dsh-autopilot

Done means verified.

面向 DeepSeek Harness 的验收驱动自动完成引擎。

Agent 说「做完了」，不等于任务完成。

flowchart TD
    A["Agent：Done."] --> B[Autopilot 独立验收]
    B --> C["第一轮：Build / Feature 未过"]
    C --> D[NOT DONE]
    D --> E[按失败项修复]
    E --> F["第二轮：全部必选检查通过"]
    F --> G[VERIFIED COMPLETE]

模型声称完成 ≠ 任务已经完成。只有 验收标准 → 独立验证 → 全部必选检查通过，才能签发证书。

安装

需要 Node.js 20.19+，以及已安装的 DeepSeek Harness（npx @deepseek-ai/dsh web 或源码检出）。

作为 Harness 插件

# 从本仓库安装到某个 Harness profile
dsh plugin add https://github.com/245678000000/dsh-autopilot

# 或用本地 checkout 做 overlay
pnpm dsh web --patch /absolute/path/to/dsh-autopilot/cordis.patch.yml

插件入口是 cordis.patch.yml。装好后会在官方 Goal 栈之后插入 Autopilot，不替换 ctx.goals。

独立 CLI（不需要跑完整 Harness）

git clone https://github.com/245678000000/dsh-autopilot.git
cd dsh-autopilot
npm install
npm run build
node dist/cli.js evaluate --cwd ./fixtures/file-only

项目里的 shell 验收默认不执行。只有你明确授权时才跑：

node dist/cli.js evaluate --cwd ./examples/login --allow-commands

常用命令：

dsh-autopilot evaluate [--cwd <dir>] [--spec <file>] [--allow-commands]
dsh-autopilot status
dsh-autopilot criteria
dsh-autopilot certificate

它解决什么问题

常见 Agent 工作流是：改几个文件，跑一下命令，然后说「Done.」。这句话后面可能藏着测试失败、构建失败、漏掉的需求、残留 TODO，或接口状态码不对。

Autopilot 挂在官方 agent/turn-stopping 上，用确定性评估器独立验收。只有 canCertifyCompletion() 放行，才会调用 ctx.goals.complete()。

验收标准

在项目根目录放 .autopilot.yml：

version: 1
goal:
  objective: 实现登录
budget:
  maxRepairAttempts: 5
criteria:
  - id: tests
    description: 单元测试通过
    required: true
    evaluator:
      type: command
      command: npm test
      expect:
        exitCode: 0

完整编码示例见 examples/login/.autopilot.yml。

完成认证

全仓库只有一扇门：canCertifyCompletion()。

签发 VERIFIED COMPLETE 必须同时满足：

• 每一项 必选 标准都有当前结果
• 结果是 passed
• PASS 带有 可观察证据
• 工作区改动后，结果不是 过期（stale） 的
• 必选但无法验证的项不会被放行

Worker 说「Done.」只会被记成一份被忽略的提议。

通过后会写出 CompletionCertificate：

VERIFIED COMPLETE

6 / 6 required checks passed

✓ tests
✓ typecheck
✓ build
✓ login success case
✓ login failure case
✓ no placeholder

Attempts:
3

重试与阻断

可修复的失败会生成结构化反馈（期望 / 实际 / 输出摘录 / 回归），并用 agent.steer(...) 让当前 turn 继续。若设置 continuationMode: goal-round，则交给官方 @deepseek-ai/dsh-goal-round-driver 排下一轮。

重试有上限。默认：maxRepairAttempts = 5，maxEvaluations = 10，maxRounds = 8，墙钟 30 分钟。

不是所有失败都该再试。缺密钥、缺人决策、审批拒绝、必选标准无法验证，会变成 BLOCKED，并写明 need / resolvedWhen。缺 API key 不会空转 20 轮。

回归、无进展、振荡

每次评估都会和上一轮对比。PASS → FAIL 会标成 REGRESSION DETECTED。

连续三次相同失败指纹是 NO_PROGRESS。A/B 来回翻转是 OSCILLATION。各自最多触发 一次 策略重置；再犯就 BLOCKED。

和官方 Goal 的关系

Autopilot 不替换 @deepseek-ai/dsh-goal。

模型调用的 update_goal complete 会在 tools/pre-execute 被拦截，只当提议。

人类 /goal 不变。Autopilot 额外提供 /autopilot。

对照的 Harness commit：47f943859b（0.1.0-rc.5）。细节见 docs/harness-integration.md。

评估器

优先级：确定性检查 → 结构化工具检查 → LLM 评判。

安全

.autopilot.yml 视为不可信项目配置。危险命令会拒绝。HTTP 默认只允许 localhost。云 metadata（169.254.169.254）会被拦住。评估器没有工作区写权限。Autopilot 不会绕过 Harness 审批。见 docs/security.md。

Demo

npm run demo

1. Agent 说「Done!」——构建和错误密码用例失败——修复——VERIFIED COMPLETE
2. 自信说错：「测试都过了」对照 exit code 1
3. 连续 4/5 同样失败 → BLOCKED
4. 测试先 PASS 再 FAIL → REGRESSION

npm run bench

合成场景，只跑控制器，不编造数字。

限制

• 没有可观察测试的标准，验不了。
• LLM 评估器是概率性的。非法输出记为 error，不是 pass。
• 写坏的验收标准会签发错误证书。
• 外部系统可能不可用。
• 有些任务必须由人判断。
• 测试通过在数学上不能证明软件正确。
• Autopilot 提高完成可靠性，不保证完美结果。
• 受信任的进程内插件如果直接调用 ctx.goals.complete()，官方 Goal 服务仍然认。Autopilot 拦截的是模型工具，不是所有 in-process 调用。

路线图

• v0.1 — 编码验收、command/file/http/git、官方 Goal + turn-stopping、修复循环、回归/无进展/振荡、证书
• v0.2 — 浏览器评估器、界面验收、可选 Time Machine 检查点
• v0.3 — 研究 / 数据管道评估器、多 Agent 独立核验
• v0.4 — CI 与 GitHub PR 验收、团队策略包

License

MIT