dsh-ai-model-builder
DSH 左侧栏插件：AI 模型构建器。在图形界面里配置一个多层全连接神经网络，
一键生成 PyTorch 模型架构，并一键新开 DSH 会话让 Agent 按数据集自动训练该模型。
面板功能
在 DSH 左侧栏点击「AI 模型构建」图标打开配置面板：
| 区域 | 字段 | 说明 |
|---|
| 模型结构 | 学习率 | 优化器学习率 |
| 输入维度 / 输出维度 | 数据维度与任务输出 |
| 每层神经元数量 | 每个隐藏层的神经元数 |
| 神经网络层数 | 隐藏层数量（1–128） |
| 数据集与用途 | 数据集路径（可选） | CSV / 图片目录等；留空时训练会生成合成演示数据 |
| 模型主要用途 | 写入 params.json，并作为训练指令的背景 |
| 保存路径 | 模型文件保存路径 | 「运行」在此写入 model.py |
| 参数文件保存路径 | 「运行」在此写入 params.json |
三个按钮：
- 确认保存 —— 把当前配置持久化到
<DSH_HOME>/data/dsh-ai-model-builder/config.json；
- 运行（生成模型架构） —— 保存配置，并生成：
model.py：PyTorch 多层感知机（build_model() 读取 params.json 构建），params.json：学习率 / 层数 / 神经元 / 维度 / 数据集 / 用途等超参数，architecture.json：架构说明与参数量估算（与 model.py 同目录）；
- 训练（新会话自动启动） —— 保存配置后，用 DSH 的 agents 服务新建一个会话
（工作目录 = 模型文件所在目录），并自动注入训练指令：Agent 会检查/安装依赖
（torch、numpy、pandas、scikit-learn）、编写
train.py、按数据集训练、把权重保存到
model_weights.pt，最后汇报训练指标。面板随后自动切到该会话，可实时观察执行过程。
HTTP 端点（Node half，仅同源可写）
GET /ai-model-builder/config —— 读取已保存配置POST /ai-model-builder/config —— 保存配置（body: {config: {...}}）POST /ai-model-builder/generate —— 保存配置并生成模型架构文件POST /ai-model-builder/train —— 保存配置、新建会话并注入训练指令，返回 {sessionId, cwd, ...}
安装（本地 link）
- 把本目录放到
%USERPROFILE%\.dsh\plugins\dsh-ai-model-builder；
- 编辑
%USERPROFILE%\.dsh\profiles\<profile>\package.json：
dependencies 增加 "dsh-ai-model-builder": "link:C:/Users/<你>/.dsh/plugins/dsh-ai-model-builder"（用绝对路径，正斜杠）；dsh.profile.bundles 追加 "dsh-ai-model-builder"；
- 在 profile 目录执行
pnpm install；
- 重启 DeepSeek Harness。
卸载
从 profile package.json 移除依赖与 bundle 条目，pnpm install，重启 DSH；
再删除本插件目录与 <DSH_HOME>/data/dsh-ai-model-builder 即可。
实现说明
- 零外部 npm 依赖：Node half 只 import
node: 内置模块；
installModelSelection / createUserMessage 是按宿主
@deepseek-ai/dsh-agent / @deepseek-ai/dsh-llm 公开语义内联的最小等价实现
（与官方 headless runner 使用同一调用契约）。
- 客户端通过
main 槽位（key=ai-model-builder）+ sidebar.panellist 槽位
注册左侧栏入口；训练跳转使用 sessions.retain(sessionId, {source: "mainView"})
layout.selectPanel(null)。
