DSH 的一大亮点，就是它的「轨迹」系统。
一般大家熟悉的 Agent Harness 在执行任务的过程中，后台往往是一个黑盒。而在 DSH 中，每一次与大模型的交互、收发信息、工具调用等等都在「轨迹」中透明可见。于是用户可以清晰地知道 AI 在执行任务的时候，具体都做了什么。
像上面这张截图，每一个环节花了多少时间，消耗了多少 Token，查看了哪些 skill，使用了哪些工具，执行了什么命令等等，全都被清晰地披露了出来。
通过它，理论上你可以复盘优化 AI 执行任务的过程中所有成功和失败的细节，让你用得越来越顺。
但是，像这样的 AI 执行轨迹呈现形式，还是显得过于极客了一些。我相信大多普通用户应该跟我有相同的感受，这些轨迹固然是好的，但阅读起来也是十分吃力的。
与其埋头硬看，还不如让 AI 帮读。
所以我就做了这样一个侧边插件。
接入 AI 来直接翻译这些执行轨迹到底都是什么，让人类用户能直接了当的知道执行任务的 AI 具体做了什么，是怎么做的，中间出了哪些错，有哪些风险的行为，最终得出的结果又是怎样的。
相比于传统的黑盒 Harness 只能在旁边干等，借助这个插件，你可以一边让 AI 执行任务，一边监督它是如何执行的。
如下图，我要求本地部署的 Qwen3.8-27b 去网上帮我调研一下最新的 MacBook Pro 的配置和价格。但是这毕竟是一个还没有充分磨合的本地部署的量化版本小模型，我对它还没有足够的信任。于是我就可以打开侧边的解读，选择使用便宜大碗速度又快的 Gemini 3.7 Flash 来解读它的执行轨迹。
从插件的解读中，可以看到，Agent 先是并行调用了两次搜索，获取到了 M5 和 M5 Pro / Max 系列发布信息和起售价格。
然后又去查看了 IT 之家、Macworld 和苹果官网，补充海内外的定价和规格信息。
之后通过官网的数据对比，发现当前价格跟发售价格不一致。应该是发现了今年 618 后苹果官方那一轮涨价。
之后确认了涨价确实存在，开始结构化提取产品规格和价格……
并且每一步的执行中都会由 Gemini 3.7 Flash 提供一个总体的执行判断，评估当前执行 Agent 的行为是否合理，给出风险等级的评级，以及给出一个下一步动作的参考思路。
太长的案例执行细节我就不放了，总之，最后一通操作，最终成功得到了中美两地官网的 MacBook Pro 配置和价格，并且特别标注了价格变动的情况，还给出了一个简短的选购建议。
还是得感慨，Qwen3.8-27b 真是小钢炮，整轮任务执行下来，结果正确，过程的逻辑也没问题。本地部署的量化版本，做到这个水平真是给力啊。
回到这个插件。
如果你觉得 Agent 在执行过程中有重点的可疑环节，或者说你认为 Gemini 模型并不靠谱，你可以使用不同的模型对轨迹分析两次进行对比。
还觉得有问题的话，你还可以再套一层娃，召唤外援判官，直到把问题搞清楚。
其实套在 Codex 里用是我对 DSH 最常用的使用场景了，不仅是召唤 GPT 5.6 来审计模型轨迹，也可以有其他的玩法，这个我们后面有时间再说。
也可以再完成一次长执行之后，把出现的问题汇总展开，自己认真分析都有什么值得调优的问题。
果然 Windows 上的 PowerShell 就是一根可以绊倒一切的绳子。
总之，这个插件的作用就是帮你快速了解模型都干了啥，怎么干的，进而判断它执行的有没有问题，从此不再懵逼。
插件安装起来也非常的简单，你甚至不用手动安装，直接告诉 AI：
请帮我安装这个 DSH 插件：https://github.com/Liu-Bot24/dsh-trace-insight这就可以了，AI 会帮你装好的。
玩得愉快！