Times AI coding sessions, nudges long-running turns, and keeps a local work ledger with a collector-health dashboard, so you can see where the time actually went. Its HTTP routes have no DSH access check, so a web page open in your browser could call them.
Install
# from npm (prebuilt)
dsh plugin --profile web add agent-crop-dsh
# from GitHub (first run asks for allowBuilds approval — follow the hint, retry)
dsh plugin --profile web add github:oriliz/agent-crop
Any plugin you install runs third-party code with your own permissions — it can read your files, use your credentials, and reach the network, and tool approvals don’t sandbox it. GitHub-sourced plugins also run build scripts at install time — pnpm blocks those until you allow them, so an install can stop with ERR_PNPM_GIT_DEP_PREPARE_NOT_ALLOWED or ERR_PNPM_IGNORED_BUILDS; dsh prints the exact key to add under allowBuilds in your profile’s pnpm-workspace.yaml, and the install works on the next run. Allowing a build is a trust decision: only install sources you trust, and pin a commit (github:owner/repo#sha).
README
This plugin publishes its README in Chinese only.
Agent Crop

「我的 Token 啊!!!」
Agent Crop 是给 AI 的一根马鞭:催它交活,逼它复盘,让它自己越用越顺。
测量 → 归因 → 优化 → 验证 · 本地 JSONL · 不上传
你的 AI 编程助手跑了一个下午,交回来一堆东西——能用的没几样。
它说「抱歉,这个拖得有点久」。
你不知道那些时间去哪了。你不知道是它慢,还是你在想。
Agent Crop 就是来回答这个问题的。
从传统性能优化到 Agent 工作范式优化
后端做性能优化靠 Trace:一次请求一条,找到最贵的那一段,改完再用同一个指标测一遍。 这套东西在大厂跑了二十年,撑过双十一,也撑过每一次线上事故复盘。
职场里也有同一套结构,叫复盘:做了什么、时间花在哪、下次怎么改。
Agent Crop 只是把对象换成了「人和 AI 一起干活」:

上图是一次请求的 span,下图是一次工作的时间去向。四步不变:测量、归因、优化、验证。
马鞭做什么
- 防跑偏、防摸鱼。 Agent 长时间没回话、没给出结论的时候,鞭策它想一想:是不是走错了路。
- 即刻反思。 被鞭策之后,要求它在当下的环境里找一找,还有没有能挽回的时间和方法。
- 复盘,自驱优化。 通过周报、月报做自我反思,自己沉淀方法论。
三件事凑齐才叫自驱,不然只是被催。
鞭策风格:四种人设
在「设置 → 插件 → Agent Crop → 鞭策风格」里选,不用重启:
| 风格 | 怎么催 | 时间轴标记 |
|---|---|---|
| 奴隶主(默认) | 重时间和效率,催收尾、催交活 | 鲸鱼娘被抽(鞭子 + 爆裂) |
| 和蔼的前辈 | 鼓励型:别硬扛,有问题可以问,先说说打算怎么试 | 中性:鲸鱼娘站着思考 |
| 经验丰富的同事 | 给客观建议:「要不要先拆一下?先做最小可验证的一步」 | 中性:鲸鱼娘站着思考 |
| 放任自由的家长 | 不鞭策,让孩子自己发挥 | 无标记 |
只有奴隶主是「鞭策」,其他三档是「提醒」;后三种不会改变问题本身怎么解,只是换个语气/换个人在旁边。
案例分析
我们有个环境部署工具,子命令很多。AI 每次用都得先 help 一层层翻,再挨个试——对应的 Skill 写得不完整。
Agent Crop 把这件事记了下来:同一个命令反复翻 help、反复试错,归到 tool-misuse 这一类。
这条记录被推回给 AI,让它即刻反思——不是模型不会用,是这个 Skill 缺了最关键的一页。它据此补了一份常用 Skill。
