dsh-plugin-tool-prefetch

DeepSeek Harness（dsh）插件：把 agent-tool-acceleration 的工具调用预测网关作为 Python sidecar 拉起，将其工具（gw_predict_next / gw_observe / gw_stats / gw_reset + 代理的真实上游工具）原生注册到 ctx.tools——不是 MCP 服务器配置，是正经插件：在 Settings → Plugins 可见、 可启用/禁用（禁用即杀掉 sidecar）。

零 npm 依赖（纯 JS + node:child_process），预测由论文的 CT-GNN 模型提供 （CPU，~15 ms/次）。

这个仓库包含什么 / 不包含什么

本仓只有"桥"（约 8 KB JS），不含预测、采集、训练的实现——它们在配套的 网关项目 agent-tool-acceleration：

能力	在哪	本仓有吗
插件壳（拉起 sidecar、原生注册工具、转发调用）	index.js（本仓）	✅
预测（CT-GNN / markov 冷启动）	网关 mcp_prefetch_gateway/	❌ 需配套项目
数据采集（step 事件 → 遥测）	网关 server.py + telemetry.py	❌ 需配套项目
训练 / 再训（飞轮）	scripts/retrain_gateway.py + src/train.py	❌ 需配套项目

因此：只装本插件跑不起来。 完整依赖见下节。

安装

完整依赖（缺一不可）

依赖	说明
网关项目	agent-tool-acceleration 检出（目前私有，需权限）
Python 环境	.venv + pip install -r requirements.txt（torch 等，CPU 版即可）
模型产物	data/processed/model_*.pt + graph_*.pkl（被 gitignore，不在任何仓里）
轨迹文件	data/processed/trajectories_*.jsonl——⚠️ 不只是训练用：网关启动时要拿它拟合 BM25 词表
τ-bench 环境	data/raw/tau-bench（真实零售数据库，git clone https://github.com/sierra-research/tau-bench）

有权限的人 → 跑 scripts/setup_gateway.ps1 一条命令备齐环境。

装插件

# 从 GitHub（推荐）
npx @deepseek-ai/dsh plugin --profile web add github:Liman-cmd/dsh-plugin-tool-prefetch

# 或本地路径（开发）
npx @deepseek-ai/dsh plugin --profile web add ./dsh-plugin-tool-prefetch

# 重启 dsh web；Settings → Plugins 里应出现 tool-prefetch
npx @deepseek-ai/dsh web

⚠️ 本插件未附带预训练模型的可分发形态。换成你自己的工具场景时，retail 模型 不适用——需要用你自己的数据重训（见"数据飞轮"），或先跑 markov 冷启动模式 （predict.mode: markov，零训练即可用）。

配置

插件默认值写在 cordis.patch.yml（指向本仓库路径）。换机器/换配置：把该行 拷进你的 profile patch（~/.dsh/profiles/web/cordis.patch.yml）改值：

- insert:
  - id: tool-prefetch
    name: dsh-plugin-tool-prefetch
    config:
      python: 'D:\path\to\.venv\Scripts\python.exe'
      repoRoot: 'D:\path\to\agent-tool-acceleration'
      gatewayConfig: 'mcp_prefetch_gateway/configs/tau_retail_gpt4o_real.yaml'
      toolPrefix: ''          # 注册名前缀，避免与其他插件重名
      initTimeoutMs: 60000    # sidecar 冷启动预算（torch+模型 ~20s）
      callTimeoutMs: 120000

行为要点

• 冷启动异步：sidecar 启动 ~20 s，不阻塞 dsh；工具就绪后自动出现。

• 真实执行 + 自动对账：代理工具真调上游（默认 τ-bench retail 真实数据库）， 每次调用自动写入 session 状态并对账上一条预测（_gateway.session_id 可选携带）。

• 数据飞轮：所有真实调用自动落遥测 step 事件。查看采集进度： python -m mcp_prefetch_gateway.cli status --config <gateway yaml>（会告诉你 距首次可训还差几条轨迹、按近期速率预计几天）；攒够后 python scripts/retrain_gateway.py ... 一键再训换模型。

  要不要训 GNN？ 先看任务类型（论文结论）：短流程、无上下文依赖的任务， markov 计数通常就够了，GNN 未必更好；多轮、上下文相关的任务 GNN 才显著领先。 所以对很多场景，"自己的模型"这个目标本身是多余的——计数版已随使用变准。

• 与 MCP 配置互斥：若之前在 cordis.patch.yml 配过 mcp-prefetch （dsh-mcp-client 行），装本插件前删掉那行，避免 21 个工具注册两遍。

排障

症状	处置
工具一直不出现	dsh 日志找 [tool-prefetch]；多半是 python 路径/产物路径错
验证 sidecar 本身	node dsh-plugin-tool-prefetch/smoke.mjs（不起 dsh 全链自测）
想换预测模型	改 gatewayConfig 指向别的 configs/*.yaml

许可

MIT。预测器与数据来自本仓库论文项目（τ-bench 数据为 Sierra 官方开源实现）。