dsh-local-trim

Name: dsh-local-trim
Author: leonlee114514

leonlee114514/dsh-local-trim

给小本地模型的一步到位接入 + 轻量 harness。装载时自动探测回环与私有网段上的推理端点（llama.cpp、Ollama、vLLM、LM Studio），从后端读出每个模型的窗口与输出预算，再经 settings 注册 provider —— 不用手写配置就能在模型选择器里选到本地模型。随后只对这一个 provider 裁剪：用 tools.restrict 收缩工具面、按段名丢弃系统提示词段落与记忆 context、把注入的指令块换成一页纸同时保留其首 80 与末 96 字符、截断工具 schema 的 description 而不动结构与 required。云端 provider 原样返回同一个 assembly 对象，不做任何改动。注入正文每次装配都重新读盘，改文件下一次请求就生效，不用重载。插件详情页的面板是一块实时运行视图：显示接管是否生效、走的是哪个钩子，最近一次装配的字符进→出与省下的比例，以及各 provider 的在线灯（多路并发点灯，每个本地 provider 还能发一次真实的最小请求，把延迟与回复原文报出来）。本地后端没起来时，面板能一键拉起：先探测端口（已在应答就不重复启动），再按端口拉起对应后端（ollama serve，或你自己填的启动命令），进程独立于宿主存活，随后轮询到端口应答为止，等待上限夹在 3–600 秒，超时会把刚起的那个进程回收掉不留孤儿，找不到可执行文件时会把搜过的路径写清楚。面板上还有停止按钮，只肯停本插件自己起的后端（先 SIGTERM，1.5 秒不退再 SIGKILL），别人的服务一概不动。模型刚下好、后端还不存在时，面板能扫描本机 .gguf（跳过 .mmproj. 视觉投影、按大小降序，并带 300 个模型 / 20000 个目录项 / Downloads 只扫一层这三道上限），选一个就用它拉起 llama-server（端口上已有服务就复用），按后端自报的模型 id 注册 provider，再发一条真实请求证明能用。真正起之前还会拿模型体积比可用内存：装不下、或超过可用预算 80% 时先不替你起，要你确认，并在这种情况下自动改用 --no-mmap；这条预检只读到操作系统可见的内存，不含 GPU 侧显存，这一点在 README 里写清楚了。

安装

dsh plugin --profile web add github:leonlee114514/dsh-local-trim

README

dsh-local-trim

给本地小模型一套轻量 harness：让 llama.cpp / Ollama / vLLM / LM Studio 这类本地端点也能在 DeepSeek Harness 里顺畅干活，而云端 provider 一个字节都不动。

它做什么：把工具面、系统提示词、工具 schema 三个面同时收窄，并把注入的整份系统提示词换成一页纸。本地模型工具调用能力实测未退化（ops_bash / ops_glob / ops_read_files 两步串行都正确）。

这里不给具体的请求体数值。绝对值由你自己的 harness 决定 —— 装了多少插件、注册了多少工具、系统提示词有哪几段，每个人的基线不同，裁剪空间也就不同。想知道自己省了多少，用文末「验证裁剪真的生效了」那段，在装与不装之间各抓一次请求来对比。

为什么需要它

DSH 默认面向云端大模型：一个装满插件的 profile 打开就是几十上百项工具，加一整份长篇系统提示词。本地模型常见窗口是 16K–64K，装得多一点就 CONTEXT_WINDOW_EXCEEDED；就算窗口够，小模型被上百个工具描述和几万字规则围着，调用正确率也会掉。

具体多大取决于你装了什么 —— 这正是下面要做按 provider 裁剪的原因。

DSH 没有「按模型裁工具」的开关：

dsh-tools 的 Config 只有 mode / maxParallel；
agent-preset 只能声明插件，不列 ≠ 不注册；
dsh-purge 也没有工具过滤字段。

唯一原语是 tools.restrict({ allow })，它把限制追加到调用者所在 scope 的层，只影响该 agent 及其子 agent —— 正好满足「只给本地模型精简」。本插件就是把这个原语和三个提示词层面的裁剪组合起来。

四层裁剪

层	做什么	手段
1. 工具面	只留本地真用得上的工具	`tools.restrict({ allow })`，allow = 实际可见名 ∩ 白名单
2. 提示词面	丢掉本地用不到的大段	`system-prompt/assemble` 里按段名过滤 `sections` / `contexts`
3. 注入面	整份系统提示词换成一页纸	替换 `dsh-purge` 注入段正文，保留头 80 / 尾 96 字符
4. schema 面	截断工具描述	递归截 `description`，`type` / `properties` / `required` 一字不动

第 3 层有个关键细节：宿主 dsh-agent-loop 在渲染完 prompt 后会检查 globalThis.__dshPurgeHungPrompt() 返回的原文的前 80 字符和后 96 字符是否都还在渲染结果里；只要缺一个，就把整份原文再前置一遍。所以替换注入时必须原样保留这两段取样，否则省下的 token 会被立刻加回去。

安装

方式一：`dsh plugin add`（推荐，v0.1.1 起）

包已声明 dsh.bundle，装完自动生效，默认开启自动识别（routes: []）：

dsh plugin add github:Leonlee114514/dsh-local-trim

不想要自动识别就改自己 profile 的 cordis.patch.yml，把 local-tool-trim 的 routes 写死：

- id: local-tool-trim
  config:
    routes: [my-local-provider]   # 只裁这一个 provider

方式二：本地源码 + `link:`

适合改代码调试。

# 1) 进你的 DSH profile 目录
cd ~/.dsh/profiles/desktop          # Windows: %USERPROFILE%\.dsh\profiles\desktop

# 2) 作为本地依赖登记（用 link: 指向源码目录，改完即时生效）
#    路径必须是相对 profile 目录的正确层数，写错会得到一个指向空目录的 junction
pnpm add link:../../../path/to/dsh-local-trim

# 3) 在 cordis.patch.yml 末尾 insert 插件（见下方配置）

踩过的坑：手工把插件拷进 node_modules/ 而不写进 package.json，任何一次 pnpm install 都会把它当无主残留隔离删除（日志在 .dsh-market/log.ndjson）。一定要用 pnpm add link:... 或写进 dependencies。

一步到位（v0.2.0 起）

不想手写 llm-pi-ai 的 baseURL / 窗口 / 模型列表：插件启动时会自己探测本地端点，探到能连上的就把 provider 写进你的 cordis.patch.yml（持久化，重启还在），新 provider 立刻可选用，不需要重启 DSH。