同一个动作,下一次:10 分钟,变成 30 秒。
这是我个人使用中的一个成果,它确实帮到了我。但它还不是一个完善的测评——这个工具还在开发中,请大家多多包容。不过我相信,这样一套方法论是行之有效的。
同样的症状还有:没问清楚就开始干(spec-drift)、做不到也不停手(no-evidence)、串行等待(serial-wait)。一共九类,见 docs/EVENTS.md。
Crop 是如何工作的
一句话:它只在几个点上出手。
它的核心就一句:提醒 → 反思 → 改工作方式 → 再干。
把一次对话从左到右摊开:
- 起点:会话开始。探针先往上下文里注一句——创建 / 绑定工作项,然后才开始记东西。
- 干活的每一轮:每次工具调用记名字和成败。
- 一轮结束:记停止时点(
stop,这一轮的活跃分钟)。 - 你发下一句:先记回复时点——轮间空档 ≤15 分钟算进「等待」,超过或非工作时段记
idle_gap(离开,两边都不算);再感知你的反馈:把你这句的意见、工作区现状带进上下文;顺手盯返工信号(同工具反复、同一处改来改去)。 - AI 提问那一段:提问前后各记一个时点,中间是你回答的时间——图上用黄色标出来,不计入 AI 的活跃时间。蓝色是活跃、黄色是等待,和面板里的堆叠柱是同一套颜色。
- 超时:到点先记一次超时提醒,再注入一句鞭策(图上红色那一对,鞭策带个小鞭子);被抽完,AI 要反思与上报——调
crop_update写下cause/verdict/category,这是整条链上唯一由 AI 主动补的动作。 - 收工前,先问你:这是整条链上唯一一个「人类反馈」的节点——这个工作算不算完成,你说了算;等你确认的时间同样是黄色。
- 总结与复盘:你确认之后才写(做了什么、花在哪、下次怎么省),落成
work_summary。
两轮之间用一条竖向虚线隔开:虚线左边是上一轮,右边是下一轮。绿色的「人类确认」是唯一一个人类反馈节点。不是每个点都会响:虚框的是条件触发——AI 提问才有等待段,到黄线/红线才有鞭策(红色那一对)。
图里说人话,表里给字段名,方便对着代码看:
| 时间点 | 注入 / 鞭策 | 采集 | 什么时候 |
|---|---|---|---|
| 会话开始 | 创建 / 绑定工作项 | — | 每次会话的起点 |
| 每次工具 | — | tool:名字、成功/失败 |
每次工具返回 |
| 一轮结束 | — | 停止时点:stop(这一轮的活跃分钟) |
每轮 |
| 你发下一句 | 感知你的反馈:把你的意见 / 工作区现状带进上下文 | 回复时点:prompt;轮间空档 ≤15 分钟记 user_wait,超过记 idle_gap |
每轮 |
| 工具反复 | — | 返工信号 tool_churn / rework_signal |
同工具或同一处反复 |
| AI 提问 | 提问前后各记一个时点 | user_wait:两时点之差 |
用了 ask 类工具 |
| 超时 | 鞭策一句(带鞭子) | reminder |
黄线 / 红线 |
| 超时之后 | AI 反思与上报:phase="blocked" + cause / verdict / category |
— | 被鞭策之后 |
| 收工前 | 人类确认(完成与否你说了算) | user_wait:等你确认的时间 |
关工作前 |
| 总结与复盘 | — | work_summary:what / cost / next_time |
你确认之后 |
一句话:探针只记事实,AI 只填判断;两边分开存,面板再把两边摆在一起看。
面板
两个入口:会话页的 Crop 页签看一个会话的运行过程,侧边栏 Crop 全局看跨会话的摩擦指标与采集健康度。
会话页 Crop——这个会话是怎么跑的:
- 顶部是会话时钟(活跃 / 等待)和本回合用时;当前工作带预估进度条。
- 时间轴按工作分 lane:每段活跃是一条蓝条,被鞭策的位置是鲸鱼娘贴纸 + 次数(5 分钟内聚簇),卡点是红点;点一段看这一段做了多久。
- 下面是本会话碰过的工作,以及 AI 的反思与改进:按「序号 / 来源 / 当时的问题 / AI 的改进」四列展示,来源区分「被鞭策」和「主动提出·主动总结」,自驱的挂鲸鱼娘奖章。

侧边栏 Crop 全局——跨会话的那一面:等待回话占比、每完成一个工作多少分钟、每回合工具数、工具失败率、重复工具信号密度;下面是每天的时间去向(活跃 + 等待堆叠柱,点柱子看当天明细)、AI 自述的改进、还在重复的坑、工作列表。

侧边栏「Crop 全局」的「健康度」视图(毛玻璃面板,壁纸透过来)——不看你这周干了什么,看采集器本身是不是哑了。
- 顶部四张卡:有效会话、收尾比、必采达标、异常工具。
- 健康构成:环形图一眼看出「多少正常、多少要处理」,旁边是图例计数(正常 / 偏低 / 要处理 / 按需+未上线)和一句「最该先修」。
- 两张表:被动采集、AI 主动上报;按「必采 / 按需 / 未上线」分组。
