dsh-router-laya
在 Laya judge 中按请求进行层级路由，并在编排器中添加 Auto 层级标签
插件会安装到这里；不确定时保持 web。
npx -y @deepseek-ai/dsh plugin --profile web add github:HapyRain/dsh-router-laya#a0a39802cf636261a71d0c4953c234a2d244134aRouter Laya 以 dsh-router-laya 发布，当前版本为 2.2.1。Plugin Hub 会校验它的 manifest，并保存精确安装来源，便于复现安装结果。
一个 DSH 插件：对没有明确档位指令的消息，自动选择思考档（low / high / max）。
做法是在本地跑一个微调过的分类模型（842MB，CPU 推理不到 1 秒），配合会话内的检测无感自动升降档。 全程本地离线，超快响应，适配日常使用，从此让Harness开启"自动驾驶"模式。
你大概也有同感：想让 AI 在难题上多想一会儿，就得手动把档位拉满；而大多数日常消息， 拉满纯属浪费——多烧的 token 换不来更好的回答，来回手动切又麻烦，时间,tokens双双爆炸💥！
关于本插件逻辑的一些理论支持：
档位是真实存在的旋钮，问题只剩一个：谁来判断该拧到几档？ 手动切麻烦，全局拉满浪费。 dsh-router-laya 把这个判断交给一个本地小模型： 它先看一眼你的消息，决定需要多少思考，再把请求路由到合适的档位——你只管发消息。 具体来说：
另外我做了 120 多次本地对照实验交叉验证，方向与公开结论一致：单任务 low 档约 96% 成功 （确实不必多花钱）；15 个任务连吃 low 档 42% 翻车、升档后约 17%——这就是这个插件要吃的 那一段：
负责判断的 7 题微调分类头，对金标（三模型交叉标注）一致率 99%、本地判定小于 1 秒：
会话内自动升档的实测阶梯——重试两轮，low 到 max：
输入栏有个档位芯片，实时显示当前档位和最近 20 轮的判断原因；服务离线时变灰并给出启动命令。
npm i -g dsh-router-laya
npx dsh-router-laya setup
setup 做三件事：建 Python 虚拟环境、下载 846MB 的 checkpoint（走本仓 GitHub Release， HF 和镜像做兜底，支持断点续传）、启动判定服务。然后按它打印的 snippet 在你的 DSH profile 里注册插件行，设两个环境变量：
ROUTEEXP_ARM=auto
ROUTEEXP_RESPECT_EXPLICIT=1
要求：Node ≥ 18，Python ≥ 3.10，约 2GB 磁盘。判定服务需要常驻（setup 会启动，重启机器后
重跑 npx dsh-router-laya setup 或 service 里的启动脚本）。
按顺序过四层，任何一层命中就停：
失败路径：判定服务不可达 → 落 low，会话不断(概率极低<0.3%)。
README 里的图由 scripts/make_charts.py（纯 stdlib）从实测数据生成，CI 会检查图表是否过期。
实验全记录（试筛、判读规则、标注方案、验收数据）在主开发仓
HapyRain/layaDemo 的 docs/ 目录。(整理后转公开)
这个插件目前还在尝试阶段，有不少没做完的地方。当前实现的判断逻辑，针对日常使用是够用的； 如果你要把它用在大项目、高难度任务，或者对识别率有更高要求，建议基于你自己的使用习惯重新 微调一版模型——标注、训练、验收的整条链都是现成的（见上面的数据与复现），换一批你自己的 语料就能重训，本机只要有独立的 GPU 的话几分钟一轮，相当快。
我自己后面有精力的话，也会再用新语料把 Laya 重新微调一版。这次做得比较仓促，见谅。
这本身只是一个小思路。哪里不对、哪里可以更好，欢迎在 GitHub Issues 里提，我都会看。
本项目代码为 Apache-2.0。判定模型基于 convaiinnovations/laya 与 answerdotai/ModernBERT-large 两个 Apache-2.0 项目微调而来，按协议要求在 NOTICE 中署名，在此向两个上游项目致谢。