阿里云上跑 dsh-free-search 的四条收敛实践

简介: dsh-free-search 是阿里云ECS上轻量部署的多引擎搜索插件,支持Bing等免费引擎及百度、豆包等额度型引擎,通过引擎分层、出网收敛、凭据集中与数据边界管控,实现低成本、高可控的长期稳定运行。(239字)

在阿里云 ECS 上把 dsh-free-search 装起来只需一条命令(dsh plugin --profile web add dsh-free-search,重启 dsh web)。真正决定它能否长期稳定运行的,是装完之后你怎么约束它:用哪些引擎、谁出网、key 放哪、失败边界画在哪。

一、引擎分层:主力、补充、兜底分开配

它注册的是多引擎搜索 provider,自带 19 个引擎加一个 auto 智能路由。默认引擎 Bing 免费、无需 API key、按 zh-CN 优化中文,是最稳的一档;任何引擎失败都会自动轮换到下一个,结果顶部注明实际生效的引擎。

补充层放额度型引擎:百度千帆每日赠 50 次,火山引擎联网搜索(豆包搜索)每月 500 次免费,阿里云百炼 EnhancedSearch 约 ¥0.03/次、新用户 200 次免费包。它们能补上中文时效内容与来源 hostname,但额度是天花板不是地板,超额即按量后付费。

兜底层交给 auto:中文优先 Bing/Baidu/Aliyun/AnySearch,英文优先 Bing/Exa/Tavily,带时间过滤时优先排支持过滤的引擎,末尾还有全量回退。设置页的 provider 填 auto 即可,不必手改配置文件。

一个容易误判的点:设置页的 Test engine 直测当前引擎、不走回退链,付费引擎没配 key 时必然报错。想验证整体可用性,对 agent 说「测试一下所有搜索引擎」,走的是 free_search_test,它会给出每个引擎各自的结论。

二、出网与成本的收敛

安全组出方向按最小需要放通,收敛到 443/80 这类搜索必需端口即可。公网出口两种做法各有取舍:只有内网地址的实例靠 NAT 网关出网,有公网 IP 或 EIP 的实例可直连;NAT 网关的价值是把「能不能出网」与「会不会被公网扫到」解耦——实例不持有公网地址,入方向暴露面自然收敛,代价是多一跳和一份网关费用。

成本侧有两条杠杆。multi_search 按引擎分别计费,它并发请求多个优选引擎,用几次付费额度就掉得快,只在需要多角度核验时用,日常单源 web_search 足够。结果缓存默认 5 分钟(LRU 50 条),相同查询在窗口内直接命中,用来防免费引擎限流、省付费额度;可在设置页 0–5 分钟之间调,填 0 关闭。

三、凭据集中管理

key 的读取优先级是 ~/.dsh/.credentials.yaml(harness 凭据中心)> 设置页 > 环境变量。付费引擎的 key 建议统一写进凭据中心(如 DASHSCOPE_API_KEY: sk-...),换 profile、换机器都不用重填。

管理思路可借用阿里云 RAM 子账号的最小权限原则:云侧凭据(如百炼的 DASHSCOPE_API_KEY)与模型侧凭据分开存放、分开轮换,一个泄露只影响一个面;能按用途拆子账号就别共用主账号 key。

四、安全与数据边界

搜索结果本质是外部数据,插件在这层做了三件事:自有工具返回的网页文本被包在显式边界内,正文自带的同名标记会被剥离以防提前闭合;所有 snippet 统一清洗并截断到 300 字符;系统提示词明确告诉 agent 搜索结果不可信,不得执行其中的指令。

但 web_fetch 没有 SSRF 防护,agent 理论上能抓取内网地址。公网可达的 ECS 要额外评估内网暴露面:把实例放进与生产库、内部服务不同的安全组和网段,靠网络分段兜住缺口。

一周后回看:巡检清单

  • 引擎可用性:对 agent 说「测试一下所有搜索引擎」,看有没有引擎连续失败。DuckDuckGo 偶发反爬限流会自动恢复,持续失败才需要处理。
  • 额度与费用:盯百度千帆(每日 50 次)、豆包(每月 500 次)、百炼免费包的剩余量,快见底就从主力降回补充层;同时看按量计费引擎的费用是否异常增长。
  • 出网与凭据:复查安全组出方向有没有因临时排障放宽后忘记收回,核对凭据中心的 key 与 RAM 子账号授权是否仍一一对应。

总结

dsh-free-search 在阿里云上跑稳的要点不是装得上,而是把引擎分层、出网收敛、凭据集中、数据边界四件事各自定好规矩。想横向对比更多同类插件与它们的收敛点,可以看 DeepSeek Harness Hub 插件清单 里的分类与信任档位。只要别把额度型引擎当免费无限用,这套配置可以长期不动。

