APEX v1.0

研究如何让同一个模型更可靠地完成复杂任务。

APEX 是面向 DeepSeek Harness 的任务增强插件。我们围绕工具调用、任务协作和结果验证构建执行环境，探索基础模型在实际交付中的能力边界。

当前阶段 · 2026-09-16

v1.0 已完成正式集成、macOS 工程验证和首轮复杂任务对照研究。下一阶段将通过多任务、重复实验和同等预算比较，检验观察到的收益是否稳定。

开发与安装 · 实验论文 · 发布验证

我们在做什么

项目围绕一个核心问题展开：在保持基础模型不变的前提下，更合适的工具、协作方式和反馈，能否提高完整任务的通过率？

APEX v1.0 将这项研究落成了可安装的插件：模型可以使用官方工具完成工作，按需要组织团队，并通过浏览器检查、只读审查和执行记录核验结果。任务如何分解、是否委派、何时检查，仍由模型结合任务和用户要求决定。

我们同时维护插件实现与对照实验，分别回答“工程机制是否正确运行”和“最终作品是否更好”这两个问题。

为什么这样做

在已完成的四冲程柴油机任务中，两组作品都能生成复杂场景，也都报告过自测通过；进一步检查却发现了机械装配、运动关系或交互稳定性上的错误。这说明，本案例中的自测与展示没有覆盖完整验收要求。

因此，APEX 的开发重点是：

• 让模型能够实际执行和检查。 使用文件、命令、浏览器及协作工具，把判断建立在可观察结果上。
• 按任务需要组织工作。 简单任务直接完成，有独立子任务时再使用团队协作。
• 用完整交付衡量收益。 同时记录任务通过率、质量、严重故障、耗时和资源消耗，判断额外开销是否值得。

v1.0 已经做出了什么

PTC、文件、Shell、Web 和 Teams 的基础能力来自官方 Harness。APEX 的工作集中在这些能力的组合、调用指引、验证工具和必要的执行保护上；各项机制的效果仍需通过实验分别评估。

工程验证

• macOS 原生组件回归：162 项通过，0 失败、0 跳过。 使用匹配的 Harness 和脚本化模型响应，没有调用付费模型。
• Linux、macOS、Windows 的公共 CI 已通过。 每个平台的基础检查为 55 项通过、82 项因缺少 Harness 而明确跳过；这不代表三个平台都完成了真实宿主集成验证。
• 安装、挂载、重复安装、错误拒绝、取消和资源清理已有对应检查。具体范围见 发布验证记录。

首轮复杂任务对照

我们使用同一模型配置（deepseek-flash / max）完成四冲程柴油机三维交互任务，对照官方原生环境与 APEX v1.0。两组各生成一次，按同一套 37 项量表检查冻结的实际交付。

原生对照因渲染冻结和关键机械连接缺陷触发严重故障上限。APEX 样本得分较高、完成较快，但仍有装配偏移、局部运动及信息一致性问题，输出 token 约为对照的 4.63 倍。

这是一项探索性的单任务观察。 每组仅一次生成、评价非盲、运行顺序固定且总计算预算不等，尚不能证明稳定、普遍或因果性的能力提升。

查看中文论文、补充材料和图表。公开数据支持文中说明的图表与论文复现；完整会话、原始 trace 和冻结应用未公开，完整成品复验仍受限制，详见 脱敏说明。

目前推进到了哪里

APEX 当前处于 v1.0 正式集成完成后的效果评估阶段。 插件已经落地，首轮研究已经公开；稳定收益、收益来源及适用范围仍是待解决的问题。

• 已完成： v1.0 插件集成、macOS 验证、公共 CI，以及四冲程任务的原生对照和论文整理。
• 下一阶段计划： 预先冻结多个任务与评分规则，增加独立重复，随机化运行顺序，对成品匿名评分；分别开展自然完成和同等预算比较。
• 随后验证： 分别关闭团队协作或验证机制，观察收益来自哪里，再决定哪些机制值得保留和优化。
• 平台待办： 补充 Linux / Windows 真实 Harness 主机验证。当前真实宿主实测范围为 macOS Web。

后续评估将以完整任务通过率为主要指标，并同时报告质量、严重故障、耗时和分类用量。

使用与进一步了解

当前包名为 dsh-apex@1.0.0，预设为 apex-v1；固定兼容基线为 DeepSeek Harness v0.1.6-alpha.1。源码通过本仓库分发，尚未发布到 npm。安装前请按文档核对官方构建与依赖版本。

• 安装、升级与卸载
• 设计、工具行为与运行边界
• 测试方法与公开版本验证结果
• 实验论文、数据与复现脚本

项目采用 MIT 许可证，复用内容的归属见 NOTICE。