Open-source · DeepSeek Harness · Research Agents

把日常数据分析,封装成可复核的科研智能体

dsh-research-lab 是一套"下载即可运行"的高校科研智能体框架: macOS 桌面端开箱即用(内置真实 DeepSeek Harness + Node 22 + 全部科研栈, 无需预装任何环境);亦可源码接入——两套真实公开数据的完整研究管线、8+4 个科研技能、 三个层级 Preset、49 项自动验收。教师与研究生不重造轮子,按学科模板定制自己的科研 Agent。

⬇ 下载桌面端 v0.3.1(macOS DMG) ZIP 备用 GitHub 仓库 ↗ 快速开始 📖 逐步教程(两案例) 教育科研方法论 → 公卫科研方法论 →

当前稳定版 v0.3.1(2026-10-25)|macOS Apple Silicon(M1–M4), 解压后约 2 GB——一个 .app 内置真实 DSH + Node 22 + 全部科研栈,无需预装任何环境。 其他资产:SHA256 校验和 · 教学资源包(源码模板) · 全部平台包 · 更新说明。 产物未做 Apple 公证,首次打开右键 → 打开(见下方桌面端一节)。

49 / 49自动验收全绿
2 领域教育 + 公卫完整管线
12 Skills8 通用 + 4 领域
952 例真实公开样本(649+303)

框架架构:六层解耦

先有真实计算与复现,再有交互与炫技——每一层都可以独立替换。

交互层
DSH web / TUI / headless · CLI 直跑

课堂上可直接 python examples/.../run_t1_t5.py,也可让 DSH 智能体驱动同一套工具。

Preset 层
三个科研台预设

research-lab 通用 / edu-research 教育 / health-research 公卫——守则 + Skills + Tools 清单,换学科=换配置。

Skill 层
8 通用 + 4 领域技能

研究设计、数据导入、质量决策、探索分析、统计建模、模型验证、科研报告、证据溯源 + 教育泄漏审计等。每件都有适用条件 / 输入契约 / 验证条件 / 失败处理。

Tool 层
Python 计算层(stdout-only-JSON)

data_audit · regression · classification · stat_tests · report_builder——语言模型不碰数字,只调度与解读。

知识数据层
领域知识 + 数据包规范

domain.yml + methodology.md(知识带性质标注)+ 协议 protocol.md(先于分析锁定)+ 变量字典 + expected/ 数值锚点。

验证层
verify.py:49 项三方对账

SHA256 完整性 → 确定性复跑 → 双独立实现交叉验证(statsmodels vs 手写 OLS 逐位一致)→ 协议断言。CI 三平台 × 双 Python 版本背书。

▲ 下层决定上层:数据与验证不撒谎,上面的智能体才可信

功能模块一览

每个模块独立可用,也可组合成完整的"科研工作台 + 智能体"。

模块能力
教育科研台 EduResearchUCI Student Performance(649 名中学生真实数据)T1–T5 全流程:审计 → 单变量关联 → 多变量回归 → 泄漏对照 → 报告图表交付
公卫科研台 HealthResearchUCI Heart Disease(303 例真实历史病例)H1–H5 全流程:缺失审计 → Logistic 基线 → 防泄漏划分与 5 折 CV → 留出集评价与阈值分析
统计方法谱两独立组 / Welch ANOVA / Kruskal-Wallis / 卡方+Cramér's V / 多重校正 / 效应量 / 预测评价 / Logistic OR 表 / 置换重要性;数据不支持的方法显式声明拒绝理由
验证体系scripts/verify.py 49 项三方对账:SHA256 完整性 → 确定性复跑 → 双独立实现交叉验证 → 协议断言;CI 三平台 × 双 Python 版本背书
桌面端(macOS)一个 .app 装下全部:真实 DSH 0.2.1-rc.2 + Node 22 + Python 科研栈;管线一键运行、DSH 智能体窗口、科研台守则经 profile patch 注入、模型 Key 本机配置
定制路径templates/new-domain/ 七步复制出自己的学科 Agent:换知识 + 协议 + 数据三件事,tools/ 计算层与验收设施零改动

五条教学铁律(框架内置,不可绕过)