- insert:
    - id: local-tool-trim
      name: dsh-local-trim
      inject: [ tools, systemPrompt ]
      config:
        provision: true     # 或写成对象，见下

provision 三态：

写法	行为
`false`	完全不探测，插件只做裁剪
`true`（或不写）	按顺序探 `8090`(llama.cpp) → `11434`(Ollama) → `8000`(vLLM) → `1234`(LM Studio)，命中第一个可用的
`{ endpoint: 'http://host:port/v1' }`	只探这一个地址
`{ endpoints: [...], provider: 'my-local', overwrite: true }`	自定义列表 / 名字 / 是否覆盖同名配置

行为约定：

已有可用的本地 provider 就完全不写入 —— 你手写的 local-qwen 不会被覆盖。
provider id 按端口推断：8090 → local-llamacpp、11434 → local-ollama、 8000 → local-vllm、1234 → local-lmstudio；可用 provider: 指定。
窗口 / 输出长度从后端的 /v1/models 的 meta.n_ctx、meta.n_predict 读；读不到就退回保守值。
自动生成的 profile 带三样东西，少一样都可能拿不到回答：
1. compat.thinkingFormat: 'chat-template' + compat.chatTemplateKwargs.enable_thinking: false —— 本地 chat template 默认开思考模式，max_tokens 会全花在 reasoning_content 上、content 返回空串。但 pi-ai 只在 thinkingFormat 是 chat-template 一类的分支里才把 chatTemplateKwargs 翻成请求体的 chat_template_kwargs；默认的 openai 分支不翻，写了也发不出去。（qwen 分支发的是顶层 enable_thinking，llama.cpp 不认。）
2. 模型上的 reasoningEfforts: { off: null, low: low } —— 上面那个分支的前提是 model.reasoning === true，而它由这个字段推出来。
3. apiKeyEnv —— 本地端点不校验 key，但 provider 没有 credential 声明时 pi-ai 不带 Authorization 头，llama.cpp 会静默返回空 completion （不是 401，非常难查）。默认指向 DSH_LOCAL_LLM_API_KEY，值为空也行。
不需要关思考就在 provision 里写 chatTemplateKwargs: null。
探测与写入失败都不会影响裁剪，把原因写进日志（默认 ~/.dsh/local-llm/local-trim.log，可用 DSH_LOCAL_TRIM_LOG 改位置）。

插件热重载期间写配置会被 HMR 事务拒绝（HMR transactions cannot be nested）。这时插件会记下待办，等下一个真实请求（agent/created）再写 —— 不需要你做什么。冷启动（装完插件重启 DSH）时第一次就成功。

最小配置

- insert:
    - id: local-tool-trim
      name: dsh-local-trim
      inject: [ tools, systemPrompt ]
      config:
        enabled: true
        routes: []          # 空数组 = 自动识别本地端点

routes 三态：

写法	含义
不写	早期默认：只认 `local-qwen` 这一个名字（建议显式写 `[]` 或写具体名字）
`[]`	自动识别：provider 的 baseURL 指向回环/私有网段，或 provider 名带 local/ollama/vllm/lmstudio 等标记
`[my-provider, ollama]`	只认写出来的名字（精确匹配，`my-provider-turbo` 不会命中）

自动识别的 baseURL 特征：127.0.0.1 / localhost / 0.0.0.0 / [::1] / host.docker.internal / 10.x / 192.168.x / 172.16–31.x。

四种本地后端的接入

先把模型挂进 DSH 的 llm-pi-ai provider，本插件负责裁剪。四种后端都走 OpenAI 兼容接口，差别只在 baseURL 和要不要 API key。

llama.cpp（`llama-server`）

llama-server -m model.gguf --mmproj mmproj.gguf \
  --host 127.0.0.1 --port 8090 --alias my-local \
  --jinja -c 65536 --n-predict 8192 \
  --cache-type-k q8_0 --cache-type-v q8_0

# cordis.patch.yml
- id: llm-pi-ai
  config:
    providers:
      my-local:                       # provider id 自己定，带 local 标记会被自动识别
        displayName: 本地 llama.cpp
        apiKeyEnv: DSH_LOCAL_LLM_API_KEY  # 见上文第 3 点：缺了会静默返回空串
        api: openai-completions
        baseURL: http://127.0.0.1:8090/v1
        defaultContextWindow: 65536     # 必须和 -c 一致
        defaultMaxTokens: 8192          # 必须和 --n-predict 一致
        timeoutMs: 1800000
        streamIdleTimeoutMs: 600000
        compat:
          supportsUsageInStreaming: true
          maxTokensField: max_tokens
          thinkingFormat: chat-template   # 见上文第 1 点：不写这一行，下面白写
          chatTemplateKwargs:
            enable_thinking: false
        models:
          - id: my-local
            reasoningEfforts: { off: null, low: low }   # 见上文第 2 点
            contextWindow: 65536
            maxTokens: 8192
            input: [ text ]
            reasoningEfforts: false

defaultContextWindow 只在 provider 重新解析时生效 —— 改完必须重启 DSH 实例， HMR 不覆盖 llm-pi-ai。

Ollama

ollama serve                      # 默认 127.0.0.1:11434
ollama pull qwen2.5-coder:7b

providers:
  ollama:
    displayName: Ollama
    api: openai-completions
    baseURL: http://localhost:11434/v1
    apiKeyEnv: OLLAMA_API_KEY        # 随便填个值，Ollama 不校验
    defaultContextWindow: 32768
    defaultMaxTokens: 4096

Ollama 的 num_ctx 由模型 Modelfile 决定，得和这里的 defaultContextWindow 对齐； ollama show <model> 能看到实际值。provider 名带 ollama 前缀，自动识别直接命中。

vLLM

vllm serve Qwen/Qwen2.5-Coder-7B-Instruct \
  --host 0.0.0.0 --port 8000 \
  --max-model-len 32768

providers:
  vllm:
    displayName: vLLM
    api: openai-completions
    baseURL: http://192.168.1.9:8000/v1   # 局域网机器也自动识别（192.168.x）
    apiKeyEnv: VLLM_API_KEY
    defaultContextWindow: 32768
    defaultMaxTokens: 4096
    compat:
      maxTokensField: max_tokens

