dsh-session-eval

改完插件、提示词或模型之后，你往往只能凭感觉判断 Agent 是否更稳了——基准可以绿灯，真实会话却可能在悄悄变差。dsh-session-eval 针对的是这种「事后复盘」场景：它不替你重新跑用例，也不请 LLM 当裁判，而是直接读取已经落盘的会话日志，用文档化、固定的阈值打出可复现的评分卡，并支持跨会话对比，回答「这次改动让表现变好还是变坏了」。

核心能力围绕三条命令展开：/eval 为当前或指定会话生成等级卡；/eval-diff 在两次会话之间做带噪声容差的回归对比；/eval-history 在工作区内批量评分最近 N 次会话并汇总趋势。评分维度包括可靠性（工具错误率）与 Re-ask（用户连续追问的纠偏信号）等，综合等级取各维度中最差一档，设计偏保守。同一套日志每次输入都会得到相同结果，没有采样、没有模型参与评判，因此 diff 结果适合当作回归信号长期跟踪。

它与 dsh-session-export、dsh-session-recall 同属会话工具链：导出回答「发生了什么」，回忆回答「以前做过什么」，本插件则负责「那次会话好不好、趋势是否在改善」，三者都经由 sessionQuery 读取，JSONL 或 SQLite 后端均可。

适合在真实工作流里迭代 Harness 配置的人——例如对比某次 prompt 调整前后各十条会话，若可靠性持续回归，往往比单次 benchmark 更能反映日常使用中的损伤。若你需要事先编写 YAML 用例做部署前压测，应搭配 dsh-eval；两者互补，一个看预测，一个看实际发生的事。