DSH HUB
HomePlugin StorePlugin PacksCommunityRankingsResourcesPublish Guide
Plugin source
Back to catalog

sarsgy-wenjian /

sarsgy-wenjian/dsh-session-query-cjk

Verified

中文会话检索:字级全文索引(1 个字起可搜)+口语别名扩展+拼音模糊匹配,可直接替代 DeepSeek Harness 官方 dsh-session-query-sqlite 后端。

★ 0 Stars0 Forks0 IssuesN/A Community rating0 Confirmed installs
View on GitHubProject homepage
READMESource: main@65313c5a

dsh-session-query-cjk

让 DeepSeek Harness 的中文会话搜索真正可用。

想先看「为什么这么设计」:docs/设计思路.md|版本变更:CHANGELOG.md|零配置实测:docs/验收-零配置与搜索入口-20261115.md

官方后端用 SQLite FTS5 的 unicode61 分词器,中文整串会被当成一个 token——同一个连续中文串只能整体命中,正文里零散写过的字词基本搜不到。这个包替换掉这层后端,补上三层能力:

能力 解决什么
汉字级索引 1 个字起就能搜,搜「林」不需要凑够三个字
口语别名扩展 你说「香包」,原文写「香囊」,也能搜到
拼音模糊匹配 打错字但读音对,照样找得到(大舌头、语音转写场景)

三层叠加,一条链:索引切到字为单位 → 查询时展开同义/同音候选 → OR 并查。

实测效果

下列数据来自本机真实索引库(88 个会话、19,035 篇文档、88.0 MB),查询方式与插件内部一致(汉字间插入分隔符后包成 FTS5 短语):

查询 说明 命中
林 单字 2,220 篇 / 80 会话
林家 双字 628 篇 / 69 会话
林晚秋 三字 1,609 篇 / 80 会话
苏晴岚 三字 2,411 篇 / 80 会话
册子 口语词(库内原样存在) 221 篇 / 54 会话
香包 原词 0 篇,别名扩展为「香囊」 2,494 篇(别名生效)
林晚丘 库内无此字,拼音回落至「林晚秋」 与林晚秋结果一致(拼音生效)
abcdef999 不存在的字符串 0 篇

上表后两行需要别名表。 拼音层只在别名表内部做同音归一(见下文「拼音模糊规则」),所以别名表里没有的实体拼音层帮不上忙。别名表默认看 ~/.dsh/cache/session-query-aliases.json,放好就生效,不用写配置。零配置(不写任何 config)下的实测结果见 docs/验收-零配置与搜索入口-20261115.md:不放别名表时「香包」「林晚丘」都是 0;放一张只含 香包→香囊 与 林晚秋→林晚秋 的表后,两者立刻出 5 条。

其中最后三行是三层能力各自的直接证据:

  • 「香包」在库里一次都没出现过,能出结果全靠别名层把它换成「香囊」;
  • 「林晚丘」这个名字在库里不存在,能出结果全靠拼音层把它归一到 lin|wan|qiu,与「林晚秋」同键;
  • 单字、双字能出结果,靠的是字级索引(旧版 trigram 方案下这两项恒为 0)。

安装

环境要求

项 要求 说明
Node(插件侧) ≥ 22.13 插件用内置 node:sqlite:v22.5 出现但需 --experimental-sqlite,v22.13/v23.4 起免 flag。推荐 24.x
Node(用 npm 装 DSH 命令行时) ≥ 24.9 @deepseek-ai/dsh 自己的 engines 要求,低于此装不上
DeepSeek Harness 0.2.2-rc.3 peerDependencies 钉的就是这个版本

踩过的坑:Ubuntu 22.04 云主机默认 PATH 里的 Node 常是 22.x 基线版本,可能低于上面要求。装之前先 node -v;机器上常另装有 /opt/nodejs/24 之类的路径,把它前置到 PATH 即可。

方式 A:一键安装(推荐)

本包声明了 dsh.bundle,装为 bundle 即可,补丁会自动禁掉官方后端并启用本包,不用手工改任何配置:

plugin_manager install_bundle
  target: git+https://github.com/sarsgy-wenjian/dsh-session-query-cjk   ← 或 dsh-session-query-cjk(已发 npm 时)

装完重启一次,首次搜索时自动建库。

方式 B:手工安装(没有 git、或想自己控制配置时)

1. 放进 profile

%USERPROFILE%\.dsh\profiles\<profile名>\node_modules\dsh-session-query-cjk\

把整个包目录放进去,确认 lib/index.js 和 lib/pinyin-data.json 都在。

2. 改 profile 的 cordis.patch.yml

在 profile 目录的 cordis.patch.yml 里追加两项:禁用官方后端,插入本包(内容与本包的 cordis.patch.yml 相同)。

- id: session-query-sqlite
  name: "@deepseek-ai/dsh-session-query-sqlite"
  disabled: true