LM Studio

GUI 里打开 Developer → Start Server（默认 127.0.0.1:1234），Context Length 在模型加载设置里改。

providers:
  lmstudio:
    displayName: LM Studio
    api: openai-completions
    baseURL: http://127.0.0.1:1234/v1
    apiKeyEnv: LMSTUDIO_API_KEY
    defaultContextWindow: 16384
    defaultMaxTokens: 4096

完整配置

- insert:
    - id: local-tool-trim
      name: dsh-local-trim
      inject: [ tools, systemPrompt ]
      config:
        enabled: true
        routes: []
        promptTrim: true
        provision: true      # 探测本地端点并自动写 provider；false 关闭

        # 本地模型用不到的段。名字取自各插件的 systemPrompt.section({ name })。
        # 这份清单对应的是「装了很多插件」的 profile：你装了哪几个插件，就删哪几个插件
        # 产出的段，别整套照抄。名字对不上的段会被静默忽略，不会报错。
        dropSections:
          - tool:mindmap
          - free-search:engines
          - dsh-purge:anchor
          - dshpg-capabilities
          - mnemon:routing
          - plugin:dsh-imagegen
          - ui:deliverable-file-references
          - app:web-surface
          - tool:goal
          - tool:ralph
          - tool:workflow
          - tool:session-query
          - tool:pty
          - dsh-excel-chat:interaction
          - dsh-ops:repository-tooling:mode-standard
          - dsh-ops:repository-tooling:mode-ptc
          - dsh-ops:repository-tooling:mode-cordis
          - harness:source

        dropContexts:
          - mnemon:memory-view
          - mnemon:runtime-memory

        # 白名单同时写规范名和 dsh-ops 的 ops_* 名：不同 profile 装的工具包不一样，
        # 有的注册 bash/read/glob/grep，有的注册 ops_bash/ops_read_files/…，
        # 两种名字都列上，这份配置就能同时用在两种 profile 上。
        keep:
          - bash
          - pwsh
          - ops_bash
          - read
          - ops_read_files
          - ops_inspect_local_file
          - write
          - edit
          - glob
          - ops_glob
          - grep
          - ops_grep
          - working_directory
          - job_output
          - job_list
          - job_kill
          - todo_write
          - present
          - read_image

        # 描述截断长度。再往下会把 "Omit or leave empty when using" 这类半句留下，
        # 反而降低调用正确率 —— 半句话比长话更容易误导模型调用。
        # 设 0 表示该面不截断（保留原文）。
        toolDescLimit: 140
        toolParamDescLimit: 90

换成自己的轻量注入

三层优先级：config.injectText > ~/.dsh/local-llm/light-inject.md > 内置默认。

写个文件就行：

mkdir -p ~/.dsh/local-llm
cat > ~/.dsh/local-llm/light-inject.md <<'EOF'
[SYSTEM]
你是本地运行的编码助手。工具集已裁剪，上下文有限。
- 直接执行，不要反问，缺参数用占位符
- 中文回复，代码原文
EOF

内置默认（DEFAULT_INJECT）是一页纸的版本：身份 + 5 条行为准则 + 工具速查 + 输出格式。正文多长不影响正确性，只影响省下的量 —— 想更省就写更短，但别把工具用法删到模型认不出。

云端隔离

三重保证，test/autodetect.mjs 和 test/selfcheck.mjs 都覆盖了：

工具面：未命中路由时 release(agent) 撤销该 agent 的全部限制（restrict 调用次数: 0）。
提示词面：trimAssembly 未命中时直接 return assembly —— 同一个对象引用，不新建、不原地改。
注入面：接管后的 assembleWithLocalTrim 里 provider 判定不命中就直接返回下游结果。
唯一的全局副作用是重新定义了 prompt.assemble 的访问器，但它的行为对非本地 provider 完全等价于原函数。

实测：同一个会话里交替切云端 provider 和本地 provider，云端返回正常、本地工具调用正常，两边的工具面互不影响。

控制面板（v0.3.0 起，v0.4.0 改版）

插件在 DSH Web 的插件详情页里挂了一块面板：左侧栏进「插件」，列表里点开 dsh-local-trim，详情页底部就是它。面板直接读写这份 profile 的 cordis.patch.yml 里 local-tool-trim.config 那一节，改完点保存即生效，不用重启。

v0.4.0 起版面按「先看状态，再动手」重排，从上到下五块：

① 状态带 —— 一行徽章，每枚带颜色灯：

徽章	含义
接管 prompt.assemble	生效方式（叠在 dsh-purge 外层 / 叠在既有访问器外层 / 接管原生），失败时直接把原因写在这里
注入正文	一页纸注入有多少字符、来源是 `config` / `light-inject.md` / 内置
一步到位	自动注册 provider 的结果
提示词裁剪 / schema 瘦身	两层各自的开关状态
设置可写	宿主有没有把本插件登记成可写设置条目

② 裁剪收益条 —— 最近一次装配的进→出字符数、省了百分之几、段数变化、命中的 provider 和时间。走云端 provider 时这里会显示「未裁剪」，那是正常的：云端一个字节都不动。

③ 模型 provider 表 —— 列出 settings 里所有 provider，本地的一个个点灯（GET /v1/models，15 秒内复用结果，多路并发不串行），显示在线耗时或错误原文；每个本地 provider 后面有试跑按钮，发一条「只回一个字：好」的真实请求，回来显示毫秒数与回复内容。拉起按钮会在这台机器上找后端并起一个脱离宿主的进程；如果那个端口上确实有本插件拉起的进程，还会多一个停止按钮（SIGTERM → 赖着不走再 SIGKILL）。别人的 ollama serve 不会被这里点掉 —— 服务端只肯停自己 spawn 过、且登记在内存表里的 pid。

④ 本机模型 · 一键配置（v0.3.9 起，v0.4.0 加资源预检，v0.4.1 改判据）—— 上一块要求你先有端点，可刚下完模型的时候服务还不存在。这一块把顺序倒过来：扫描本机 → 选一个 gguf → 一键配置并试跑。

点「扫描本机模型」后插件会去这几个地方找 .gguf（每层最多下探两级，跳过 .mmproj. 视觉投影，按文件大小降序，大的排前面）：

~/.workbuddy/local-models/files      ← WorkBuddy 下载目录，命中率最高
~/AI/models
~/models
~/.lmstudio/models
%LOCALAPPDATA%/LM-Studio/models
~/Downloads