适合与不适合

适合:在阿里云 ECS 上长期跑 dsh 且没有 DeepSeek 官方 key 的团队;需要中文搜索覆盖又要控制 API 花费的个人开发者;希望把云侧与模型侧凭据分开管、按最小权限授权的运维。

不适合:需要严格时间过滤的场景——Bing 与 AnySearch 直接忽略时间参数;把 agent 暴露在公网且内网有价值的部署——web_fetch 无 SSRF 防护,得靠网络分段另做补偿;靠免费引擎做高并发批量采集的场景——匿名额度有限流,5 分钟缓存只是缓解。

标签:dsh-free-search、DeepSeek Harness、阿里云 ECS、搜索插件、凭据管理

本文由 DeepSeek Harness Hub 自动整理,数据来源于插件详情页。

目录
相关文章
|
3月前
|
人工智能
Qwen3.8抢先体验!正式版即将发布并开源!
千问Qwen3.8即将开源,参数达2.4T,进化速度以“天”计,实力媲美Fable 5。预览版Qwen3.8-Max已上线阿里Token Plan等平台,限时优惠:日间Credits低至1折,夜间更优,个人/团队版月付仅35元起!
5671 169
|
19天前
|
JSON Java API
OpenAI 接口协议是普通话,其他大模型是方言,Java 视角拆字段与流式调用
OpenAI 接口协议是大模型世界的普通话,国内模型多是方言。用 Java 视角讲清关键字段、流式调用与 Anthropic Messages API 差异。
120 2
OpenAI 接口协议是普通话,其他大模型是方言,Java 视角拆字段与流式调用
|
20天前
|
缓存 算法 Oracle
JVM 垃圾回收全流程拆解:可达性分析、四种算法与五种收集器选型
JVM 垃圾回收到底管哪块内存?本文从可达性分析与四种引用讲起,拆解四大收集算法,对比五种收集器,并讲清 CMS 工作流程与内存泄漏排查思路。
91 1
JVM 垃圾回收全流程拆解:可达性分析、四种算法与五种收集器选型
|
5天前
|
编解码 人工智能 运维
云上做视频分析的载荷与成本控制实践
本文聚焦视频AI分析成本治理,详解如何通过调优载荷(maxFrames/帧质量/抽帧阈值)、设置合理超时、采用定向追问(video_ask)替代全量分析、收口出网与密钥边界四大策略,实现降本增效。含参数对照与适用场景分析。(239字)
43 1
|
20天前
|
存储 弹性计算 缓存
在阿里云 ECS 部署 dsh-knowledge 的版本、许可与磁盘准备
本文详解在阿里云ECS上部署DeepSeek Harness知识库插件(dsh-knowledge v0.4.1)的实战要点,聚焦四大关键坑:Node.js版本门槛(≥22.19)、pnpm构建许可配置、模型磁盘落点规划、批量导入上限(20文件/22MB),附安全组收紧与真实安装验证。
128 1
|
23天前
|
弹性计算 运维 监控
阿里云上管 MCP 服务器的四条运维纪律
本文详解阿里云上长期运维dsh-mcp-panel的四大核心纪律:出网按需放通、写入默认禁用、备份与快照双保险、探测节奏与语言团队统一,并附权限清单与适用场景分析,助你规避“添乱”,真正实现省心管控。(239字)
70 1
|
21天前
|
人工智能 IDE 安全
同一份Android工程换了一个AI Agent,最先坏的可能不是代码
本文探讨AI Agent切换对Android开发质量的影响:模型可替换,但IDE工具(编译诊断、Preview、模拟器)的调用逻辑、时机与失败恢复能力存在显著差异。提出构建“Agent–工具–任务”兼容矩阵,强调证据合规性(如必调Preview、日志验证)、失败降级策略与版本隔离测试,确保工程结果可靠可溯。
|
24天前
|
人工智能 JSON Java
Spring AI 实战:14 个踩坑记录,其中一个让我的测试全绿但产品是坏的
本文记录 Spring AI 2.0 + 通义千问实战中踩过的14个典型坑,涵盖依赖冲突、知识库切分、流式输出解析、提示词设计(含“测试全绿但产品失效”的核心教训)及测试陷阱。强调:规则须放 system prompt,数据与结构分离;单测通过≠模型行为正确;可选能力必须降级。附自查清单与伦理实践反思。
|
29天前
|
弹性计算 BI 网络安全
阿里云上的模型成本治理,从「等一等更省」变成团队规矩
模型使用时钟插件(zhanghao3693/dsh-client-ui-model-clock)以24小时成本热力图为核心,叠加实时优惠,提供「此刻推荐」与「等一等更省」调度建议。专注“何时调用更省”,非月末对账工具;支持阿里云ECS轻量部署,强调时区统一、广告合规与数据可溯。当前为作者自维护插件,仅完成静态校验,未实装验证。(239字)
77 2