Plugins

DeepSeek Harness (DSH)-Plugin zur automatischen Wahl des Reasoning-Grads: Das Jev-System-One-Modell entscheidet, wie viel Denkaufwand jede Nachricht verdient, die Stufe wird aus den vom Modell deklarierten Graden abgeleitet, ein Kontext-Umschlag lässt Rückfragen wie „weiter“ die Gesprächstiefe erben, bei geringer Konfidenz wird nach oben aufgerundet, und bei jedem Fehler bleibt die vorherige Stufe still erhalten. | Jev-gesteuerter Reasoning-Aufwand pro Nachricht: modellspezifische Stufenleitern aus den Angaben jedes Modells, ein Kontext-Umschlag fester Größe, damit Rückfragen die Gesprächstiefe erben, Gleichstand bricht nach oben, stilles Zurückfallen auf jedem Fehlerpfad.

Remote-Development-Starter für DeepSeek Harness: richtet dsh per SSH auf einem entfernten Host ein und verbindet sich vom lokalen Client, wobei LLM-Credentials über einen Reverse-Tunnel laufen und die lokale Maschine nie verlassen. Erscheint sowohl als eigenständige CLI als auch als dsh-Plugin mit Session-Panel, /remote-Slash-Befehl und remote_*-Agent-Tools.

Führt den Kontext anderer Sessions in den aktuellen Turn zusammen: evidenzgewichtete Konfliktauflösung, Rücknahme von Aussagen, deren Prämissen zurückgenommen wurden, Vertrauens-Kennzeichnung, die sessionübergreifender Prompt-Injection widersteht, und budgetbegrenztes Packing. Enthält einen Benchmark.

OpenCode-Go-Abonnementmodelle als DeepSeek-Harness-Provider: löst den Live-Gateway-Katalog alle paar Minuten neu auf, passt Modelle automatisch an, die die integrierte Tabelle noch nicht gesehen hat, und deckt Streaming, Tool-Aufrufe, Bildeingabe und Abonnementnutzung ab. Ein gepflegter Fork von dsh-opencode-go: Ein Konflikt mit dem Upstream-Paket um den Einstellungs-Namespace llm-opencode-go lässt ihn sich still zurückziehen, statt den gesamten Plugin-Baum scheitern zu lassen, und eine bereits beanspruchte opencode-go-Route lässt ihn auf opencode-go-plus dienen.

Führt eine These-Antithese-Siegel-Debatte, deren Urteil aus echten Exit-Codes von Befehlen und Fallzahlen berechnet wird, nie aus Agentenprosa.

Team-Wissensdatenbank für Offline-Wissensaustausch (FDE-Box-Szenario): Einstiegspunkte zum Durchsuchen, Volltextsuchen und Verfeinern; Rohmaterial wird automatisch in die Warteschlange gestellt und von einer seriellen Bot-Session zu Wiki-Seiten destilliert (Karpathy-LLM-Wiki-Muster: unveränderliches Rohmaterial, zweistufige Verfeinerung, Log-Stream, monatlicher Lint).

Mehrsprachige Codebase-Intelligenz für MCP-kompatible IDEs, die CLI und DeepSeek Harness: Chat, Suche, Audit, Refactoring und board-taugliche Berichte aus lokalem Code.

One-Click-prägnanter Ausgabestil für DeepSeek Harness: Ergebnisse zuerst, kein Filler, gleiche Arbeitstiefe. Jede finale Antwort beginnt mit einer Klartext-Digest-Karte (Text markieren zum Kopieren), scoped pro Session, funktioniert auch headless/CLI, mit /concise-Kommando, style.md-Overrides und lokaler API. Links und Dateipfade in der Digest-Karte werden als klickbare Chips gerendert: URLs springen, lokale Dateien öffnen mit der Standard-App (v0.9+). Eine Per-Step-Vorgenerierungs-Contract-Erinnerung (v0.11.2+) behebt messbar Digest-Fehler bei Audit-Report/Tabellen-förmigen Antworten.

Lokale Multi-Plan-Brücke für DeepSeek Harness: nutzen Sie Ihre bestehenden ChatGPT-Codex-, Claude-, ZCode-(GLM-) und Qwen-Abonnements über einen Loopback-Proxy, mit Statuskarte auf der Einstellungsseite und Ein-Klick-Bereitstellung. Keine Änderungen am dsh-Kern.