选中一个模型后填端口（默认 8090）和上下文（默认 65536），点一键配置并试跑，一条链走完三件事：

先做资源预检：算的是 显存装不下的那部分（sizeBytes − gpuBytes）比内存预算（max(totalmem − 2GB, freemem)）。为什么不拿 gguf 全长去比内存 —— gguf 走 mmap 读，落在可回收的 file-backed page cache 里，不是常驻匿名内存。这台机器实测就说明了这点： 16.9GB 的 gguf 跑着，进程 WorkingSet 才 285–691MB，显存 14289/14848MiB 打满，系统还剩 2.2GB 可用，任务管理器不爆、不换页。
- 显存 + 内存都装不下 → risky，唯一的硬拦。那不是慢，是必然加载失败；
- 显存外的部分超过内存预算但走 mmap → warn，照起。只是开头一段明显慢（专家按需从盘里换进来）；
- 同样装不下但用了 --load-mode none / mlock（不走 mmap，要真驻留 RAM）→ risky，这时候才可能换页卡死；
- 拿不到体积 → unknown，不假装通过也不假装危险。
用这个 gguf 起 llama-server（自动找 ~/.workbuddy/local-models/bin/ 下最新的 build，参数带 --n-gpu-layers auto --fit on --jinja --cache-type-k/v q8_0）；端口上已经有服务在应答就跳过拉起，不重复起；
等 GET /v1/models 真应答，以它报的模型 id 为准（不是文件名）；
复用「导入」的注册逻辑写进 llm-pi-ai，然后发一条真实请求试跑。

选完模型后「保留思考模式」旁边还有一个 加载方式 下拉（--load-mode），默认留空：

值	含义	什么时候选
留空	交给 llama.cpp 自己决定（auto）	默认。它会挑最合适的方式
`mmap`	分页读盘，权重落在可回收的 page cache	内存不宽裕时最稳
`none`	全量读进匿名内存	内存富余、不想让盘参与
`mlock`	锁页，不许换出	要求时序稳定、且内存确定够
`mmap+mlock`	分页读 + 锁页	少数场景，一般不用

注意 --no-mmap 这个参数 b11012 不认（error: invalid argument），所以插件从不拼它。

失败时面板会说卡在哪一步：precheck（资源预检拦住）/ launch（起不来，带查过的路径）/ probe（起来了但没报模型）/ register（写 settings 被拒）。拉起后端口超时不应答的话，插件会把刚起的进程回收掉，不留孤儿。别自己猜。

别把 MoE 的冷启动当成卡死。 27.2B MoE（8/192 专家激活）在这台机器上实测：前 1000–2000 token 是预热期（20 → 28 → 36 tok/s），之后恒定 76 tok/s （prose 75.5 / 计数 76.2 / 代码 71.9），prefill 3215 token 跑到 674 tok/s，预热完 IO Read 归零。所以「17GB 就该卡」是错的判断 —— 判断依据是显存装不装得下，不是文件大小。

v0.4.0 曾拿 gguf 全长比内存，把这台机器判成 risky 并自动加 --no-mmap；而 b11012 根本不认这个参数（error: invalid argument: --no-mmap），等于一点「一键配置」必然起不来。v0.4.1 全部改成 --load-mode auto|none|mmap|mlock|mmap+mlock。

⑤ 导入本地模型 —— 填端点（例如 http://127.0.0.1:8090，/v1 可省）→ 探测 → 下拉里选一个模型 → 导入并试跑。导入做四件事：

GET /v1/models（不通用时退 /api/tags）拿到模型列表；
按端口猜后端名，生成 provider id（local-llamacpp-qwen3-4b 这种），也可以自己填；
写进 llm-pi-ai 的 providers，模型选好后在「模型」选择器里立刻能选到；
立刻发一条真实请求，把端到端耗时、回复内容、token 数（或后端原文错误）贴在面板上。

试跑失败不会回收配置 —— 配置已经落地，把后端拉起或改好端点后点「试跑」即可，不用重新导入。默认会关掉 chat template 的思考模式（enable_thinking: false）：本地小模型开了思考会把 max_tokens 全花在 reasoning 上、content 直接空字符串。需要思考的模型勾上「保留思考模式」。

原来那些字段（开关、阈值、三个名单、注入正文、一步到位）都在最下面折叠的 高级配置 里，位置变了，能力没变。

⑥ 一键拉起（v0.3.4 起，v0.3.7 会自己捡模型，v0.4.0 能停，v0.4.1 认 --load-mode） —— provider 表里每个本地 provider 后面都多一个拉起按钮。点它就按这个 provider 的端口去找后端并起起来，然后轮询等它应答：

端口	后端	怎么起
11434	Ollama	找到 `ollama(.exe)` 后 `serve`，并带上 `OLLAMA_HOST=127.0.0.1:11434`
8090	llama.cpp	先找 `llama-server`，再按 `modelRoots()` 的顺序捡现成的 gguf，参数自己拼
8000	vLLM	要 `--model`（HF 目录或仓库 id），插件不猜 —— 高级配置里填完整命令
1234	LM Studio	`lms server start --port 1234`（不需要先指定模型，模型是运行时按请求加载的）

llama.cpp 这一条是 v0.3.7 的重点：模型已经下好了就别让人再下一次 20GB。插件按这个顺序找

llama-server（Windows 补 .exe）：LLAMA_SERVER_BIN → ~/.workbuddy/local-models/bin/<build>/ （WorkBuddy 的布局，取最新 build）→ ~/AI/llama.cpp/（Windows）/ Homebrew 与 /usr/local/bin（macOS、Linux） → PATH；
gguf：按 modelRoots() 的顺序找（DSH_LOCAL_MODELS_DIR → ~/models → ~/llama.cpp/models → ~/.cache/llama.cpp → ~/.lmstudio/models → <dataDir>/LM-Studio/models → ~/.workbuddy/local-models/files → ~/Downloads），第一个含 .gguf 的目录胜出；同一目录里优先 local_model.gguf，跳过 .mmproj.（那是视觉投影）；要指定自己的目录用 DSH_LOCAL_MODELS_DIR 或配置项 modelDirs；
拼参数（新版 llama.cpp）：-m <gguf> --host 127.0.0.1 --port 8090 --alias <provider 的模型 id> --n-gpu-layers auto --fit on --parallel 1 --jinja --cache-type-k q8_0 --cache-type-v q8_0 -c 65536 --n-predict 8192。老版本（没有 --fit）会自动换一套：--n-gpu-layers 99，不下发 KV 量化，见「参数能力靠 --help 探测」一节。

