@dsh-scholar/research-plugin
DSH Research OS 自动化科学研究插件，涵盖文献调研、想法生成、实验合同、持久化运行作业、主张-证据账本及论文手稿撰写。
AI 分析
核心用途是辅助计算科学（如机器学习、数据科学）领域的自动化科研。适合科研工作者，需要 Linux、Node 24、pnpm 11 及 Docker 环境支持。
安裝
npx -p @deepseek-ai/dsh dsh plugin --profile web add github:lzszq/dsh-scholar說明文件
閱讀完整 README ↗使用边界
- DSH Scholar 辅助研究，不代替研究者承担科学判断、审批、署名和发布责任。
- 默认使用
gate-only；Agent 不能批准 Human Gate、伪造 accepted Evidence 或绕过实验合同。 - 正式实验必须绑定不可变代码/数据快照和固定执行环境，并由受控 Runner 真实执行。
- Chat、普通 stdout 和 Interactive Terminal 输出不会自动成为正式 Evidence。
- 产品聚焦机器学习、数据科学、生物信息学等纯计算研究，不适用于临床决策、人体试验、湿实验或其他高风险研究。
使用案例：CNN 手写数字识别
cnn-mnist-digits 项目演示了如何将模型改进想法推进为可审计结论。
| 项目 | 内容 |
|---|---|
| 研究问题 | 带逐通道归一化的双卷积 CNN，是否比单卷积 CNN 基线更准确？ |
| 数据与指标 | mnist_subset_v1；test_accuracy |
| 随机种子 | 11 / 23 / 47 |
| 结果 | test_accuracy = 96.8%；相比基线 +4.4 个百分点 |
| 不确定性 | bootstrap 95% 平均差置信区间 [1.2, 8.6]；n=3 |
总览页把研究问题、当前阶段、完成度和下一步行动放在同一个视图中。
1. 通过 Chat 推进项目
每个研究项目拥有独立会话。研究者可以直接描述任务，也可以使用 /status、/survey、/run 等命令，并通过附件、拖拽或粘贴接入研究资料。
2. 审批研究设计
Scope、Idea 和 Contract Gate 依次锁定范围、方案与实验合同；Release Gate 仍由研究者决定。
3. 执行受控对照实验
基线与正式方案以独立 Job 执行。截图中的 8 次运行有 7 次成功、1 次失败；失败记录被保留并显式提示重试。
4. 查看运行数据与远程终端
Run Terminal 提供某个正式 Job 的只读 stdout/stderr、退出状态和可恢复日志。下图可查看 baseline 在各轮训练中的 train_loss 和 test_acc，以及随机种子 23 的最终 test_accuracy = 88.3。
Interactive Terminal 是绑定项目或 session 的真实 Web PTY，用于连接执行环境、输入命令、调整窗口和重连会话。它适合交互式检查和调试，但其输出不会自动成为正式 Evidence。
5. 聚合证据
系统将指标、效应量、置信区间、Run 和 Artifact 绑定到 Evidence。本案例的证据经评审后标记为 accepted，用于支持“双卷积方案优于基线”的主张。
6. 写作与发布
Manuscript 工作台用于编辑 paper.tex 和 main.bib，在固定 TeX Live 环境中编译手稿。评审与打包完成后，最终对外发布仍需批准 Release Gate。
