dsh-autolearn

在 Harness 里让模型「随便学」往往缺少边界：任务容易发散、知识难以追溯、结论缺少证据，项目之间还可能互相污染。 dsh-autolearn 把「学习目标 → 有界学习任务 → 可追溯知识库 → 证据核验 → 冲突检测 → 评估报告」做成一套原生工具链，业务逻辑集中在 TypeScript 引擎里，生产运行时零外部依赖，并与 v1.2 知识库 schema 兼容，旧 data 可直接打开。

核心能力围绕 11 个 DSH 工具展开：用 learning_create / learning_run 建项目并按预算、时长与任务上限跑有界学习；用 knowledge_search 做 BM25 与特征哈希向量的混合检索，并带上核验、冲突与许可等警告；用 knowledge_verify、knowledge_manage 维护证据与版本；source_manage 在默认关网前提下可选抓取外部来源（含 SSRF 防护）；learning_evaluate、learning_review 做覆盖率与复盘；system_diagnostics、system_maintenance 负责一致性与备份恢复。写操作与破坏性维护走 DSH 审批或本地确认令牌，默认失败关闭。

适合需要在 DeepSeek Harness 里做结构化、可审计的自主学习工作流的用户：例如按主题拆任务、沉淀可检索知识库、强调「无证据不 verified」的严谨场景。若你主要依赖 PDF/DOCX 解析、模型辅助规划或语义级向量检索，README 中标注的未迁移能力与词汇级召回限制需要先接受；lab 模式下的 JavaScript 沙盒执行也不同于内核级沙箱。