这套参数是按 32GB 统一内存实测出来的：权重 17GB 上卡，q8_0 KV 单 slot 才压得住 64K 上下文。 两个组件都找到才自动拼；缺模型文件才回「需要模型文件才能起」，缺可执行文件才回「本机没找到」，错误里带着查过的路径。

顺序是：先探测，端口本来就在应答就直接告诉你「没有重复拉起」；没应答才找可执行文件（OLLAMA_BIN 环境变量 → 平台默认安装位置：Windows ~/AI/ollama/ollama.exe、 %LOCALAPPDATA%\Programs\Ollama\ollama.exe、C:\Program Files\Ollama\ollama.exe； macOS /Applications/Ollama.app/...、Homebrew /opt/homebrew/bin；Linux /usr/local/bin、 /usr/bin、/snap/bin → PATH），拉起后按 拉起后等端口（秒） 轮询 /v1/models，成功后顺手把点灯缓存清掉。

高级配置里的 一键拉起命令 留空就走上面的自动逻辑；填了（例如 C:\Users\you\AI\ollama\ollama.exe serve --verbose）就原样执行，优先于自动探测。起进程用 detached + stdio:ignore，不挂在宿主进程的管道上，所以关掉 DSH 不会把它带走，要开机自启得自己挂（Windows 计划任务或启动项）。

停止（v0.4.0 起）：进程起来了就得能关。provider 那一行如果在「本插件起过的端口」表里，就会多一个红色停止按钮，点它走 POST /api/dsh-local-trim/stop → SIGTERM， 1.5 秒内不退再补 SIGKILL，还活着就如实报失败（不谎报成功）。这张表只存在宿主内存里：重启 DSH 之后表就空了，此时那些进程要自己关（taskkill /PID <pid> /F，pid 在面板「已拉起」提示和启动日志里都有）。

拉起后等端口的上限是 拉起后等端口（秒），默认 20 秒，可设范围 3–600 秒 —— 超出会被夹回去。 17GB 权重冷加载实测 11.6 秒，接近默认上限；更慢的机器记得调大。 超时不会留孤儿：插件会把刚 spawn 的那个 pid 回收掉再报错。

其他按钮：探测本地端点（依次打 8090 / 11434 / 8000 / 1234）、看日志 （读 ~/.dsh/local-llm/local-trim.log 尾部）、重新检测（强制刷新点灯结果）。右上角显示当前 revision；这份配置在别处被改过时，保存会提示冲突并自动重新读取。

宿主里跑的还是旧代码时（只有 describe / save / probe / log 四条路由，没有 status），面板不会整块报错：它自动退回 describe 视图，并在顶部提示「重启一次 DSH 就能看到点灯、收益条和模型导入」。插件是 JS 模块，装在宿主进程里，改完源码要让宿主重新 apply 一次。

面板走的是插件自建的 HTTP bridge，前缀 /api/dsh-local-trim，十二个端点 describe / save / probe / log / status / check / import / test / launch / stop / models / adopt，全部只接受 POST，且只放行本机来源（sec-fetch-site: cross-site 直接 403，Origin 必须与 Host 同源）。

重活路由（除 describe / save / log 之外）带两层节流：同一个路由上一次还没跑完时直接回「等它结束再来一次」，跑完之后 800ms 内再来也被挡（bridgeThrottleMs 可调，设 0 关掉间隔限制、只留并发去重）。前端连点不会在宿主机上堆叠起一堆 llama-server。

保存报「被 home patch 覆盖」怎么办

如果这个插件的配置整段写在 profile 的 cordis.patch.yml 里（很多人是手写进去的）， settings.update 会要求「合成后的 config 与要写的完全一致」，而那段 patch 里还有 routes / dropSections 这些面板不负责的键 —— 于是整段写入被拒，面板会提示 这份配置整段来自 profile 的 cordis.patch.yml（home patch 层），面板不能整段覆盖。

两条路：① 直接改那个文件里 local-tool-trim.config 的对应键；② 把 patch 里这个插件的 config: 段删掉（只留 id / name / inject），重启后配置归 settings 管，面板就能改。面板的只读视图（状态带、收益条、点灯、试跑、拉起）在两种情况下都能用。

面板不出现怎么办

先看日志末行是「控制面板 UI 已进入 client 条目表」还是「需要完整重启一次 DSH」。宿主的 dsh-client-modules 会把每个包第一次扫描的结果缓存起来（pkgMeta），插件热重载不会清这个缓存 —— 所以如果先装插件、后补 dsh.client 声明，只重载插件不够，必须完整重启一次 DSH。插件自己会在装载时清掉本包那一项并触发重扫，正常情况下一次重载就够；日志里说还需要重启时，重启即可。

启动自检

插件装载时往 ~/.dsh/local-llm/local-trim.log 写 10 项检查。下面是形态示例，数字取自某一份具体配置（你的会不一样，<…> 处随配置变化）：

✓ tools 服务          可 restrict
✓ systemPrompt 服务   可用
✓ dsh-purge           已装（本插件在其外层收尾，无需改它源码）
✓ assemble 接管       accessor+purge-slot
✓ 轻量注入正文        <字符数>，来源 ~/.dsh/local-llm/light-inject.md
✓ 工具白名单          <keep 项数> 项
✓ 裁剪段落            <dropSections 项数> 段 + <dropContexts 项数> 个 context
✓ 生效路由            自动识别（baseURL 指向回环/私有网段，或 provider 名带 local/ollama 等标记）
✓ schema 瘦身         description 140 / 参数 90
✓ 一步到位            <探测结果，如「已有配置好的 local-llamacpp」>
控制面板 bridge 已挂载：/api/dsh-local-trim/{describe,save,probe,log}
控制面板 UI 已进入 client 条目表（刷新页面即可在插件详情页看到）
就绪：仅对 本地端点（自动识别） 生效，其它 provider 原样放行

想关掉：config.selfCheck: false。

验证裁剪真的生效了

llama.cpp 加 --log-prompts-dir 会把每次请求落盘：

llama-server ... --log-prompts-dir ~/.dsh/local-llm/prompts

cd ~/.dsh/local-llm/prompts
f=$(ls -t *.txt | head -1)
echo "SIZE=$(stat -c%s $f)"
for k in "LOCAL LIGHT" "PRIME DIRECTIVE" "Mindmap editing"; do
  printf "%-20s %s\n" "$k:" "$(grep -c "$k" $f)"
done