- 覆盖与闭环是彩色条:绿达标 / 黄偏低 / 红完全没采到;条内百分比、条下 n/N;红条所在行加红底。
- 趋势是每日事件条数的小柱图;缺字段标「缺 work_id×N」。
- 「只看异常」收掉正常行;主机下拉按 dsh / claude-code 分开看。
- 底部诊断清单按指标生成,每条带看板卡;「复制修复指令」拼成一段话可直接丢给 AI。


同一份健康度也给了 AI 和脚本两个入口:
crop health --days 7 # 人读:一句话结论 + 问题 + 每个工具一行
crop health --json # 机器读:完整 health_summary
- DSH 插件:工具
crop_health(参数days/host),怀疑数据不可信时直接调。 - Claude Code(MCP):
crop_health,与crop_update并列暴露。
诚实说四点:
- 全局页只有堆叠柱,没有筛选、对比表、导出;健康度有表格和「只看异常」,但同样没有导出。
- 数据覆盖率不高:
type/difficulty经常空着,verdict/rework/improve的样本更少,所以「上期对比」经常显示「上期无数据」。 - 下一步先补协议(开工落类型、收尾必填判断),再谈趋势和归因——不然面板只能给你「总量」,给不了「提升」。
- 健康度的阈值(覆盖 ≥ 80%、字段完整 ≥ 95%)是先拍的,还没用真实数据校准;样本少于 3 个会话时它只报「样本太少」,不下结论。
安装与卸载
dsh plugin --profile <你的 profile> add agent-crop-dsh
# 重启 dsh,新会话生效
从 npm 装的是预构建产物:不需要在你的机器上跑构建脚本,也不用给 pnpm 的 allowBuilds 放行。
装完不用改配置、不用动 AGENTS.md——协议通过插件注册进系统提示,卸载时自动移除。
要改源码,再走克隆 + link 安装:
git clone https://github.com/oriliz/agent-crop.git ~/agent-crop
dsh plugin --profile <你的 profile> add ~/agent-crop
Claude Code 的装法见 docs/INSTALL.md。
自检(crop 命令随 npm 包发布,但 dsh plugin add 不会把它塞进 PATH):
npm i -g agent-crop-dsh # 可选:让 crop 进 PATH
crop status # 最后一行会打印真实数据目录
tail -1 ~/.agentcrop/data/events.jsonl # 应出现 "host":"dsh"
数据目录的历史名是
~/.ai-coding-efficiency,新版叫~/.agentcrop。如果你的机器上还没有后者,crop status最后一行打印的才是真实路径;想统一名字就ln -s ~/.ai-coding-efficiency ~/.agentcrop,或用KIT_SHARED_HOME覆盖。
不想全局装也可以直接跑包里的命令:
npx --yes --package=agent-crop-dsh -- crop status
卸载:
dsh plugin --profile <你的 profile> remove agent-crop-dsh
# Claude: claude plugin uninstall agent-crop@agent-crop
卸载不动数据。要一起清掉:rm -rf ~/.agentcrop
它记了什么、在哪记
宿主自动记
| 什么时候 | 记什么 |
|---|---|
| 会话开始 / 你发消息 | 工作区、任务块起点 |
| 每次工具返回 | 工具名、成功还是失败 |
| 回合结束 | 这一轮跑了多久 |
| 你下一次开口 | 等了你多久;超阈值记 idle_gap |
| 超红线 | 提醒注入了一次 |
| 同工具 / 文件反复失败 | 返工信号 |
AI 主动报
| 字段 | 什么时候填 | 可能的值 |
|---|---|---|
phase |
每次上报 | start 开工 / progress 有进展 / blocked 卡住 / end 收工 |
task_id |
每次上报 | 你给这件事起的短名,比如 refactor-auth |
summary |
每次上报 | 一句话:现在在做什么 |
cause |
blocked 必填 |
一句话:为什么慢、卡在哪 |
next |
可选 | 下一步的具体动作 |
category |
blocked 必填 |
九选一:serial-wait repeat-pitfall design-churn decision-batching tool-misuse no-evidence spec-drift human-wait other |
goal |
开工时 | 一句话目标 |
type |
开工时 | design / implement / debug / docs / explore,或自定义小写短 slug(如 research) |
