@deepseek-ai/dsh-llm-wechat

中文 | English

独立公开仓库：本插件从项目内独立维护，源码位于 dsh-llm-wechat 仓库。

DeepSeek Harness 的微信网关适配插件：让 DSH 把微信小程序「Coding Plan」的 Deepseek-v4-flash（chatapi.weixin.qq.com）当作官方 DeepSeek 使用——思考进思考块、工具调用正常、正文无标签。

复用官方 dsh-llm-deepseek 的 DeepSeekAdapter（请求序列化、错误映射、模型解析、重试策略全部继承），只在响应侧加了一层流式转译。不修改任何 DSH / pi-ai 源码。

为什么需要这个插件

微信网关的返回有三个官方 DeepSeek 没有的怪癖，DSH 原生解析器无法处理：

微信的怪癖	插件处理
思考内容不放 reasoning_content，而是连同 </think> 标签整个塞进 content	流式拦截器把 </think> 之前的文本剥离并重排进 reasoning_content，正文只留纯净答案
工具调用流式 delta 的后续片段显式发 id: null / name: null，覆盖首个 delta 的正确值	只接受非空字符串更新 id/name
DSH 的工具结果以 tool-result 块存放，序列化时需展开为 role: tool 消息	对齐官方完整版（含 (no output) 兜底）

工作原理

微信流:  "We need answer... final.  </think>141.3717"   （思考+标签全在 content）
              │
              ▼  WechatAdapter.request（拦截器：parseSse 与 translate 之间）
DSH 流:   reasoning_content: "We need answer... final."
          content:           "141.3717"                （标准格式，DSH 上层无感）

• 请求侧：微信端点协议与官方 DeepSeek 完全一致（OpenAI 兼容），原样透传，仅映射思考档位 off/high/max → thinking: {type} + reasoning_effort。
• 响应侧：translate 前插入 ThinkTagSplitter 状态机（处理标签跨 chunk 被切开、思考含尖括号、思考未闭合兜底等边界）。
• system 增强：微信模型对"工具只能通过 run_code 调用"的遵循较弱，插件在 system 末尾追加一段强约束（仅 wechat 通道生效）。

安装

方式一：dsh plugin（推荐，官方规范）

# 在包含 dsh-llm-wechat 目录的位置执行
dsh plugin --profile web add ./dsh-llm-wechat

dsh plugin add 会把包以 link: 方式装进 profile，并把 dsh.bundle 声明的 patch 层（cordis.patch.yml）追加到 dsh.profile.bundles——无需手动改任何文件。

发布到 npm 后（待发布）：

dsh plugin --profile web add @deepseek-ai/dsh-llm-wechat

方式二：手动

1. 把包复制到 DSH 安装树的 node_modules/@deepseek-ai/dsh-llm-wechat；
2. 在 $DSH_HOME/profiles/web/package.json 的 dependencies 加 "@deepseek-ai/dsh-llm-wechat": "link:<绝对路径>"，跑 pnpm install（生成 lock）；
3. 在 $DSH_HOME/profiles/web/cordis.patch.yml 加：

- insert:
    - id: llm-wechat
      name: '@deepseek-ai/dsh-llm-wechat'

配置 credentials

在 $DSH_HOME/.credentials.yaml 存微信 Token（也可以在启动环境导出 WECHAT_API_KEY）：

WECHAT_API_KEY: <微信 Coding Plan 的 API Token>

配置（settings.yaml）

重启 DSH 后，在 $DSH_HOME/settings.yaml 加 llm-wechat: 段（热加载，无需重启）：

llm-wechat:
  apiKeyEnv: WECHAT_API_KEY              # credentials 引用
  baseURL: https://chatapi.weixin.qq.com/openai/v1
  thinking: enabled                      # enabled | disabled（disabled 锁死 off 档）
  reasoningEffort: high                  # off | high | max，默认 high
  maxTokens: 48000                       # 微信 maxOutput 上限 48000
  defaultContextWindow: 200000           # 微信 maxInput 上限 200000
  models:
    - id: Deepseek-v4-flash
      name: WeChat Deepseek-V4-Flash
      contextWindow: 200000
      maxTokens: 48000
  stripThinkingTags: true                # 是否剥离 </think> 标签（默认 true）
  streamIdleTimeoutMs: 300000            # 流式空闲超时，默认 5 分钟
  retryPolicy:                           # 可选；默认有界重试
    mode: always
    backoff:
      initialDelayMs: 500
      maxDelayMs: 10000
      jitterRatio: 0.1

配置字段与官方 dsh-llm-deepseek 对齐（thinking/reasoningEffort/models/retryPolicy 等），另加 stripThinkingTags。模型选择器里会出现 WeChat → Deepseek-V4-Flash，思考强度可选 off / high / max。