期望：LOCAL LIGHT: 1、PRIME DIRECTIVE: 0、Mindmap editing: 0。SIZE 跟你自己的配置有关，不看绝对值，看的是「注入换成了轻量版、那些大段不再出现」。

如果 PRIME DIRECTIVE: 1，说明结果被某一层重写覆盖了。两步排查：

看 local-trim.log 里最新的 assemble 接管 行。理想值是 accessor+purge-slot；出现 already 意味着外层是别的实例留下的包装器（见坑位 6）。
在配置里临时打开 debugWrap: true，重载后再发一次请求，日志会多出成对的 包装器进入: N 段 / X 字符 与 包装器返回: M 段 / Y 字符。如果「返回」的体积没有变小，是 trimAssembly 判定这条请求不属于本地 provider（看 routes / baseURL 是否被识别）；如果「进入」的体积本身就很小而请求很大，说明别的层在我们之后又灌了内容进来。

七个踩过的坑

tools.restrict({ allow }) 只认全局工具名。 scoped 注册名（如 dsh-ops 的 ops_glob）混进 allow 会让整批校验失败，一条限制都装不上。本插件从错误消息里把被拒的名字抠出来记住，下一轮跳过 —— 比依赖 view() 私有字段跨版本安全。
cordis 的 waterfall next() 不收参数。 下游拿到的是最初那份 args，所以裁剪必须在 await next() 之后对返回值做。
别和 dsh-purge 的 400ms 心跳抢 slot.rewrite。 它每 400ms 用 bindSlot 覆盖一次，反向重挂永远输在时序上。正确做法是接管 prompt.assemble 访问器并在 getter 上转发 Symbol.for('dsh-purge.assembleGuard')，让它只刷自己的 slot、不重装访问器覆盖你。
注入段必须 interpolate: false，并且保留头 80 / 尾 96 字符。 否则 renderPrompt 会用变量改写正文，破坏宿主取样判定，整份原文立刻被重新前置。
llm-pi-ai 改 defaultContextWindow 要重启实例。 HMR 不覆盖 provider 解析，改了不重启的话 bili / 代理层拿到的还是旧窗口。
热重载会留下上一实例的包装器，不能看到标记就跳过。 重载后旧实例的 prompt.assemble 包装器还在最外层，但它的 ctx 已失效 —— provider 判断失效 → 它自己原样放行，而它内层仍会调 dsh-purge 把整份原文灌回去。所以接管时不能用全局布尔标记判断「已经装过」，要带一个 每次 apply 都不同的实例 token；发现外层是别人的包装器时叠加一层自己的，而不是放弃。进程重启后旧包装器自然消失，叠加的层数也就回到一。
.volatile() 的配置字段不是值，是活引用。 加上 volatile() 之后宿主传进 apply(ctx, config) 的每个字段都是 { get(): T }，config.enabled !== false 会永远为真（对象 !== false），裁剪开关直接失效。必须统一走一个 resolveConfig(config) 逐键 .get()，而且不能一次性解构成常量 —— 面板改了要能立刻生效，每次用时现读。

跨平台（v0.4.2 起）

v0.4.1 及以前这个插件只在本机（Windows ARM64 + 一张 N 卡 + WorkBuddy 的 llama.cpp 布局）上验证过，代码里到处是 C:/Users/<USER>/... 这种硬编码。换台机器大概率表现为「扫不到模型 / 找不到二进制 / 一拉起就报参数错」。v0.4.2 把这些都换成了可推导的规则。

支持矩阵

CI 在 ubuntu-latest（Node 20/22/24）、windows-latest、macos-latest 上各跑一遍，所以这张表不是声明，是每次提交都在验的东西。

能力	Windows	macOS	Linux
用户目录 / 数据目录	`%USERPROFILE%` / `%LOCALAPPDATA%`	`~` / `~/Library/Application Support`	`~` / `$XDG_DATA_HOME`
找 ollama	用户目录安装 + `Program Files` + PATH	`.app` 包内 + Homebrew + PATH	`/usr/local/bin`、`/usr/bin`、`/snap/bin` + PATH
找 llama-server	WorkBuddy build + 用户目录 + PATH（补 `.exe`）	Homebrew + `/usr/local/bin` + PATH	同 macOS
找 vLLM / LM Studio	`LM-Studio/lms.exe`、`Program Files` + PATH	`.app` 包内 + PATH	`/usr/local/bin` + PATH
扫 gguf	`~/models`、`~/AI/models`、`~/Downloads`…	`~/models`、`~/llama.cpp/models`、`~/.cache/llama.cpp`…	同 macOS，另加 LM Studio 数据目录
显存探测	`nvidia-smi`（在 system32，靠 PATH）	`nvidia-smi` / `rocm-smi` / `sysctl hw.memsize`	`nvidia-smi` / `rocm-smi`
拉起 / 停止进程	支持（`spawn` + signal 0 探测）	支持	支持

认自己的模型目录

内建目录覆盖三平台的常规位置（完整清单用面板上的「扫描本机模型」看，接口返回的 dirs 就是实际扫过的路径）。模型不在常规位置时，两条路：

环境变量（优先级最高，排在最前）：

# bash / zsh
export DSH_LOCAL_MODELS_DIR=/mnt/weights/gguf

# PowerShell（用户级，永久）
[Environment]::SetEnvironmentVariable('DSH_LOCAL_MODELS_DIR', 'D:\models', 'User')

配置项 modelDirs（数组，支持 ~），和上面那个环境变量同时存在时都会扫：
```
modelDirs:
  - ~/gguf
  - /data/weights
```

认自己的后端二进制

四个后端各有一个覆盖变量，指定后直接排到候选表最前，不再猜：

变量	作用
`OLLAMA_BIN`	`ollama` 可执行文件的完整路径
`LLAMA_SERVER_BIN`	`llama-server` 的完整路径（自编译 / 非标准位置）
`VLLM_BIN`	`vllm` 的完整路径（conda / venv 里的那个）
`LMSTUDIO_BIN`	`lms` CLI 的完整路径

参数能力靠 `--help` 探测，不靠版本号猜

llama.cpp 的参数是逐版演进的：--load-mode 和 --fit 是近几版才有的，老版本没有；反过来 --no-mmap 在新版本里已经被 --load-mode 取代（传进去直接 error: invalid argument）。所以插件在拼命令行之前会先跑一次 llama-server --help，把输出里出现的 --flag 全抠出来，只拼它真认的那几个：