🔒 原始数据只读

datasets/*/raw/ 永不改写,SHA256 锁定于 metadata/source.yml;改动立即被 verify 抓住(有专门的安全测试)。

🧮 数字只能来自真实执行

模型不得生成任何 p 值 / R² / AUC——那叫编造。全部统计值出自 tools/ 计算层。

⚖️ 双实现互证

每个头条指标有第二条独立实现路径:手写 OLS vs statsmodels(|Δ系数|=0)、秩和法 AUC vs sklearn。

🚫 因果表述禁令

观察性数据只谈关联;健康数据禁用于真实临床。不适用方法(生存/纵向/因果/调查加权)显式声明理由。

🛑 缺列即拒绝

数据不满足契约时,智能体必须提出修正要求——拒绝编造是 Skill 层的显式条款,课堂现场演示。

📋 协议先于数据

research-design 先出 protocol.md,分析计划锁定后不得静默修改;改协议必须升版本号。

真实数据锚点(课堂讲述的事实基础)

零模拟数据:两套基准均为 UCI 真实公开研究数据(CC BY 4.0),数值全部锁定可复核。

🎓 EduResearch|UCI Student Performance(id=320)

样本649 名中学生 × 33 字段(葡语课)
学习时间 ↔ 成绩Spearman ρ = +0.2747
行为回归 M1 调整 R²0.2629
含期中成绩 M2(泄漏对照)0.8500(Δ +0.587)
连续预测 RMSE / CV R²2.826 / 0.238
双实现对账|Δ系数| = 0(逐位一致)

❤️ HealthResearch|UCI Heart Disease(id=45)

样本303 例真实历史病例(Cleveland)
缺失审计ca=4、thal=2 → 完整案例 297
5 折分层 CV AUC0.869 ± 0.069
留出集 AUC / Brier0.950 / 0.094
Youden 阈值0.186(敏感度 1.00 / 特异度 0.78)
最强血管征象 ORca OR = 3.55 [2.11, 5.98]
⚠️ 教学边界:样本为真实研究数据但仅作课堂演示;观察性数据只谈关联; 健康数据不得用于真实临床诊断;报告尾注"不代表真实培训效果"随每份产物输出。

桌面端:开箱可用的完整科研台

一个 .app 装下全部——随包内置真实 DSH(DeepSeek Harness 0.2.1-rc.2,npm 官方包原样分发)、 Node 22 运行时与全部 Python 科研栈;使用者无需预装 Node / Python / DSH。 从 Releases 下载 v0.3.1 dmg (或 .zip)即可安装。

🧩 内置真实 DSH

工作台一键启动 DSH Web(MIT 许可,整包未修改): 12 个科研技能首启自动装配,所选科研台的智能体守则经 profile patch 注入会话; 会话内 DSH 的 shell 工具直接调用随包 Python 运行管线脚本。

🔐 模型 Key 本机配置

首次使用在「模型设置」填 Key(DeepSeek 官方或 OpenAI 兼容端点)。Key 仅存本机(0600),经环境变量注入 DSH——绝不打包、不写日志、不随应用分发。

📊 一键管线与产物

教育 / 公卫管线一键运行,报告、表格、图表就地浏览; 数据与产出全部落在用户目录,升级应用不触碰已有结果。

✅ 构建即验证 + 实机报告

构建自动做干净环境冒烟(装配 → 双管线真实产出 → 启动内置 DSH → token 断言 303/401,6/6 步全绿);另附 GUI 实机验证与 preset 注入实证报告 docs/desktop-validation.md。

⚠️ 诚实边界:当前产物未签名未公证(无 Apple 开发者证书),首次打开需右键 → 打开;构建与验证平台为 macOS 11+ Apple Silicon,其他平台尚未提供。桌面版不随仓库分发二进制, 构建方式与使用文档见 docs/desktop.md。

