Plugins

Tavily-Tools für Suche, Extraktion, Karten und Crawling, mit Schlüsselrotation, Failover bei HTTP 401/429/432/433 und Lastverteilung, die gleichzeitige Anfragen pro Konto begrenzt. Ergänzt eine Schlüssel-/Nutzungskarte unter Plugins. Das eingebaute web_search wird nie ersetzt.

Verbindet Ihr GitHub-Konto über die GitHub-Schaltfläche des Composers (OAuth Device Flow oder Personal Access Token) mit DSH-Agenten und ermöglicht ihnen, die GitHub-API über das github_api-Tool aufzurufen.

Rundenweise Steuerung des Thinking-Levels (reasoning_effort) für DeepSeek Harness: Auto plant low/high/max anhand der jüngsten Tool-Call-Historie, oder ein Wire-Level (off/on/minimal/low/medium/high/xhigh/max) wird manuell gesetzt, mit benutzerdefiniertem Wire-Mapping, modellbewusstem Fähigkeits-Guard und Kontextfenster-Presets (64K–1M); die Modell-Capability-Card arbeitet mit [dsh-llm-openai-completions](https://github.com/drscrewdriver/dsh-llm-openai-completions) (aus dsh-market installierbar), damit OpenAI-kompatible Gateways (vLLM / LM Studio / self-hosted) Reasoning testen können. Die Card schreibt llm-pi-ai-Fähigkeiten, der Adapter treibt das Wire (compat.thinkingFormat) an und das Plugin pflegt die Takeover-Liste.

Agent2Agent-Protokoll v1.0 für DSH: einen Standard-A2A-Server betreiben, damit andere Agenten diese Instanz aufrufen können, sich als Clients mit entfernten A2A-Agenten verbinden und beides über eine visuelle Einstellungsseite verwalten.

Union-Arbeitsbereiche: führt mehrere Verzeichnisse in einer Sitzung zusammen, verwaltet Unionen über ein Einstellungspanel und liest/schreibt Mitgliedsdateien mittels uw_read/uw_write/uw_edit/uw_delete/uw_move-Tools.

Kostengünstiges Video-Verständnis-Tool: Ein video_understand-Tool wandelt einen Bilibili-Link / BV / ein lokales Video in eine AVIS-Informationsschicht (ASR + Szenenstruktur + Objekt-Tracking + YOLO-Labels) um und liefert Zusammenfassung + Q&A. Fragegesteuertes dynamisches Routing über Ebenen hinweg (L0 ASR / L1 Objekt-Tracking / L2 Keyframe-VLM), Wiederverwendung der semantischen Schicht für Wiederholungsfragen, Budgetobergrenze pro Frage. Python-Engine: Die Kernschicht benötigt faster-whisper / opencv / yt-dlp (~200-300MB); die optionale semantische Schicht fügt ~2GB torch / transformers / ultralytics hinzu. Ein mitgeliefertes doctor --fix richtet das venv ein und installiert beide.

Gibt reinen Text-DeepSeek-Harness-Agenten Videoverständnis: szenenbewusste Frame-Abtastung + VLM + optionale ASR-Transkription, zu Zeitleistenbeweisen fusioniert. / Video-Verständnis-Plugin für reine Textmodelle (szenenbewusste Frame-Extraktion + VLM + optionale Spracherkennung).

Repariert DeepSeek-Harness-Sitzungen, die nicht geladen werden, mit einem Sidebar-Overlay für den Sitzungs-Chirurgen und einer Trockenlauf-Reparatur.

Deterministische Kontextkompression für dsh – null LLM-Aufrufe, regelbasiertes Beschneiden, das Pfade, Befehle, Fehlerspuren und offene To-dos wortgetreu erhält. Komprimiert ~80k Token auf wenige Hundert.

Desktop-Pet, gezeichnet nach der offiziellen Wal-Silhouette, für Desktop-App und Web-UI: SVG-Animationen und Gesichtsausdrücke folgen dem Agent-Status (Denken, Arbeiten, Fertig, Fehler, Warten auf Bestätigung) und es kann anderen laufenden Sessions mit Zähler-Badge folgen; anstupsen, ziehen, schwindelig schütteln, an den Bildschirmrand quetschen oder den Cursor über seinen Kopf reiben für einen Headpat; 7 Paletten, 4 Größen, synthetisierte Klänge, Hell/Dunkel-Theme-Sync und eine spielbare Web-Vorschau.

Führt isolierte Installations- und Smoke-Testläufe für DSH-Plugins in Wegwerfprofilen aus und liefert strukturierte Bestanden/Nicht-bestanden-Datensätze sowie Batch-Matrizen, ohne dein echtes Profil anzutasten.