difficulty |
开工时 | s / m / l |
category 是枚举,不是自由文本——填错直接失败。九类词表锁死,不会越记越乱。
这些只是判断,不是事实:自述永远不单独当结论,要和自动采集的时间、失败数对照着看。
数据只落本机 ~/.agentcrop/data(权限 0700),可用 KIT_DATA_DIR 覆盖。不存对话正文。
成本
只多花一点 Token,对速度几乎无感。
- 每回合多一行:注入 100–300 字符;卡住时 AI 上报一次,约 50–100 token。
- 不重读对话:总结基于结构化事件,不会把整段会话再塞回模型。
- 不拖时间:注入一行、上报一句,都是毫秒级。
一个 20 回合的工作,合计约 2k token。对比事后去会话里反查——一条中等会话就是几万 token,长的几十万,根本塞不进上下文。
它不做什么
- 不打分。 没有效率分,没有排行榜。
- 不上传。 数据只在这台机器上。
- 不改你的代码。 只观察;方案也只影响提示。
- 不替代 APM。 工具内部性能仍归 OpenTelemetry。
- 不给你老板看。 没有云,没有团队看板。
这是镜子,不是裁判。
文档
- docs/DESIGN.md — 设计原则与边界
- docs/EVENTS.md — 采哪些事件、怎么存、谁在用
- docs/SESSION-WORK.md — 会话与工作怎么绑定、怎么解绑、失效了怎么办
- docs/INSTALL.md — 四个宿主的安装与卸载
- docs/LONGEVITY.md — 长任务里怎么不被上下文冲刷掉
License
MIT — 随便用,随便改。
能动手的事,为什么要动口呢? 😏

Links
More in this category
loopx-project/loopx#dsh-loopx-plugin★ 6694
LoopX, a provider-neutral, local-first state kernel and control plane for long-horizon agents: keeps Goal, Todo, gate, evidence, quota, recovery, and handoff state above DeepSeek Harness, while the plugin bootstraps the CLI and skills, admits bounded same-session continuation, and adds a loopback GoalBar for the exact bound loop.
Q00/ouroboros#integrations/dsh-plugin★ 6373
Config-only bundle that mounts Ouroboros through the DSH MCP client, exposing 36 interview, Seed, execution, evaluation, and evolution workflow tools in DSH.
chuspeeism/dashi-taskboard#deepseek-harness★ 3495
Embeds the active installed Codex Taskboard runtime in the DeepSeek Harness sidebar, using its launcher runtime descriptor instead of a fixed port.
NanmiCoder/dsh-agent-teams★ 2978
AgentTeams multi-agent teams.
EthanYoQ/AI-Novel-Writer#dsh-ai-novel-writer★ 2670
Installs a dedicated AI novel-writing preset and workbench: revisioned local project assets, a compact side drawer, and native approval-gated single-file changes.
shanliuling/dsh-image-gen★ 1576
Native conversational image generation for DeepSeek Harness: ask the agent to create an image, and it handles generation and keeps the result directly in the conversation.
Community comments
Comments are public GitHub Discussions. Loading them connects to GitHub and Giscus; a GitHub account is required to post.