Vollbild-Terminal-TUI für DeepSeek Harness mit Parität zur Web-GUI, Live-Streaming, Agenten-Presets und DeepSeek-blaue Gestaltung.

L-clone-Gedächtnis-Hook: DSH erfasst am Ende jedes Turns (turn/end) automatisch in ein externes Gehirn; die Schaltfläche „Gehirn-Dashboard“ in der Seitenleiste der Web GUI öffnet die Gedächtnis-Werkbank mit einem Klick.

LLM-Provider-Adapter, der Modellaufrufe über jeden ACP-Server (Agent Client Protocol) leitet — Claude Code, Codex, Gemini CLI, Devin und mehr — mit Registry-Browser, Einstellungs-UI pro Server, Lazy-Authentifizierung und dynamischer Modellerkennung.

Eine an das menschliche Gehirn angelehnte Kontextkomprimierung, die Kontextbelegung und Token-Verbrauch bei langen Aufgaben drastisch senkt.

Nachdem der offizielle llm-retry (n/5) aufgibt, werden vorübergehende API-Fehler (Timeout, Transport, Rate-Limit, 5xx, abgebrochenes SSE) am selben offenen Schritt weiter wiederholt, bis Erfolg, Abbruch oder Pause eintritt; AUTH, QUOTA und der Benutzer-Stop werden niemals wiederholt.

Modellpreise auf der DSH-Einstellungsseite: ~7.250 Modelle / 213 Anbieter mit überlagertem Harness-Katalog, ehrlicher Vergleich des niedrigsten gelisteten Preises, Sitzungskosten nach tatsächlicher Route, Zuordnung von Cache-Leaks und ein verifizierter Aktions-Feed.

Fixiert jede Anfrage auf die native Maximal-Aufwandsstufe und ergänzt ein Panel für Reasoning-Tiefe pro Modell/Modus mit einem Fähigkeits-Slider von 0-20, isolierten Velocity/Apex-Profilen und Offline-Reasoning-Toolboxen. Wird als obfuskierter Build verteilt; kommerzielle Nutzung erlaubt, Reverse Engineering ausgeschlossen.

Wächter für irreversible Secret-Bereinigung: schreibt Zugriffsschlüssel, Bearer-Tokens und private Schlüsselblöcke in `[REDACTED:<category>]`-Platzhalter um, bevor sie das Sitzungslog und das Modell erreichen.

Beobachtet die Ausführungsspuren des Agenten und löst bei jedem erfolgreichen Zugende eine LLM-Überprüfung aus, wenn Signale auslösen, kristallisiert wiederverwendbare Workflows in registrierte Skills, die sich bei späteren Durchläufen fortschreitend verbessern.

Volcengine Ark Coding Plan LLM-Anbieter für DeepSeek Harness: anbieterbezogene PDF- und Bildeingabe, mit Streaming-Unterstützung für die Responses-API.

MCP-Server, der das Roblox DevForum und die offizielle Creator-Dokumentation durchsucht, damit KI-Coding-Agenten Roblox-Spiele anhand echter Community- und Engine-Kenntnisse debuggen können.

Modellbezogene Fähigkeitsprofilerstellung für DSH: wandelt den lokalen Sitzungsverlauf in modellspezifische Dashboards mit Sitzungsanzahl, Werkzeugnutzung, Fehlerquoten und Top-Fehlersignaturen um, mit Zeitbereichsfiltern und Mehrfachmodell-Vergleich.

Fügt einen Tab Graph hinzu, der die Ausführung einer Sitzung als interaktiven DAG aus Turns, LLM-Schritten, Werkzeugen, Skills, Subagenten, Codeänderungen und Tests darstellt, mit Live-Status, Aggregation der Wiederholungen, kritischem Pfad und Verknüpfung zur Trajektorie.

Erklärt fehlgeschlagene Läufe von DeepSeek-Harness-Agenten lokal und erstellt anschließend einen bereinigten Plan zur Wiederherstellung. Kein Modell nötig.

Nutzt AItelier als Subagenten aus DeepSeek Harness: Pipelines von SkillFlow erzeugen, bearbeiten, ausführen, exportieren und importieren. Nur Client – erfordert ein laufendes AItelier-Backend (Docker; siehe README).