dsh-touchstone

DeepSeek Harness 把提示词、预设和规则都做成可替换组件，但改完之后往往只能靠体感判断「有没有变好」。生态里已有回滚，却缺少一套可重复的评测闭环：提出改动，用同一批场景量一量再决定是否保留。dsh-touchstone 补的就是这一块——它不碰你的文件，只在公开模型接口上跑对照实验。

你可以维护「金标准用例」：每条用例是一段固定提问，加上必须包含、禁止出现、正则或 LLM 裁判等检查项。再定义「候选方案」（追加或替换系统提示），与内置的「当前配置」并排执行，得到逐条得分与整体均值差，并给出保留、回退或差异不显著的证据化结论。分数只代表你写的那些用例，最终取舍仍在你手里。

它刻意做得很薄：适合验证提示词、家规或预设措辞的调整，不适合替代需要真实副作用的工具实现评测。若你经常在 DSH 里微调 agent 行为、又不想每次改完都靠猜，试金石能把「我觉得有效」变成「在这些 case 上前后对比如何」。