探到了 → 只留白名单里的；被裁掉的参数名会出现在 planLaunch 返回的 dropped 数组里，面板会告诉你「你的 llama.cpp 不认 --fit，已跳过」。短参数（-c / -m / -t）也一并收 —— -c 是 --ctx-size 的短写，只认长参数的话 -c 65536 会被判成不支持而整条裁掉，上下文悄悄退回引擎默认值（本机就这么丢过一次）。
探不出来（命令不存在、超时、输出为空）→ 不裁剪，按旧行为全给。宁可让引擎自己报错，也不要因为探测失败把好参数丢掉。
结果按二进制路径缓存，同一个 llama-server 只跑一次 --help。

flag 在、取值不一定在。 --n-gpu-layers auto 的 auto 是和 --fit 同一代加的；老引擎只认数字。所以拼参数时按 --fit 有无分两套：

能力	有 `--fit`（新引擎）	无 `--fit`（老引擎）
`--n-gpu-layers`	`auto`	`99`
`--cache-type-k/v`	`q8_0`	不下发（老版本类型表窄）
`--fit on`	下发	不下发

llamaCppAutoArgs 的返回值里带 modernEngine，面板日志能看出走的是哪一套。

显存探测的三条路

detectGpuInfo() 依次尝试，谁先答上算谁：

NVIDIA — nvidia-smi --query-gpu=memory.total --format=csv,noheader,nounits，三个平台通用（Windows 上它在 system32，PATH 里有）。
AMD — rocm-smi --showmeminfo vram，认 VRAM Total Memory (B): 17163091968 和 VRAM Total Memory (B): 24.0 GiB 两种写法。
Apple Silicon — 没有独立 VRAM，统一内存。取 sysctl -n hw.memsize 的四分之一 作为「GPU 侧可用」的粗估，并标 unified: true（面板上会显示这是统一内存，不是真显存）。
都没有（Intel 核显 / 无独显 / 容器里）→ 返回 0，预检退化成「不算显存」，不报错。

统一内存要特殊处理。 Apple Silicon 的「显存」和内存是同一个池子， hostBytes = 模型 − 显存 会凭空多出余量（24GB 的 Mac 装 16GB 模型会被算成只占 10GB）。所以 detectGpuInfo() 对 Apple Silicon 返回 unified: true，预检见到它就按 sizeBytes 全额比 totalMemBytes，上限也只算一次。AMD 核显走的是独立 VRAM 路径，不受这条影响。

预留内存可配

预检给系统留多少内存是 reserveMb（默认 2048 MiB）。桌面 Windows + 宿主 + 浏览器差不多要这么多；Linux 服务器可以调到 1024，内存紧张的机器调大，0 表示不预留（只跟 free 比）。

reserveMb: 1024

已知边界

只做本进程内的裁剪，不碰模型权重，不改任何第三方插件源码。
dsh-purge 未安装时也能工作（接管原生 prompt.assemble），只是没有头 80 / 尾 96 的保留逻辑（没有那层兜底就不需要）。
段名来自各插件的 systemPrompt.section({ name })，插件升级改段名后要在 dropSections 里同步。
llama.cpp 侧的调参只到「一键拉起时给一组能跑的默认值」（--n-gpu-layers auto --fit on --cache-type-k/v q8_0）；要换量化、换 KV cache 精度、限并发，改高级配置里的启动命令，插件不替你优化推理性能。
资源预检是估算，不是保证。 checkModelFit 用 os.freemem() / os.totalmem()、模型文件体积、以及探测到的显存总量做减法：hostBytes = sizeBytes − gpuBytes。显存探测按厂商分三条路（见「跨平台」一节）。这几个数都不精确（本机实测：32GB 机器 Windows 只报 16.37GB 可见，其中 GPU 拿走 14.5GB；freemem 还把 page cache 算成已占用）。所以它只会拦住明显起不来的，不会替你算出真实占用。拿不到显存时退化成「不算显存」，不报错。判 ok 也不代表不会慢。
面板只能停自己起的进程。 stop 路由走一张内存表（launched），表里只有本插件 spawn 过的 pid。宿重重启后这张表就空了，此时手动起的后端要自己关。

开发

npm run verify                  # = check + test，8 个文件语法 + 7 套测试
npm run check                   # 只跑 node --check（lib/*.js + client.js + test/platform-sim.mjs）
npm test                        # 只跑测试（unit + portable + host）
npm run test:portable           # 只跑跨平台候选表推演（linux / darwin / win32 各一遍）
npm run test:sim                # 假装自己是 linux / darwin，把整套测试再跑一遍

node test/selfcheck.mjs         # 两个场景：装了 / 没装 dsh-purge
node test/autodetect.mjs        # 四个本地后端 + 三个云端 provider 的路由判定
node test/provision.mjs         # 探测 → 写 settings 的一步到位
node test/panel.mjs             # 面板视图模型 + 导入流程（离线，不起浏览器）
node test/panel-host.mjs        # 真跑 apply()，假 settings / 假后端把 12 条 bridge 路由全打一遍
node test/launcher.mjs          # 一键拉起 + 扫本机 gguf + 资源预检 + 停进程（不真起进程）
node test/portable.mjs          # 路径推导 / 显存探测 / --help 能力探测（假 platform + 假 exec）
node test/platform-sim.mjs linux    # 假装自己是 Linux，验候选表不会吐 Windows 路径
node test/platform-sim.mjs darwin   # 同上，macOS
node test/platform-sim.mjs win32    # 同上，Windows（本机就是，但断言的是「全 .exe」）
node test/run-sim.mjs           # 上面那三套 + launcher / panel-host，按 linux + darwin 各一遍
node test/stranger.mjs          # 抹掉本机所有有利条件（无 GPU / 无模型 / 空 PATH）

test/stranger.mjs 是「别人第一次装」的等价物：清空 PATH、抹掉显卡、家目录里不放模型，然后要求每一步都优雅退化 —— 显存读不到就是 0（不是 NaN），--help 探不到就不裁剪（不是全丢），没有 gguf 就回 no-model 并列目录。本机什么都有，这些分支永远走不到。

test/run-sim.mjs 把同一招用到整套测试上：它用 child_process 起子进程并显式传 DSH_SIM_PLATFORM，而不是写 DSH_SIM_PLATFORM=linux node … —— 那种前缀语法只在 POSIX shell 成立，Windows 的 npm script 会直接报「不是内部或外部命令」。这一步存在的理由很具体：test/portable.mjs 里曾断言 endsWith("lms.exe")，macOS runner 上 exeName() 不加后缀就红，而本机是 Windows，永远踩不到。