- insert:
    - id: session-query-cjk
      name: dsh-session-query-cjk

config 整段都可以不写(零配置):索引库落 %USERPROFILE%\.dsh\cache\session-query-cjk.db,别名表看 %USERPROFILE%\.dsh\cache\session-query-aliases.json,两者目录都会自动创建。实测见 docs/验收-零配置与搜索入口-20261115.md。 如果写了 path,注意 YAML 单引号内的反斜杠不需要转义。

3. 重启

关闭 DeepSeek Harness 再打开。首次搜索时开始建索引。

首次建库需要一点时间(本机 88 个会话、19,035 篇文档约 1 分钟)。之后走持久库,不再重建。

索引库大小约为原始文本的 3 倍,本机实测 88.0 MB。如果磁盘紧张,可以删掉这个 .db 让它重建。

配置项

配置 默认 说明
path ~/.dsh/cache/session-query-cjk.db 索引库路径,可省略
openAt first-search 建库时机:startup / first-search / never
journalMode wal SQLite 日志模式
defaultLimit 20 默认返回条数
maxLimit 100 单次上限
snippetChars 240 摘要片段长度
aliasFile ~/.dsh/cache/session-query-aliases.json 别名表 JSON 路径,可省略;不写就用这个约定路径(文件不存在=不扩展)
pinyinFile 空 拼音表路径,留空则用包内自带的 lib/pinyin-data.json
relax auto 零命中时是否自动「放宽一字」:auto / off

关于 openAt:默认值取 first-search 而不是 startup。原因是启动阶段 sessions 服务可能尚未就绪,此时建库会得到一个0 会话 0 文档的空库(本机实测过)。first-search 等首次真正搜索时再建,能避开这个时序问题。

aliasFile 和 pinyinFile 都支持热更新:改了文件立即生效,不用重启。aliasFile 指向的文件不存在或格式损坏时,插件只退回「不做别名扩展」,不会崩溃。

零命中时的放宽回退(0.4.0 起)

原词在索引里 0 命中时,插件再试一轮,按由窄到宽的顺序找:① 去掉句首句尾的标点括号((1845年那一夜。)→1845年那一夜);② 取句子前/后 3—4 个字的窗口;③ 逐字删掉一个汉字(错字/多字)。最多 10 个候选,每个候选至少 3 个字、至少 2 个汉字(纯数字或单字碎片不拿来凑数),命中即返回。

例:查「设计稿子」原词 0 条 → 删掉「子」得「设计稿」命中;查「(1845年那一夜。)」原词 0 条 → 放宽为「那一夜」命中。

  • 放宽结果单页返回、不带翻页游标,返回对象多一个 relaxedQuery 字段,写明实际使用的词。
  • 摘要前面会加一段标记:〔放宽为「那一夜」〕——黑鲸侧栏搜索框虽然不转发 relaxedQuery,但摘要里的这段文字会照常显示,所以界面里也能看清放宽成了什么。
  • 关掉:配置 relax: off。

别名表格式

放哪儿:不写 aliasFile 时,把文件放 %USERPROFILE%\.dsh\cache\session-query-aliases.json 即可自动加载——零配置也能用别名和拼音,不用改 cordis.patch.yml。想放别处再写 aliasFile。

一个普通 JSON 对象,键是「你可能输入的说法」,值是「要一起搜的正式名」:

{
  "香包":   ["香囊"],
  "册子":   ["图册"],
  "惠兰":   ["李蕙兰"],
  "林氏":   ["林家"]
}

规则:

  • 原词始终保留在结果里,别名只做追加,不会把原来的结果挤掉。
  • 单次查询最多扩展成 6 个候选,用 OR 连接。
  • 键里含有某个别名时也会触发替换。
  • 以 _ 开头的键视为注释,插件会跳过。

值的语义有两类,功能上没区别,但维护时建议分清楚:错写纠正(惠兰 → 李蕙兰)和同义/异名(香包 → 香囊)。

别名表需要自己维护,插件不内置业务词库。早期版本曾有「未配置时加载内置模板」的计划,目前尚未实现——不配别名表就只有字级检索,别名与拼音都不扩展。

拼音模糊规则

不是全拼精确匹配,而是先做声母韵母归一,再比较:

归一 覆盖的口音问题
zh / ch / sh → z / c / s 平翘舌不分
n → l n/l 不分
ang / eng / ing / ong → an / en / in / on 前后鼻音不分
ü → u ü 打不出来

