从写dsh插件的感悟

一、模型对小众插件知识储备不足
在开发DeepSeek harness插件的过程中，我发现一个很现实的问题，大模型对于这类定制化dsh插件本身并不熟悉。这类插件属于相对小众的开发工具，不像通用编程知识那样有海量公开训练素材。模型本身没有深度使用该插件的实际开发经验，只靠零散的公开资料建立认知。即便基础编程能力很强，面对该插件独有的语法、调用规则、内部逻辑时，先天就存在认知短板，这也是后续代码出错的根源。

二、AI生成代码容易反复出错，消耗大量资源
我使用vibe coding模式让模型编写插件代码，实际效果并不理想。即便我向模型输入大量参考文档、示例代码、需求说明，把能给到的信息全部提供，产出的代码依旧会出现各类bug。很多并不是复杂逻辑漏洞，往往只是参数写错、接口调用方式不对、配置项遗漏这类细小问题。为了修复这些小问题，需要反复对话调试，不断粘贴报错信息、补充说明，每一轮修改都要消耗大量token。一个不起眼的小缺陷，就要耗费多轮交互与算力资源，调试成本很高。

三、大模型能力提升依旧是长期过程
这次开发经历也让我看清当下大模型的真实能力边界。模型擅长通用场景的代码生成，但面对小众、定制化、偏工具插件类的开发任务，依旧有明显短板。不会简单靠扩大模型规模就直接完美解决所有细分领域问题。想要让AI能够稳定搞定各类小众插件开发，既需要扩充细分领域训练数据，也需要优化工具调用、细节理解能力。由此可见，大模型的能力进化不是一蹴而就，依旧是需要持续迭代的长期过程。