AnonyJcy/dsh-j-space

简体中文 | English Version

J-Space Cognition Suite SV1 原生 DeepSeek Harness (DSH) Agent Preset 预设与独立 Cordis 插件包。
注入内部表征认知路由、持久控制器（control.py）、工作区状态外化账本（.jspace/）与自适应检验，全面释放大语言模型推理潜能。

---

兼容：已适配 DSH 0.1.6 的 dsh-workflow-ptc 与 DSH 0.1.5 的 dsh-persona schema（config.prefix / config.suffix）。

🌟 项目简介

dsh-j-space 将 J-Space Cognition Suite（SV1 发布版，延续 V3.7 演进路线）完整集成为 DeepSeek Harness 的一等公民 Agent 预设 (Preset)。

它不是粗暴的 Prompt 拼接，而是真正参与 Cordis Agent Scope 生命周期隔离、多层认知路由、持久控制器、工作区状态外化账本（.jspace/）与自适应验证 的完整体系，完全解耦并兼容任意大语言模型（DeepSeek-Chat、DeepSeek-Reasoner、Claude、GPT 等）。

✨ 核心特性

1. 即插即用（Zero-Config Preset）：部署预设后，DeepSeek Harness 会话创建菜单自动出现 J-Space Cognition Suite 预设。
2. 全生命周期 Scope 隔离：遵循 Cordis 作用域规范，工具和认知技能严格限定在 J-Space Agent 会话中，不污染其他预设。
3. 持久控制器与状态外化（Active Control & Ledger）：包含 SV1 的持久控制器（control.py）、宿主适配器（host_bridge.py）以及轻量级账本（jspace.py），在任务工作区（cwd）维护 .jspace/，实现目标跟踪、接缝审计（Seam）、自检断言、代码语义地图与断点恢复。
4. 全面扩展的 13 大认知与工程模块：除原版的容量控制、深层推理、定向聚焦等模块外，SV1 引入了 cyber（安全分析）、epistemics（认识论与信念检验）、orchestration（多智能体编排）和 repository（代码仓库工程语义地图）。
5. 模型解耦与动态路由：无缝适配各类基底模型，动态解析模型路由与工作区上下文。

---

📸 运行与效果预览

DSH 预设选择（即插即用）	J-Space 认知工作流实况

---

📊 实验与评测数据报告（实测对比）

完整实测报告引自原作者测试发布：

• 现行基准报告：GLM-5.3-Flash-J-Space-Capability-Realization-Report
• 早期对照报告（保留存档）：DeepSeek-V4-J-Space-Capability-Realization-Report

🔬 评测一：GLM-5.3-Flash 实测对比（最新报告）

1. 主基准测试准确率对比（Main Benchmark Table）

Benchmark 基准测试	GLM-5.3-Flash (基线)	GLM-5.3-Flash + J-Space V3.7/SV1†	GLM-5.3	Opus-5	Fable 5.1
HLE (w/ tools)	55.3	59.2	62.5	64.7	65.0
Terminal Bench 2.1	84.3	88.8	88.2	*89.1	*91.4
DeepSWE v1.1	63.4	68.0	66.9	68.8	67.4
Agents' Last Exam	26.3	30.5	28.5	31.6	—
AutomationBench (Public)	48.8	51.1	48.2	50.3	—

* 注：Terminal Bench 2.1 的 Opus-5 与 Fable 5.1 为第三方独立测评，无官方数据。
\† 为基于有限对照实验的估算值。

2. 速度与 Token 消耗效率对比 (GAIA 对照)

指标维度	提升比率 / 效果
运行速度 (Speed)	1.87×
Token 效率 (Token Efficiency)	1.41×

---

🔬 评测二：DeepSeek-V4-Flash 实测对比（历史存档）

• 评测基底：DeepSeek-V4-Flash-Vision-Exp
• 运行环境：DeepSeek Harness (标准模式)
• 评测方式：对权威基准子集与同类型小集（Terminal-Bench 2.1 中 medium 20 / hard 10，DeepSWE 中 TypeScript 10 / Python 10 / Go 10 / JavaScript 2 / Rust 2，GAIA 中 level1 / level3 等）进行严格的 有/无 J-Space 臂对照（A/B Testing），同模型、同环境、同采样参数，仅切换 J-Space 接入。
• 测算维度：① 准确率（Accuracy）；② 墙钟与 token 效率（Wall-Clock & Token Efficiency）。

