Plugins

MCP Connector für DeepSeek Harness: ein MCP-Manager mit einem Panel zum Verbinden von Servern, Konfigurieren der Autorisierung, Suchen von Tools über Verbindungen hinweg und Beheben von Fehlern. Durchsuchen Sie einen laufend aktualisierten Katalog mit über hundert Konnektoren; filtern Sie nach Verbindung/Server/Status, prüfen Sie lesbare Parameter und die letzte erfolgreiche Cache-Zeit und entdecken Sie Tools neu. Unterstützt OAuth 2.0 PKCE, API-Schlüssel, stdio/HTTP und mcpServers-JSON-Import. Gepflegt von Qichacha/QCC.

Hash-verankerte Tools read / edit / batch_edit / undo_last_edit: Jede Zeile erhält einen eindeutigen 3-stelligen Inhalts-Hash, Bearbeitungen zielen auf Hashes statt Zeilennummern, und die Verifizierung des bereitgestellten Zustands weist veraltete Bereiche mit aktuellen Ankern zurück.

Cyberpunk-2077-/Night-City-Theme: Erscheinungsbild in NC-Gelb und Neon-Cyan, CRT-Scanlines, Kiroshi-Hover-Lock-on, HUD im Kampfzustand, synthetisierte Schreibmaschinen- und Nachrichten-Soundeffekte sowie versteckte Easter Eggs (Relic / Johnny).

Ein Honkai: Star Rail "Glühwürmchen"-Thema mit Hintergrundbild-/Video-Hintergründen, glühwürmchengrüner Neon-Palette, Transformations-Bootanimation, Ambient-Partikeln, BGM, Schreibmaschinen-Soundeffekten und kontextbewussten Emote-Easter-Eggs.

Erzeugt Game-Art aus Referenzbildern mit Seedream-Bildgenerierung und MiniMax Image-to-Video und baut Acht-Richtungs-Sprites, Sequenzframes und Skelettanimationen mit lokalem Green-Screen-Keying zusammen.

Ein schreibgeschützter Spiegel für installierte DeepSeek Harness-Plugins: Funktionsinventar mit Nachweisen, plattformübergreifende Plugin-Konflikte und ein Diff der Änderungen seit dem letzten Scan.

Coding-Abo-OAuth für SuperGrok/Grok Build, ChatGPT Plus Codex, Kimi Code und Claude Code sowie ein optionales Loopback-OpenAI/Anthropic-Gateway: lokaler Login ohne Token-Einfügen, AUTH-Aktualisierung und -Wiederholung, grok-4.6 xhigh und Koexistenz von API-Key-Routen.

Klassifiziert anstehende Tool-Aufrufe mit Jev (dem nicht-generativen Entscheidungsmodell von TypeSafe AI) auf tools/pre-execute — sicher hochriskante Aufrufe werden abgelehnt, unklare zur Freigabe eskaliert — und genehmigt klar erlaubte, reversible Aufrufe auf approval/request automatisch, hinter Argument-Evidence-Gating. Erweitert außerdem den Session-Reference-Resolver per Subclassing, damit Snapshots Jev-bewertete Nachrichten behalten statt älteste zuerst zu verwerfen. Fällt bei jedem Provider-Fehler auf Standardverhalten zurück; Shadow-Modus mit /jev-stats-Befehl; TypeSafe- oder OpenRouter-Endpunkte; 64 Tests.

Benachrichtigungszentrale für Aufgabenereignisse: 6 Ereignisarten (ask / approval / completion / subagent completion / error / turn end), zwei Kanäle (Browser-Notification + Host-Systemtoast) plus Bark/Webhook-Push-Kanäle (ntfy, Gotify, selbst gehostete Gateways); Ruhezeiten mit dringenden Ausnahmen, Erinnerungen bei Genehmigungs-Timeout, Aggregation von Abschluss-Stürmen und Schwärzung von Benachrichtigungstexten.

Kostenlose Vision-Bridge und Bildgenerierung für reine Textmodelle: Lesen eingefügter Bilder, Failover zwischen GLM-4V-Flash- und Gemini-Engine, strukturierte Evidenz im ModLens-Stil und eine vorbelegte kostenlose Vision-Modell-Route.

Harness-neutrale Infrastruktur für die Zuverlässigkeit von KI-Coding-Agenten: umkehrbare destruktive Aktionen, Redaktion vor der Ausgabe, Wiederherstellungsnachweise und ein gemeinsames Decision Protocol mit optionalen nativen Adaptern.

Musik-, Hörbuch-, Radio- und Nachrichtenplayer für DeepSeek Harness: streamt deinen lokalen Musikordner per HTTP, liest lokale .txt/.epub-Romane mit KI-Stimmen vor, spielt Online-QQ/Kugou/Netease-Musik und Internetradio (HLS unterstützt) und sendet tägliche Nachrichten-Zusammenfassungen — alles über die UI oder durch Ansprechen des Agenten über das music_play-Modelltool.

