dsh-task-planner

一句话定位

给 DSH 智能体加一个"经验肌肉记忆"：每次接到任务先翻过往经验库、让大模型评估能否复用，再动态拆步骤；任务结束自动沉淀新经验，越用越聪明。

核心能力

• 自动回忆相似任务的历史方案，无需人工检索
• 让大模型判断历史方案是否可用，可用则改进复用，不可用则说明理由并生成新计划
• 把任务拆成 3-8 步，每一步匹配最合适的能力/工具，避免硬编码固定组合
• 任务规划时自动起草经验条目存入经验库，任务收尾时由智能体更新执行结果
• 提供独立的经验查询工具，支持保存、检索、列出全部经验
• 用纯 Markdown 文件保存经验，便于编辑器修改、grep 搜索、Git 版本管理

技术实现

• 语言: JavaScript (Node.js ES Module)
• 关键依赖: 宿主内置 shell、llm、tools 三个服务（无外部 npm 依赖）
• 架构模式: 声明依赖注入（inject: ['shell','llm','tools']），通过 ctx.tools.register 注册两个工具 plan_task / task_memory
• 入口文件: index.mjs（cordis bundle patch 通过 cordis.patch.yml 注入宿主）

适用场景

在做跨工具、跨步骤、需要写文档或脚本的复杂任务前调用 plan_task，让智能体先回忆做过什么、再决定怎么干。如果你经常处理同类任务（比如周报、数据报表、批量改稿），经验库能逐渐形成稳定套路，让后续规划越来越快。

前置依赖与兼容性

安装方式

dsh plugin --profile web add github:ztl34245881-commits/dsh-task-planner

配置项

常见问题

Q: 必须配合哪些宿主服务？

A: 插件启动时声明依赖 shell、llm、tools 三项服务，必须是官方 DSH Harness 标准环境才具备。如果宿主没有这些服务，插件将无法初始化。

Q: 经验库默认存在哪里？能否换位置？

A: 默认写到 ~/.dsh/planner-lessons 目录，每个经验是一个 Markdown 文件；可在 cordis 配置中用 lessonsDir 改成任意路径。

Q: capabilityFile 是干什么的？

A: 指向一份你自定义的能力清单（比如 awesome list 风格的插件目录），plan_task 会把每一步与该清单做匹配，生成能力映射表。不填则跳过能力匹配步骤。

Q: plan_task 用的是什么模型？

A: 复用宿主默认模型（通过 agentDefaultModel.currentSelection 读取），规划阶段把 maxTokens 提高到 8000 以容纳长链推理。无法解析默认模型时会返回错误提示。

Q: 经验能直接用编辑器修改吗？

A: 可以。经验是带 YAML frontmatter 的 Markdown 文件，纯文本，可 grep、可手改、可 Git 版本化。手动修改后下次检索也能识别。

Q: 经验什么时候会被升级为正式 skill？

A: 插件本身不做自动升级。README 约定的规则是：经验被成功复用 3 次可晋升为 skill，被否决 2 次则标记作废；这些动作由调用方按需触发 task_memory save 手动维护。

Q: 如何彻底卸载？

A: 通过 dsh plugin remove 移除插件即可。如果想清空历史经验，删除 lessonsDir 目录下所有 .md 文件；只卸载插件不删文件的话，下次重新安装还能继续用。

上手难度

入门 — 只需一条命令安装，复杂任务前调用 plan_task 即可；可选的配置项仅在需要自定义能力清单或经验库路径时才需调整。

已知问题与限制

• 经验检索使用 2-3 字滑动窗口关键词匹配，是字符串匹配而非语义匹配，"周报"和"月报"能命中但不会判断语义接近度
• 经验评分直接累加关键词命中次数，未考虑关键词权重，长经验文件天然占优
• 中文停用词表（STOPWORDS）硬编码在源码中，扩展新停用词需改代码重新发布
• 经验文件名 slug 仅取任务前 40 字，不同任务的 slug 可能冲突或重复
• 经验保存时 outcome 字段截断到 100 字符，长复盘内容会丢失
• 工具注册失败时返回错误字符串而非抛出异常，可能被调用方忽略
• 经验库读取通过 shell 命令串联实现，宿主 shell 服务不可用时整个插件失效

Task planning with experience muscle-memory for DeepSeek Harness (dsh).

Give a task → the agent recalls past similar solutions (condition reflex), evaluates whether they fit, and produces a dynamic plan matched against its capabilities — never hard-coded combos. Every plan auto-drafts a lesson into the experience library; when the task closes, the agent updates the outcome. The more you work, the smarter the reflex.

Features

• 🧠 Experience library (task_memory save/recall/list): persistent lessons as plain Markdown with signature keywords. Recall uses a 2–3-char sliding-window tokenizer, so "weekly report" still hits a "daily report" lesson.
• ⚡ Condition-reflex planning (plan_task): recall → LLM evaluates fit (reuse & improve, or explain why not and plan fresh) → decomposed steps with capability matching → risks → next actions.
• 🤖 LLM-driven, not rule-driven: the model decides what to use per task; the plugin only supplies context (past experiences + optional capability catalog).
• ✍️ De-AI deliverable standard: any textual output step (docs/sheets/slides/copy/scripts) must include a humanize-then-review pass before delivery.
• 🗂️ Auto-persist: plan_task drafts the lesson automatically (status: draft); the agent marks it verified with the outcome at loop close.
• 🔒 Zero keys, zero absolute paths: everything is configurable; the experience library lives in ~/.dsh/planner-lessons by default.

Install

dsh plugin --profile web add github:<your-user>/dsh-task-planner

or copy the repo and add it as a local bundle:

dsh plugin --profile web add /path/to/dsh-task-planner

Config (optional, in your profile's cordis.patch.yml)

- id: dsh-task-planner
  name: dsh-task-planner
  config:
    lessonsDir: /path/to/your/lessons   # default: ~/.dsh/planner-lessons
    capabilityFile: /path/to/capability-map.md  # optional catalog fed to the LLM

Point capabilityFile at a markdown catalog of your skills/plugins (e.g. an awesome list) and plan_task will match each step against it.

Usage

• plan_task { task, goal?, constraints? } — plan before starting complex work.
• task_memory save { task, plan, outcome } — persist a lesson (auto-called by plan_task for the draft).
• task_memory recall { task } — condition-reflex lookup.
• task_memory list — show all lessons.

Lesson lifecycle

1. plan_task writes a draft lesson (status: draft) automatically.
2. When the task closes, the agent updates it with the outcome (status: verified).
3. A lesson reused successfully 3× → promote to a formal skill. A lesson rejected 2× → mark obsolete.

Notes

• Requires the llm, shell, tools services (all present in the standard harness).
• The model call uses the harness default model (agentDefaultModel); reasoning models need a generous maxTokens (8k is used internally).
• Lessons are plain Markdown — human-editable, greppable, portable.

License

MIT