Expert-Preset für DeepSeek Harness (v0.9.2, npm dsh-expert-mode, EN/ZH): Chefkoordinator + 17 Domänen-Subagenten mit Auto-Delegation. Funktionen: Taskboard (Zustände pending/ready/running/done/failed, DAG, atomare Beanspruchung, Retry, Wiederherstellung), Quality Gates (5-stufige Pipeline: Anforderungen, Implementierung, Verifikation, Prüfung, Integration; 2 Überarbeitungen), Five-Anchor (Prüfung/Konvergenz/Anti-Drift/Zusammenarbeit/Ressourcen), Near-distance (Vorlage Identität/Aufgabe/Ausgabe), progressive Offenlegung (~28 % Token-Einsparung), Persistenz, P2P-Bus, Kreuzprüfung, Erfahrungspool, Schnellweg, Auto-Retry. 17 Experten: Daten, Redaktion, Recht, PM, Frontend, UI/UX, Architekt, Social, Growth, Quant.-Finanzen, Backend, DevOps, DB, QA, Sicherheit.

Nutzungsstufen und teilbare Statistik-Karten: 🐟→🐳 Rangfolge nach monatlichem Token-Verbrauch mit lokal berechnetem geschätztem Perzentil, präzise Preise für 46 Modelle von 6 Anbietern (einschließlich größenbasierter chinesischer Preise), Nachfüllung von Vorinstallations-Sitzungen und Alt-vs.-Neu-Vergleich über die Tarifänderung vom 2026-08-17. Nur lokal, keine Telemetrie.

Unendlicher Canvas-Arbeitsbereich für E-Commerce-Visuals: Produktfotografie, virtuelle Anprobe, Hintergrundbearbeitung und Video, live mit der Harness-Konversation synchronisiert.

Selbstweiterentwicklung: Der Agent bindet persistente Plugins mitten in der Sitzung selbst per Hot-Mount ein oder entfernt sie.

Verbindet DSH über einen stdio-MCP-Client mit einem lokalen anet-Knoten. 3 Skills und 14 Tools zum Finden von Agenten im AgentNetwork, Senden/Verfolgen/Beantworten Ende-zu-Ende-verschlüsselter A2A-Aufgaben, Bezahlen/Ablehnen kostenpflichtiger Skills innerhalb der Betreiberlimits, Lesen der lokalen Evidenzkette und Melden des Knotenstatus. Nur Linux/macOS; ein lokal laufender anet-Knoten ab 0.3.0 ist erforderlich.

Gebündelte Websuche aus mehreren Quellen für DeepSeek Harness: ersetzt web_search durch modellnatives Grounding und Agent-Such-APIs mit Quellenangaben und erweiterten Zitatkarten.

Projektdokumente und Langzeitgedächtnis als einfaches Markdown in einem dedizierten Obsidian-Vault: sechs mem_*-Tools (search, read, write, log, brief, admin), eine budgetierte Recall-Injektion beim ersten Schritt einer Session und automatische Destillierung abgeschlossener Turns. Obsidian muss nicht laufen, und der Vault bleibt auch mit deinstalliertem Plugin lesbar.

Einheitliches verankertes Agenten-Preset für DeepSeek V4 Pro/Flash auf der offiziellen API und opencode-go: minimal-exakter Zwei-Tool-Bootstrap für die erste Anfrage, modellbewusste Pro-/Flash-Pfade und epoch-bewusste Katalogverwaltung für Stabilität in langen Sessions.

Lokale Literatur-Wissensdatenbank als RAG für DSH: hybride BM25-+-Vektor-Suche auf einem SQLite-Index, Cross-Encoder-Reranking, zitierte Antworten mit Provenienz auf Abschnitts- und Seitenebene, reine Metadaten-Aktualisierung und Hintergrund-Ingestion mit Fortschrittsabfrage.

Automatische Sitzungs-Retrospektive: Nach Abschluss eines Gesprächs destilliert sie nützliche Erfahrung in wiederverwendbare Skills in der Skill-Bibliothek, die das Modell aufrufen kann, mit signalbeschleunigten Auslösern, manuellen Läufen, einem Genehmigungsmodus und Skill-Bibliotheks-Governance (archivieren/wiederherstellen, nie direkt löschen).

Plugin im Frühstadium, das DeepSeek Harness mit einem separat bereitgestellten selbstgehosteten OwnDsh-Server für Teamidentität, Modellzugriffssteuerung, Kontingente und Nutzungsprüfung verbindet.

Schreibtools, die KI-klingende Muster entfernen und deinen persönlichen Stil treffen. 8 deterministische Tools scannen Text, bauen aus deinen Samples einen Stil-Fingerprint und liefern Rewrite-Briefings.

Kopfleisten-Quotenabzeichen plus Tab zur Nutzungsüberwachung: Live-Guthaben/verbleibende Quote und Countdown bis zur Zurücksetzung je Anbieter, mit Anfragen, Tokens (Eingabe/Ausgabe/Cache-Lesen/Cache-Schreiben), Cache-Trefferrate, geschätzten Kosten und durchschnittlicher Latenz pro Sitzung, Anbieter, Modell und Client, lokal in SQLite gespeichert mit geräteübergreifendem Import/Export.