所以「林晚秋」「林婉」「林婉」「林晚丘」在归一后都是 lin|wan|qiu,全部能匹配到「林晚秋」。

限制:拼音匹配只在别名表里的词之间做——不是全库拼音索引。好处是零成本、零误伤;代价是别名表里没有的实体,拼音层帮不上忙。

直接敲拼音(0.4.1 起)

查询是纯字母时(liuxiahui),插件先按音节表做切分(liu | xia | hui),逐音节归一后查别名表的拼音索引,命中就展开成汉字实体再检索。

输入 展开
linwanqiu 林晚秋
wangqiu 林晚秋(表里登记了「晚秋」→「林晚秋」时)

切分用的是回溯而不是最长匹配:xian 既可切成 xian 也可切成 xi|an,以能否命中别名表为准。

限制与上一节相同:只有别名表里登记过的实体能被拼音展开。表外名字(比如某个只在稿子里出现一次的角色)敲拼音仍然是 0 命中——要支持就往别名表加一条。

原理

字级索引:写入前在每个相邻汉字之间插入分隔符 \u0001,unicode61 就会把每个汉字切成独立 token。查询端做同样切片,再包成 FTS5 短语。短语要求 token 连续出现,因此等价于原文子串匹配——搜「林家」只会命中真的连着写成「林家」的地方。

用 \u0001 而不是空格,是为了不破坏原文里汉字之间本来就有的空格。

这个改动落在 sanitizeFtsText() 里,而该函数写入和查询共用,所以两侧天然一致。

别名与拼音:quoteFtsData() 把用户输入还原成原文 → 查别名表 → 再做拼音归一匹配 → 合成多个 FTS5 短语用 OR 连接。

已知限制

  • DeepSeek Harness客户端只负责"入口",结果条数由它自己的合并逻辑决定。 DeepSeek Harness 0.2.2-rc.3 的入口仍然在:侧边栏「会话/工作区」分组标题行右侧的放大镜按钮(侧边栏展开时才渲染),或直接按 Ctrl+K(web 版是 Ctrl+Alt+K)。输入后走 Host 的 session.search → 本插件的 searchSessions。 客户端只渲染它自己会话列表里存在、且未被归档过滤掉的会话,合并后的行数上限是 20(SESSION_SEARCH_RESULT_LIMIT);因此"后端命中 80 个会话、界面只列 N 条"是客户端的可见性过滤+上限,不是索引漏了。要完整结果,直接用 Agent 侧工具或查询索引库。
  • 单字查询命中面很宽(搜「林」有 2,220 篇)。这是精确子串语义的必然结果,不是 bug,结果按相关性排序。
  • 拼音只覆盖别名表里的词,不是全库拼音索引。
  • 多音字只取主读音(拼音表来自 Unihan kMandarin),「长」「重」这类多音字可能漏一种读法。
  • 首次建库有时间成本;索引库是快照,DeepSeek Harness产生新会话后需要重建(删掉 .db 或等增量刷新)才能搜到。
  • DeepSeek Harness升级后若官方 SessionQueryEngine 接口变动,需要重新适配。
  • 别名表需人工维护,插件没有自动挖掘。

附属工具(不属于本包)

本包只包含会话全文检索。下面这些能力依赖外部运行时,没有打进 npm 包,放在独立目录单独维护:

工具 作用 依赖
find_attachments.py 检索 PDF / 图片 OCR 文本 Python、pypdf
ocr_image.ps1 图片 OCR(Windows 内置引擎) Windows + PowerShell 5.1
build_attachment_session.py 把 PDF/图片文本整理成检索索引 Python、pypdf、zstandard

它们仅在本机 Windows 环境验证过(Windows OCR 语言仅 ja、zh-Hans-CN 可用),不可跨平台,也不参与插件生命周期。如果你的需求只是会话检索,不需要它们。

数据来源与许可

  • 拼音表由 Unicode Unihan 数据库(Unicode Consortium)的 Unihan_Readings.txt 生成,取 kMandarin,补 kHanyuPinyin;覆盖 CJK 基本区 20,924 字,去调号,247 KB。 https://www.unicode.org/Public/UCD/latest/ucd/Unihan.zip
  • 本包基于官方 @deepseek-ai/dsh-session-query-sqlite 改写,沿用其 MIT 许可与版权声明。上游原始 README 已归档为 docs/upstream/README.upstream.md。

许可

MIT。见 LICENSE。

DSH HUB

A community index for DSH plugins. Not an official GitHub or DeepSeek AI product.

CommunityResourcesAPIAbout
—/ 5

No ratings yet

Verified DSH bundle

Commit 65313c5ab49b

Community comments

No comments yet. Be the first to write one.