mr-potato-123/dsh-mcp
Developer tools이 페이지는 AI로 자동 번역되었습니다. 기술적인 세부 사항은 원문을 확인하세요. 원문 보기
DSH를 MCP로 활용하면 Claude 코드나 코덱스 등을 더 빠르고, 더 강력하며, 경제적으로 만드세요!
개요
에이전트틱 코딩 도구가 비싸고 느린 이유는 하나 있습니다: 부모 모델이 파일을 하나씩 읽기 때문입니다. DSH-MCP는 이를 뒤집어 — : DeepSeek-V4-플래시 속도로 배치 읽기, 편집, 명령 실행을 수행합니다. 장기적 다중 파일 작업은 에이전트 도구가 시간과 돈을 소모하는 곳입니다: 부모 모델은 모든 파일을 직접 처리합니다 — 파일당 한 번의 읽기, 탐색 루프, 커지고 떠오르는 컨텍스트. 당신은 부모 모델의 토큰당 요금을 지불하고, 모델이 직렬적으로 처리하기를 기다립니다. 한 번의 호출delegate_to_dsh 토큰 중심의 하위 작업 전체를 작업 공간 내에서 실행되는 새롭고 집중된 DeepSeek Harness 에이전트에게 넘겨줍니다. 모든 파일 입출력 작업은 그곳에서 이루어집니다 — 배치되고, 로컬적이며, 저렴하게 이루어집니다. 부모 작업은 실제로 두뇌가 필요한 부분에 대해 계속 정보를 공유합니다: .
개요(AI 번역)
빠르고 저렴하게 — 중대한 작업은 deepseek-v4-flash로 돌아가.
MCP 요원을 위한 실행 계층 — 로컬 딥시크 하네스로 구동됩니다.
에이전트 코딩 도구가 비싸고 느린 이유는 단 하나, 바로 부모 모델 때문입니다
파일을 하나씩 읽습니다. dsh-mcp 뒤집으면 — 부모 에이전트가
논리적으로, 지역 DeepSeek 하네스가 무거운 역할을 합니다: 배치는 다음과 같습니다,
편집과 명령 실행은 DeepSeek-V4-Flash 속도로 당신의 컴퓨터에서 가능합니다.
모든 MCP 클라이언트와 호환 · Claude 코드로 종단 간 테스트 완료
** 🌐 영어 · 简体中文 · 日本語**
왜: 빠르고 저렴하게, 의도적으로
고통. 장기적이고 다중 파일 작업은 에이전트 도구들이 돈을 빼먹는 곳입니다
그리고 시간: 부모 모델은 각 파일 자체를 처리합니다 — 각 파일 하나씩 Read
파일, 탐색 루프, 커지고 떠도는 맥락. 부모의 비용을 지불합니다
읽기에 대한 토큰당 비율을 계산하고, 모델이 그렇게 할 때까지 기다립니다
연속적으로.
수정 작업. 한 호출 delegate_to_dsh 한 호출이 토큰 중심의 하위 작업 전체를 다음 명령으로 전달합니다.
신선하고 집중된 딥시크 하네스 요원이 deepseek-v4-flash 안에서 작동하고 있습니다
당신의 작업 공간입니다. 모든 파일 입출력은 그곳에서 이루어집니다 — 일괄 처리하고, 로컬하며, 저렴하게 이루어집니다. 그
이 페이지는 AI로 자동 번역되었습니다. 기술적인 세부 사항은 원문을 확인하세요.
README
원문 README의 일부입니다. 원문 보기.
Why: fast and cheap, by design
The pain. Long-horizon, multi-file work is where agentic tools bleed money
and time: the parent model grinds through every file itself — one Read per
file, exploration loops, context that grows and drifts. You pay the parent’s
per-token rates for the reading, and you wait for the model to do it
serially.
The fix. One delegate_to_dsh call hands the whole token-heavy subtask to
a fresh, focused DeepSeek Harness agent running deepseek-v4-flash inside
your workspace. All the file I/O happens there — batched, local, cheap. The
parent stays in the loop for what actually needs a brain: planning,
diagnosis, decisions, verification.
Measured on 100 SWE-bench-style long-horizon tasks (heterogeneous model setup: parent = deepseek-v4-pro, DSH = deepseek-v4-flash; arm B runs the same parent model without the plugin):
with dsh-mcp |
raw agent | |
|---|---|---|
| Accuracy | 100/100 · 100% | 89/100 · 89% |
| Avg. wall time | 76s | 120s |
| Statistical significance | — | Fisher p < 0.001 |
Faster, more accurate — and the accuracy gap is now statistically significant (p = 3.7×10⁻⁴ at n=100), not just directional. The expensive reads now run on deepseek-v4-flash. Full report · Reproduce it
How it works
The prompt used to generate this is in
docs/architecture-image-prompt.md.
- A standard MCP stdio server. Any client that speaks MCP can use it — Claude Code is the client we validated end-to-end (real API calls, subdir launches, Chinese, spaces in paths).
- Parent-agent model. Each delegation is one self-contained subtask; DSH is a stateless worker (fresh process per call — no session to corrupt).
- Zero config, works out of the box. The DSH CLI is auto-discovered (env override →
sibling checkout → child checkout → installed under
%USERPROFILE%\.dsh). - Windows-first.
process.execPath+ explicit argv,shell: false— no
설치
This server does not publish a one-line install command.
Open the repository installation guide MCP 초보자라면? mcpskill.org 가이드부터 시작하세요 →설정
{
"mcpServers": {
"dsh": {
"command": "node",
"args": ["D:\\path\\to\\dsh-mcp\\dist\\index.js"],
"env": { "DEEPSEEK_API_KEY": "sk-..." }
}
}
}