Organkern von Agent-Body: Plugins als ein einziger Körper. Jeder Befehl wird ein Nervenimpuls, der deterministisch das zuständige Organ innerviert und die Fähigkeit benennt; ein Herzschlag mit variablem Intervall pumpt Betreiber-Direktiven, Propriozeption und Homöostase-Warnungen systemweit; Reflexbögen feuern ohne Modellaufruf; Fehler folgen einer deterministischen Zuordnung (Tool, Argumente, Berechtigung, Timeout, Netz), einem Rezept und einer Nachprüfschleife, Argumentfehler werden nie automatisch wiederholt. Ein fehlendes Organ kompensiert das mit der größten Fähigkeitsüberschneidung, und Tool-Schemata werden nach der aktuellen Absicht gefiltert (gemessene Reduktion 84,7 %, im Repo reproduzierbar). Dies ist das Kern-Plugin-Paket im agent-body-Repository.

Smart-Charts-Skill: verwandelt Datendateien (CSV/TSV/TXT/XLSX/XLS/JSON) in eigenständiges interaktives ECharts-HTML – 32 Diagrammtypen inklusive Offline-Karten, 3 Themes, kein CDN. Ein --profile-Datenprofil (dtype je Spalte, Kardinalität, Fehlwerte, Stichproben, Statistiken, Entitätskörnung, Insight-Signale) lässt den Agenten die Daten selbst lesen und das Diagramm wählen; jedes Diagramm bettet ein Fact Sheet (plot_stats + data_preview) ein, dessen Zahlen die einzigen zitierbaren Werte sind. LLM-Transform-Code läuft in einer eingeschränkten Sandbox (Blacklist + AST-Whitelist + sichere Builtins); --doctor prüft die Python-Umgebung selbst. Vollständig offline, ECharts mitgeliefert.

Barrage-Meme-Skill, destilliert aus 22.771 echten Nachrichten im Livestream-Raum 6657: Wanjiqi-artiges Geplänkel, CS- und DOTA-Cross-Memes, Spieler-Frotzeleien und Casting-Kommentare.

Local-first Code-Wissensgraph für Coding-Agents: 10 MCP-Tools für schichtweise Kontextkomprimierung, DAG-Planung, inkrementelle AST-Indizierung, session-übergreifendes Skill-Flywheel, Diagnosen sowie Import/Export von Graph-Artefakten.

Ein Studien-Tab mit Spalten für Kursplan, Tutor und Tafel, das markdown-Dateien, lokale Ordner oder GitHub-Repos in geführte Kurse verwandelt, mit Lektionsfreischaltung, Beherrschungsverfolgung, Spaced Repetition und tutor-gestaltetem Kursimport.

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.

Ein Web-Thema, das die DeepSeek Harness-Startseite mit fließendem Hintergrund, elastischem Zeiger-Raster, animierten Fischen und anpassbaren Effekten nachbildet.

DSH-native Integrationsschicht für die Minta-Speicher-Engine: setzt die offizielle dsh-mcp-client-Zeile zusammen, registriert die Skill minta-memory-governance sowie ein Speicher-Prewarm zu Sitzungsbeginn und liefert ein Minta-Agent-Preset mit; erfordert die separat bereitgestellte Minta-Engine (Python/Docker), die die 19 MCP-Tools bereitstellt — ohne diese nicht verwendbar.

Sitzungsgebundene persistente TypeScript-REPL für den DSH-PTC-Modus: Bindings und Imports bleiben über run_code-Aufrufe hinweg aktiv, edit_run_code ersetzt eine Zeile, ohne den Block erneut zu senden, die Syntax für Modul-Import/-Export wird per AST-Rewriting angepasst, und dauerhafte Bindings werden nach einem Kaltstart aus dem Sitzungsjournal wiederhergestellt.

Mobile Telegram-Fernbedienung, die das Telefon mit einer laufenden DeepSeek-Harness-Web-Sitzung verbindet: Arbeitsbereich-dann-Sitzungs-Auswahl (/sessions), /last für die vorherige Frage/Antwort, /model zum Modellwechsel und native Rich-Message-Antworten.

Macht jedes Projekt mit einem Befehl KI-Agent-fähig. Adaptive Tech-Stack-Erkennung (7 Sprachen × 14 Frameworks × 61 Komponenten), generiert automatisch AGENTS.md, ein Doku-Grundgerüst, CI/CD und Test-Infrastruktur.

Sieben Agent-Preset-Modi für DeepSeek Harness, jeweils mit fester Tool-Grenze, pro-Modus-Modell-Routing und schnellen/tiefen omd_task-Delegationsstufen, plus einem Plan-zu-Ausführen-Loop (/mode, /start-work, zielgestütztes /ulw) und einer Einstellungsseite, die Modelle pro Modus und pro Stufe neu zuordnet.