把失败经验库接进工作流，安装只占十分钟，真正决定它有没有用的，是后面反复发生的两个动作：查什么词，以及查到之后干什么。MisakaNet（失败经验库）是 failure-memory protocol 的参考实现，定位是 Git 驱动、零依赖优先的 AI Agent 失败经验知识网络；仓库在 GitHub 的 Ikalus1988/MisakaNet，493 star，Apache 2.0 许可，官网 misakanet.org。库内现有 393 条去重后的 canonical lessons 与 333 个 nodes，检索机制为 BM25 关键词匹配，全部用 Python 标准库实现。
本文不重复安装步骤，只谈三件事：四类接入口分别留给谁、检索词按 BM25 的脾气该怎么写、搜到的条目怎么沉淀成可复用的检查清单。
四类接入口，对号入座再动手
页面给出四条接入路径，功能上有交叠，但代价和使用节奏差别很大。判断标准可以简化成一个问题：你是「偶尔查一次」，还是「希望 Agent 天天自己查」。
Remote MCP——页面上标注为推荐。它走远端端点，不用把仓库落到本机：在 mcpServers 下加一项，地址指向 https://misakanet.org/mcp，请求头带 Authorization: Bearer YOUR_TOKEN。需要 Token 说明它属于凭据型接入。适合已有 MCP 客户端、想把失败经验当外部能力挂上去的人，也适合多设备切换、不想各维护一份仓库的场景。配完用自然语言驱动，比如问「搜索 MisakaNet 关于 database locked」。
CLI——先 pip install misakanet-core，之后终端里就能按关键词取回排序结果。适合写巡检脚本、把检索嵌进 CI 步骤的人。优势是可编程，代价是多一层 pip 依赖，和「零依赖」给人的第一印象并不一致。
Web——打开 misakanet.org/search 就能搜。适合手里只有浏览器、刚撞上报错、只想立刻确认「这个坑有没有人踩过」的人。零安装、零配置，但没法串进自动化流程。
dsh 插件——把失败记忆变成 Agent 的一层常驻能力。装法与两种安装形态的区别属于安装话题，这里只给结论：想让 Agent 在出错时自己想起去搜，就得走这条路，其余三条都需要你主动发起。
| Remote MCP | 已有 MCP 客户端、跨设备使用 | 需要 Bearer Token |
| CLI | 脚本化、CI 巡检 | 需装 misakanet-core |
| Web | 临时确认、零环境 | 无法自动化 |
| dsh 插件 | 让 Agent 常态化带上失败记忆 | 需动手处理 SKILL 与安装形态 |
想横向看同类插件在这份清单里各自占什么位置，可以顺着 DeepSeek Harness 插件推荐 · 精选 Top 榜（附下载量与安装命令） 一起对照，接入形态的差异一眼能看出来。
检索词怎么写才命中
先建立一个不浪漫的预期：这套检索是关键词匹配，不是语义理解。官方页面写得很直白——搜索结果基于关键词匹配，不保证语义准确。这一句话决定了一整套用词习惯。
只取报错原文里辨识度最高的那个 token。 报错码、包名、命令名、库名，这些字符组合在语料里几乎不会撞车。pip install timeout 里的 timeout、GitHub token 401 里的 401，都属于这一类。反过来，把整条报错连行号、时间戳一起贴进去，只会引入噪声词，把命中的条目挤出前列。
同义词不会自动打通。 写中文「连接超时」，不会召回只写了英文 timeout 的条目；写「装依赖失败」，也不会召回 pip install 那一批。所以同一个问题值得搜两遍：一遍中文、一遍英文，命中率的差距经常就是零结果和有结果的区别。
一次只放一个核心词。 BM25 按词打分再排序，塞进去的词越多，排序越容易被次要词带偏。不确定该用哪个词时，把它拆成几次短查询逐个看结果，而不是拼一句完整的疑问句。
先猜领域，再猜关键词。 库里的条目带领域标签，当前覆盖 RAG、DevOps、Feishu、Fanuc、Network、Claude、MCP 这几块。你的问题大概率落在其中一块，先按领域缩小范围、再挑关键词，通常比全局盲搜更省事——尤其是 FANUC 报错码这种不知道该写哪个词的场景。
两种调用形态：脚本与 Python 库
同一批数据有两条程序化入口，形态差别不小。
零依赖那条走仓库自带脚本，前提是仓库已经在本地（clone 而来），命令形状是：
python3 search_knowledge.py "pip install timeout" # 在仓库目录内执行，返回按分值排序的条目
Python 库那条走发布的包，导入一个函数、遍历返回结果即可：
from misakanet.search import search_lessons # 导入检索函数
for r in search_lessons("pip install timeout"): # 逐条消费结果
print(r["title"], r["score"]) # 返回结构里是标题与得分
留意返回结构：拿到的是 title 与 score，说明这个函数负责「把相关条目排好序交给你」，不负责生成答案。想把它嵌进自己的工具时这个边界很重要——输出是候选列表，解读权在调用方手上。
两条入口的分工：脚本形态适合交互式排查与临时验证，库形态适合作为依赖被别的程序调用。两者落地方式不同，别把对应的安装动作混着做，否则容易出现「包装了但脚本找不到」，或者「仓库有了但导入失败」。
把检索结果变成检查清单
搜到条目只是第一步，让它产生持续价值要靠沉淀。三个固定动作就够。
出错前，按环境搜一轮。 接手新环境时，把该环境最典型的失败类别各搜一次——WSL、NTFS、容器、CI，把命中的条目抄成一张上线前自检表。这一步的价值在时间点：它把「出事再查」变成「上线前就避」。
出错后，先搜原始 token 再改配置。 顺序不能颠倒。常见习惯是看到报错立刻开始猜改动，猜出一堆组合、最后一个碰巧能跑，换台机器又得重来。先搜一次成本极低，命中的条目通常直接告诉你根因压在哪一层。
把反复出现的条目升级成流程。 如果某条经验在团队里被搜到三次以上，它就不该继续躺在检索结果里，而应该写成 CI 检查项、初始化脚本的一部分或者 onboarding 文档里的一行。检索解决「知不知道」，流程解决「会不会忘」。
还有一条使用纪律：库里的 lessons 是社区贡献的，页面明确提示使用前请审查；涉及改系统配置、动凭据、装卸依赖的条目，先复现它「验证」那一段写明的步骤再上生产。页面同时建议在沙盒环境中运行 Agent。条目还带证据等级（E0–E4）这类信任分级，引用前扫一眼等级更稳。
小结
进阶用法的核心不在命令，而在三件事：按使用节奏挑接入口，按 BM25 的匹配逻辑挑检索词，把搜到的经验固化成清单与流程。前两件决定能不能搜到，第三件决定搜到之后还会不会重踩。
想横向对比同类插件的中文清单与接入形态，可以看这份整理：DeepSeek Harness 插件推荐 · 精选 Top 榜（附下载量与安装命令）
