盘上的 notes，而不是在一轮里硬扛到底。规程通过 agent/pre-step 前置到同一次人类消息触发的步骤里，最坏情况只是多一条短指令，不会阻塞对话。

适合在 llama.cpp、Ollama 等本地小窗口模型上跑 Agent 工作流、又经常遇到长文写作或多步调研决策的用户。车道 B 强调的是过程与诚实（无数据源时明确说不编造），不替模型保证结论正确；workflowScore、minScore 等参数可按场景微调。