test/platform-sim.mjs 靠 Object.defineProperty(process, "platform", …) 在 import 之前改平台 —— lib/launcher.js 顶部的 const WIN = process.platform === 'win32' 是 import 时求值的，改掉之后整个模块都会按目标平台展开。

os.homedir() 也能骗，但有坑：真实 Windows 上它只读 USERPROFILE（删掉反而退回真实家目录，HOME 根本不看），Linux/macOS 才读 HOME。一开始只改 HOME，模拟 darwin 时家目录仍是 C:/Users/<你>，候选表里混进一堆 C:/... —— 而那正是要抓的东西，等于这套测试白跑。现在 test/fake-platform.mjs 把两个变量都指到 /sim/nobody，并且有三条用例专门断言「家目录里没有本机真实路径」。剩下骗不到的只有 process.env.PATH、真实文件系统和 nvidia-smi；把这三样也删掉的是 test/stranger.mjs。

test/panel.mjs 只测纯逻辑：lib/status.js（接管文案、收益计算、provider 判定与点灯计数）和 lib/import-model.js（入参校验、provider id 生成、profile 拼装、试跑请求与四类失败分支，全部用假 fetch）。

test/panel-host.mjs 是宿主侧集成：用一份内存 settings、一个假 webServer、一个假 llama.cpp（/v1/models + /v1/chat/completions）跑真的 apply(ctx)，让插件自己注册路由，然后逐条断言 status / check / import / test / launch / stop / models / adopt 的返回 —— 包括同源守卫 403、同名不覆盖、端点连不上、模型不在列表里、provider 不存在、资源预检拦截、以及「只肯停自己起的进程」这几种路径。它不需要真起 DSH。

这份用例显式传 bridgeThrottleMs: 0：它是在几毫秒内连着打同一批重活路由的，默认 800ms 间隔会把它们全挡掉。节流本身由最后几组用例单独验。

test/launcher.mjs 覆盖一键拉起的纯逻辑：端口解析、命令行切分（认双引号）、 whichOnPath 补扩展名、四种后端的计划生成、找不到可执行文件与「需要模型参数」两条错误路径、自定义命令优先、runDetached 的 detached/stdio/env 传参，以及 waitForEndpoint 的命中与超时。spawnImpl 与 probe 全部注入，CI 上不会留下后台进程。

v0.3.9 起还覆盖 scanLocalModels（跳过 mmproj、按大小降序、目录下探）与「自选端口 + 指定 gguf」的拼装（端口和 alias 都得按用户填的走）。v0.4.0 补上了 mergeEnv（Windows 上 PATH / Path 大小写去重）、envPathValue、checkModelFit （五档结论 + 显存外的 hostBytes + 拿不到体积时的 unknown）、--load-mode 白名单（normalizeLoadMode / LOAD_MODES）、detectGpuBytes、stopProcess （SIGTERM → SIGKILL → 报失败，幂等）、isProcessAlive（EPERM 算活着），以及扫描的三道上限（maxModels / maxEntries / Downloads 只扫一层）与 truncated 标记。

adopt 的 sizeBytes / gpuBytes / totalMemBytes 可以从入参覆盖（非正数或省略就回落真实探测）。 CI 的 runner 上没有 nvidia-smi、内存也只有 15.6GB，不覆盖的话「能跑的机器不该被判 risky」这条断言在 CI 上永远测不到 —— 它会一路走 risky 分支。生产路径不吃这三个参数。

本地不要为了验证去真起 17GB 的模型 —— planLaunch 已经把命令和参数摆出来了，看一眼就够；真要端到端跑，挑个空闲时段。别把冷启动当成卡死：27.2B MoE 在这里实测预热 1000–2000 token 后稳定 76 tok/s（见上文「一键配置」下的说明）。

lib/config.js 顶层 import z from '@deepseek-ai/schemastery' —— 运行时由 DSH 宿主提供（peerDependencies，optional，不会再给装插件的人拉第二份副本），跑测试前需要 npm ci（它同时也写在 devDependencies 里）。CI 就是这么做的。

scripts/restore-bash.ps1 修 pnpm 把 @dsh-ops/bash-win32-x64 当不匹配平台剪掉的问题（arm64 Windows 上会遇到）：重新 pack 该可选依赖并放回 node_modules/@dsh-ops/。

License

MIT

dsh-local-trim

安装

README

dsh-local-trim

为什么需要它

四层裁剪

安装

方式一：`dsh plugin add`（推荐，v0.1.1 起）

方式二：本地源码 + `link:`

一步到位（v0.2.0 起）

最小配置

四种本地后端的接入

llama.cpp（`llama-server`）

Ollama

vLLM

LM Studio

完整配置

换成自己的轻量注入

云端隔离

控制面板（v0.3.0 起，v0.4.0 改版）

保存报「被 home patch 覆盖」怎么办

面板不出现怎么办

启动自检

验证裁剪真的生效了

七个踩过的坑

跨平台（v0.4.2 起）

支持矩阵

认自己的模型目录

认自己的后端二进制

参数能力靠 `--help` 探测，不靠版本号猜

显存探测的三条路

预留内存可配

已知边界

开发

License

相关插件

dsh-our-free-model

dsh-routing-suite

dsh-workbuddy-connect

dsh-connect-workbuddy

安装

README

dsh-local-trim

为什么需要它

四层裁剪

安装

方式一：dsh plugin add（推荐，v0.1.1 起）

方式二：本地源码 + link:

一步到位（v0.2.0 起）

最小配置

四种本地后端的接入

llama.cpp（llama-server）

Ollama

vLLM

LM Studio

完整配置

换成自己的轻量注入

云端隔离

控制面板（v0.3.0 起，v0.4.0 改版）

保存报「被 home patch 覆盖」怎么办

面板不出现怎么办

启动自检

验证裁剪真的生效了

七个踩过的坑

跨平台（v0.4.2 起）

支持矩阵

认自己的模型目录

认自己的后端二进制

参数能力靠 --help 探测，不靠版本号猜

显存探测的三条路

预留内存可配

已知边界

开发

License

相关插件

dsh-our-free-model

dsh-routing-suite

dsh-workbuddy-connect

dsh-connect-workbuddy

方式一：`dsh plugin add`（推荐，v0.1.1 起）

方式二：本地源码 + `link:`

llama.cpp（`llama-server`）

参数能力靠 `--help` 探测，不靠版本号猜