定制你自己的学科科研 Agent:七步法

改造而非重造——tools/ 与验收设施零改动,只换"知识 + 协议 + 数据"三件事。

你的学科 科研 Agent templates/new-domain ① 复制模板 new-domain 七件套 ② 写 domain.yml 域/边界/研究问题 ③ 登记数据知识 字典/许可/SHA256 ④ 协议先锁定 先于看数据 V1.0 ⑤ 领域 Skill 含锚点验证条件 ⑥ 跑通并锁锚点 expected/ + 双实现 ⑦ 打包 Preset build_package.py 迁移自检 换第二份数据复用
1
验收即底线"回答像专家"不是标准;设计可识别、执行真实、坏数据处理有痕、复算一致才是。
2
tools 一行不改计算层全复用——新学科只需四件配置:domain.yml / 协议 / 字典 / Skill。
3
锚点即教材expected/ 里每个数字同时是回归测试基准与课堂事实锚点。
4
换数据可复用框架级验收项:用第二份数据证明"真实复用"而非"复制粘贴结果"。

快速开始(按场景分层)

方式 A|macOS 桌面端(推荐——零环境依赖,开箱可用)

  1. 下载安装:dsh-research-lab-0.3.1-darwin-arm64.dmg(或 .zip), 打开后把 DSH Research Lab.app 拖入「应用程序」;
  2. 首次放行:产物未公证——在「应用程序」中右键 → 「打开」→ 再点「打开」(macOS 会记住许可,之后正常双击);
  3. 配置模型:点「⚙ 模型设置」填 API Key(DeepSeek 官方或任意 OpenAI 兼容端点), 并选择科研台 Preset(edu-research / health-research / research-lab / none); Key 仅存本机(0600),经环境变量注入 DSH;
  4. 开跑:点「▶ 运行」跑通双管线(真实数据约 10 秒)浏览报告;点「▶ 启动 DSH」 在真实 DSH Web UI 里以所选科研台守则 + 12 个技能驱动智能体, 会话内 python 直接命中随包科研依赖。

方式 B|源码安装(教师 / 研究者,需 Python 3.11+)

# 跑通教育科研管线(真实数据,约 10 秒)
git clone https://github.com/milulab/dsh-research-lab.git
cd dsh-research-lab && pip install -r requirements.txt
python examples/education-demo/run_t1_t5.py   # → outputs/{results.json, report.md, …}
python examples/health-demo/run_h1_h5.py      # 公卫分类管线
python scripts/verify.py                      # 49 项对账全绿

方式 C|接入已有 DSH(开发者 / 高级用户)

# 已安装 DeepSeek Harness(npm i -g @deepseek-ai/dsh)的场景:
bash scripts/install.sh --preset research-lab   # 装配 skills + 科研台 preset
dsh web                                          # 工作区指向仓库根目录

常见使用方式

  1. 课堂演示:桌面端一键跑 T1–T5 / H1–H5 管线,用产物里的 report.md 与图表讲"数字从哪来";
  2. 智能体分析:在 DSH 会话里让智能体按科研台守则驱动同一套 tools/——模型只调度与解读,不碰数字;
  3. 学科定制:复制 templates/new-domain 七步换出自己的学科 Agent,换第二份数据复用整体验收。

常见问题 FAQ

关于 DSH Research Lab 的常见疑问,一句话版本都在这里。

DSH Research Lab 是什么?

一套"下载即可运行"的高校科研智能体框架:macOS 桌面端开箱即用(内置真实 DeepSeek Harness、Node 22 与全部科研栈),也可源码接入,把数据审计、统计分析、报告生成串成可复核的研究流程。

它支持哪些领域?

内置教育与公共卫生两个完整领域模板:教育科研台基于 UCI Student Performance(649 名中学生真实数据),公卫科研台基于 UCI Heart Disease(303 例真实病例);换学科等于换 Preset 配置,无需改计算层。

它如何保证结果可复核?

内置 verify.py 的 49 项自动验收:SHA256 完整性、确定性复跑、双独立实现交叉验证与协议断言;原始数据只读、数字只能来自真实执行、协议先于数据锁定。

怎么安装运行?

从 GitHub Releases 下载 macOS(Apple Silicon)桌面端 DMG,把 App 拖入「应用程序」即可,内置 12 个科研技能,无需预装 Node / Python;也可克隆源码后 pip install 依赖直接运行教育或公卫管线。

是否开源?

是。框架基于 DeepSeek Harness 构建,MIT 许可开源,数据为 CC BY 4.0 的 UCI 真实公开数据集,代码与文档在 GitHub 仓库 milulab/dsh-research-lab。