做一个下dsh和pi的对比
Pi 的目标是“最小核心 + 用户自己拼”，DSH 的目标是“几乎所有能力都插件化，官方先给你几套完整组合”。

DSH 的骨架是Cordis。

Cordis 不是普通插件加载器，它强调两件事：

1. 可逆副作用（temporal composability）：插件卸载时，注册的服务、事件、工具 schema、prompt section 全部自动撤销。
   
2. 依赖声明与空间组合（spatial composability）：插件通过 inject 声明需要什么服务，运行时按依赖挂载。
   
   所以在 DSH 里：
   
   • 模型适配器是插件
     
   • 工具注册表是插件
     
   • session log 是插件
     
   • agent loop 本身也是插件
     
   • 甚至 UI 也是插件
     
     没有“神圣不可动的核心”。你想换 loop、换工具策略、换上下文压缩，挂一个新插件 + 改配置就行。
     
     启动时是 Profile + Bundle叠出来的：
     
     空根 → dsh-base（模型、工具、沙箱、凭证…）
     → dsh-web-app 或 dsh-headless
     → 用户自己的 cordis.patch.yml
     → 命令行 --patch
     
     dsh --profile web --dump-config 能直接把当前实际挂载的树打出来。
     
     Session 设计是硬核部分
     
     Session 是 append-only 的事件流
     模型最终看到的上下文，必须能从这条 log 完整重建出来。官方写得很死：
     
     

     Model-visible means logged.
     
     任何会进模型请求的内容，都要先变成 session event。
     所以 fork、resume、回放、UI 渲染、telemetry，全部从同一条流投影。这点比大多数 coding agent 做得更彻底。
     
     Turn / Step 有claudecode的影子，流程如下：
     
     turn/start
     → claim input
     → agent/pre-step（可拦截、可改写）
     → step/start
     → llm/stream
     → tool/call → tools/pre-execute → execute → post-execute
     → step/end
     → 继续 or turn/end
     
     agent/pre-step、tools/* 这些是 waterfall，监听者必须显式 next() 才能往下传。扩展点设计得很规整。
     
     Pi 的实际交集
     
     DSH 仓库里有一个包：
     
     @deepseek-ai/dsh-llm-pi-ai
     
     它就是把 pi-ai当成 LLM 适配器的后端。
     多 provider、协议兼容、reasoning effort 映射、catalog 覆盖，都走 pi-ai 的能力，再包一层 Cordis 插件契约。
     
     所以：
     

   • LLM 调用层：吃了 Pi 的基础设施
     
   • Agent 编排、工具、session、UI、沙箱：完全自己的 Cordis 体系
     
     “LLM 适配层直接用了 pi-ai，上层重做了一套更重的可组合 Runtime”。
     
     模式上的对应
     
     DSH 的 Minimal 模式才最接近 Pi 的默认体验：只留 shell + 文件编辑器，专门给 benchmark 用。
     官方之前在 V4 的 agent 评测里就用过这个模式。
     
     Standard 模式和 Code（PTC）模式则是完整工具集 + 程序化工具编排，已经远超 Pi 默认的 4 工具。
     
     如果你喜欢 Pi 那种“核心极瘦、自己动手加东西”的感觉，DSH 会显得重，配置和概念也更多。
     如果你要的是可替换的 agent loop、完整事件回放、多模式预设、以及官方已经搭好的 Web 界面，DSH 的插件树和 seam 设计更系统。
     
     一句话：
     Pi 是极简可扩展的 coding harness；DSH 是基于 Cordis 的完整 Agent Runtime，LLM 层复用了 pi-ai，但整体不是同一套代码。