注意：插件注册的 provider route 是 wechat。如果之前在 llm-pi-ai.providers.weixin 配过微信，必须删除该段，否则 DUPLICATE_ADAPTER 冲突。

推理等级自动暴露

装了这个插件，wechat 供应商的模型在模型选择器里会自动出现推理等级下拉（off / high / max），无需任何额外配置。

原理：DSH 的模型选择器只要检测到模型元数据里有 reasoning.efforts 就会渲染等级下拉。插件注册的 wechat route 的 resolveModel 无条件返回：

reasoning: {
  efforts: [{ id: "off" }, { id: "high" }, { id: "max" }],
  defaultEffort: "high"   // 跟随 settings 的 reasoningEffort
}

链路：装插件（注册 wechat route）→ DSH 读取元数据 → 返回 reasoning.efforts → UI 自动显示等级下拉。

对比：如果你之前用 pi-ai 或其他通道配 wechat，模型元数据里没有 reasoning.efforts（pi-ai 需要手动配置 reasoningEfforts 映射才暴露），所以 UI 里看不到等级。插件把这个写死在元数据里，开箱即用。

档位说明

档位	效果	建议
off	thinking: {type: "disabled"}，不思考	简单问题/省 token
high	thinking: {type: "enabled"} + reasoning_effort: high	日常推荐
max	thinking: {type: "enabled"} + reasoning_effort: max	思考最长，但易撞微信 60s 网关超时

只暴露这三档是因为微信网关只认 off/high/max（传其他值报 UNSUPPORTED_REASONING_EFFORT），与官方 DeepSeek 行为一致。

给第三方用户的快速接入清单

1. 安装插件（dsh plugin --profile web add ./dsh-llm-wechat）；
2. 在 $DSH_HOME/.credentials.yaml 存 WECHAT_API_KEY；
3. （可选）在 $DSH_HOME/settings.yaml 加 llm-wechat: 段设置默认档位（默认 high）；
4. 重启 dsh web；
5. 模型选择器 → WeChat → Deepseek-V4-Flash → 选择推理等级（off/high/max）→ 开聊。

如果你之前用 llm-pi-ai.providers.weixin（或其他方式）配过微信，删除旧配置再装插件，避免选择器里出现两组重复且旧组无等级。

已知限制

微信网关固有问题（插件无法解决）

• 60 秒请求超时：max 档思考很长（实测可达 19k+ 字符），容易撞网关 60s 掐断 → TIMEOUT / 408。建议日常用 high 档；max 档需配合更大的 maxTokens 并接受较高失败率。
• 限流：每 5 小时约 1200 请求配额；并发上限 6。DSH agent 的多步工具循环会快速消耗配额，触发 RATE_LIMIT（429）。
• 模型对工具规则遵循不稳定：偶发直接调用 collapsed 工具（glob/pwsh 等）导致 unknown tool。插件已在 system 末尾追加强约束缓解，但无法 100% 消除。
• reasoning_content 字段恒空：思考只在 content 里（已由插件剥离解决）。

插件自身

• 复制了官方 dsh-llm-deepseek 的 translate/parseSse/serializeRequest（模块私有无法 import）——官方升级不会自动同步，DSH 大版本升级后需重新对齐。
• peerDependencies 已放宽为 *（不锁版本），但 DSH 接口变化仍可能破坏插件——升级 DSH 后需回归测试（运行时兼容性不受 npm 检查保护）。
• 只支持文本；微信本身不支持图像输入，无影响。

错误码

与官方 adapter 一致（LlmError）：AUTH（401/403）、RATE_LIMIT（429）、TIMEOUT（408/超时）、QUOTA、CONTEXT_WINDOW_EXCEEDED、TRANSPORT、STREAM_CLOSED（无 [DONE]）、MALFORMED_RESPONSE、EMPTY_RESPONSE、MISSING_CREDENTIAL、UNSUPPORTED_REASONING_EFFORT。

开发与测试

node --check lib/index.js && node --check lib/wechat-translate.js   # 语法
# 转译器单测（ThinkTagSplitter 状态机）：见 test/ 目录
# 真实微信流式集成：node test/live-stream.test.mjs（需要有效 Token）

发布规范

遵循 deepseek-harness 插件发布指南：

• dsh.bundle.patch 声明 bundle 层（本包自带 cordis.patch.yml）
• publishConfig.access: public（scope 包）
• files 白名单：lib/**、cordis.patch.yml、README.md
• 版本对齐 DSH 的 0.1.0-rc.x；发布前需测试 DSH 升级兼容