1. 主基准测试准确率对比（Main Benchmark Table）

Benchmark 基准测试	DeepSeek V4-Flash (基线)	DeepSeek V4-Flash + J-Space V3.7	GLM-5.3	Kimi-K3	Opus-4.8	Fable 5 (w/ fallback)
HLE (w/o tools)	*37.8	37.8	—	43.5	49.8	53.3
HLE (w/ tools)	*51.5	51.9	62.5	56.0	57.9	63.0
Terminal Bench 2.1	83.9	85.5	88.2	88.3	85.0	88.0
NL2Repo	57.7	60.4	58.0	58.0	69.7	—
CyberGym	75.3	77.8	84.5	80.0	78.3	83.1
DeepSWE	59.3	61.8	66.9	67.5	58.0	70.0
Toolathlon-Verified	75.9	77.4	73.0	76.5	76.2	77.9
Agents' Last Exam	27.3	28.3	28.5	27.6	25.7	23.8
AutomationBench (Public)	25.7	27.6	48.2	30.8	27.2	29.1
⭐ 综合均分 (Average)	56.99	58.61	64.54	60.96	58.33	62.13

* 注：HLE 数据未披露，沿用 DeepSeek V4-Flash-0731。综合均分覆盖六列均有值的 7 个项目行。

2. 速度与 Token 消耗效率对比（Speed & Token Efficiency）

Benchmark 基准测试	墙钟时间比 τ	提速幅度	输出 Token 变化	总 Token 变化	单位时间得分 (产出比)	每成功任务成本
HLE (w/o tools)	*1.02	−2%	−10%	+5%	0.98×	+5%
HLE (w/ tools)	0.88	+14%	−22%	+3%	1.15×	+2%
Terminal Bench 2.1	0.79	+27%	−28%	−3%	1.29×	−5%
DeepSWE	0.78	+28%	−28%	−3%	1.34×	−7%
Toolathlon-Verified	0.86	+16%	−25%	+2%	1.19×	+0%
AutomationBench (Public)	0.76	+32%	−31%	−5%	1.41×	−12%

* 注：HLE (w/o tools) 的 τ=1.02 是*有意为正（即单轮无工具任务下略微变慢），因为在单轮短任务中注入完整的技能条目是净开销；而在长链路、多轮工具交互任务中（如 Terminal Bench、DeepSWE、AutomationBench），J-Space 认知套件带来 +14% ~ +32% 的大幅提速、降低 28%~31% 的输出 Token 冗余，单位时间产出比提升高达 1.15× ~ 1.41×。*

---

🚀 安装与一键部署

本插件内置了开箱即用的原生 Node.js CLI 工具，无需额外安装其他依赖即可直接执行安装：

方式一：通过 npm / pnpm 安装（官方源）

# npm 安装
npm install -D @anonyjcy/dsh-j-space

# pnpm 安装
pnpm add -D @anonyjcy/dsh-j-space

# 运行 CLI 一键部署预设
npx @anonyjcy/dsh-j-space install

方式二：克隆仓库直接安装（本地使用）

git clone https://github.com/AnonyJcy/dsh-j-space.git
cd dsh-j-space

# 一键部署预设到 ~/.dsh/.agent-presets/j-space
node bin/cli.js install

# 检查安装状态与完整性
node bin/cli.js status

---

💡 使用方法

1. Web UI 界面

1. 打开 DeepSeek Harness Web 界面，点击 New Session（新建会话）。
2. 在 Agent Preset 下拉选单中，直接选择 J-Space Cognition Suite。
3. 选择任意兼容的模型（deepseek-chat / deepseek-reasoner 等）开始任务。

2. CLI 命令行

dsh --preset j-space "全面重构此模块并补充单元测试"

3. Cordis 配置文件组装 (cordis.yml)

- id: j-space-plugin
  name: '@anonyjcy/dsh-j-space'
  config:
    autoDeploy: true

---

🧩 核心架构与数据流

flowchart TD
    A[新建 Session] --> B[选择 j-space 预设]
    B --> C[Preset Discovery: AgentPresets.list]
    C --> D[Preset Mount: AgentPresets.mount]
    D --> E[Agent Scope]
    E --> F1[Persona: J-Space SV1 认知系统]
    E --> F2[Tools: 完整编码与思考工具]
    E --> F3[Skill Filesystem: 挂载 skills/j-space/]
    E --> F4[J-Space Suite: SKILL.md, 13大模块, 7大参考, 控制器与适配脚本]
    E --> G[Session Model Route: 任意兼容模型]
    E --> H[Agent 运行 J-Space 认知闭环]
    H --> I[Task Workspace: 生成并维护 .jspace/ 账本与控制状态]

---

🛠️ CLI 命令一览

node bin/cli.js install    # 安装 J-Space Preset 到 DSH 用户预设目录 (~/.dsh/.agent-presets/j-space)
node bin/cli.js uninstall  # 干净卸载 J-Space Preset
node bin/cli.js verify     # 校验已安装预设的套件完整性
node bin/cli.js status     # 查看当前安装状态与配置路径

---

📄 开源许可证

本项目基于 MIT License 开源。套件第三方声明见 THIRD_PARTY_NOTICES.md。

维护 / Maintenance

版本变更见 CHANGELOG.md。