Plugins

Vergessenskurven-In-Place-Dialogkomprimierung für DeepSeek Harness: Aktuelle Turns bleiben wörtlich, mittlere Turns werden strukturell dehydriert (ohne LLM), alte Turns werden in ein begrenztes Zusammenfassungspaar gefaltet — unbegrenzte Gespräche auf begrenztem Speicherbudget.

Nächtliche Selbstverbesserung für Ihren DeepSeek-Harness-Agenten: Vergangene Sitzungen offline auswerten, wiederkehrende Aufgaben mit eigenem API-Budget wiederholen und validierte Skills hinter einer zurückgehaltenen Prüfschranke zusammenführen. Bringt die SkillOpt-Sleep-Engine von microsoft/SkillOpt als native Tools plus gebündelten Skill zu dsh – kein Weight Training. Erfordert Python 3.10+ und die SkillOpt-Sleep-Engine (pip install skillopt).

Verbesserte Auto-Compaction-Standards für DeepSeek-Harness-Agent-Presets: wendet mit einem einzigen Befehl fein abgestimmte Schwellen-/Aufbewahrungsbudgets und modellbezogene Richtlinien an, idempotent mit Backups und Rollback.

Token-Kosten-Tracker für DeepSeek Harness — verfolgt die Nutzung, berechnet Kosten und warnt bei Budgetüberschreitung.

Host-Level-Proaktiv-Aufweckungen für DeepSeek Harness: das Modell kann eigene Alarme planen (einmalig / Intervall / Cron mit Random-Jitter), kalte Sessions termingerecht wecken, modellinitiierte Follow-ups über Quiet-Hours und Tagesbudgets begrenzen und stille Wake zurückholen

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.

Universelle Model-Context-Protocol-(MCP)-Bridge für DeepSeek Harness: verbindet Agenten mit stdio/sse/websocket-MCP-Servern, mit einer Scale-Engine für 10k inaktive Verbindungen, Sub-Millisekunden-BM25-Toolsuche, dynamischem Token-Budgeting und einem Echtzeit-Dashboard in der Web-UI.

Proaktive Weckrufe auf Host-Ebene für DeepSeek Harness: Das Modell plant seine eigenen Alarme (einmalig, Intervall oder Cron, optional mit Jitter), kalte Sitzungen werden per session resume pünktlich geweckt, Nachfassaktionen des Modells werden durch Ruhezeiten und ein Tagesbudget begrenzt, und stille Weck-Turns enden mit proactive_reclaim und fallen als Grabsteine aus dem Kontext. Deklarierte Zeitplandateien synchronisieren ihre JSON per Glob idempotent in Host-Alarme; min_idle_seconds verschiebt Weckrufe, bis die Ziel-Sitzung zur Ruhe kommt, und ein Web-Panel verwaltet Alarme und Verlauf — die Herzschlag-Engine für KI-Begleiter und Rollenspiel-Charaktere mit eigenen Tagesabläufen.

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.

Vor-Ort-Due-Diligence und Unternehmensrecherche in DeepSeek Harness für Kunden-Hintergrundprüfungen und Risikoprofile, mit Budget-Freigabe für Qichacha-MCP-Tool-Aufrufe und Entitätsbestätigung.

Sicherung für Gesamt-Token pro Unterhaltung für DeepSeek Harness: setzt eine Token-Sicherung in jeden KI-Dialog, mit einem eigenen Gesamtbudget pro Benutzernachricht, das Eingabe, Cache, Denken und Antwort einheitlich begrenzt, plus Whale-Slider und automatischem Reset bei der nächsten Benutzernachricht.

AST-basierte Kontextkomprimierung, Testlog-Filterung und Token-Budget-Wächter für DeepSeek Harness: entfernt redundante Syntax, kürzt rauschige Logzeilen und erzwingt eine Token-Obergrenze, damit das Kontextfenster nie überläuft.

Kosten-Panel für DeepSeek Harness: misst jede Anfrage aus Sitzungsereignissen, bepreist sie anhand eines eingebauten Katalogs von 136 Modellen über 16 Anbieter und zeigt das aktuelle Modell, das Kontoguthaben, die Sitzung, die heutigen und monatlichen Ausgaben sowie eine monatliche Budgetleiste neben dem Composer. Zweisprachig zh/en.

Grafana-Werkzeuge mit Lesezugriff, die Metriken über den Proxy der Datenquelle abfragen: Zustand der Instanz, Auflistung der Datenquellen, sofortige PromQL-Abfragen und Bereichsabfragen, aktueller Zustand der Alarme und bereitgestellte Alarmregeln. Bereichsabfragen werden auf ein Punktbudget heruntergerechnet; ein ausdrücklich angegebener Schritt, der es überschreiten würde, wird abgelehnt statt still geändert, sodass das Modell nie Daten in einer Auflösung erhält, die es nicht angefordert hat.

Resumes turns interrupted by a DSH host restart: hooks agent activation (once a session is live), reads the crash-repair turn/end, and sends a continuation that requires verifying real-world state first rather than assuming a side effect succeeded or failed. Permanent failures (AUTH, QUOTA, context overflow) are skipped, with a cross-restart budget, adaptive backoff and a minimal-context payload.

Panel to edit dsh's native AGENTS.md from the web settings page: every layer in the instruction chain is clickable, three activation scopes, and a visual budget meter.

Model-callable compact_agents tool that force-compacts context in every live session (main session, ordinary sub-agents and AgentTeams members alike), queues busy targets and compacts them when the turn ends, reports the shadowed node count and estimated tokens per target, and ships a browser form for the trigger ratio, retained ratio, controlled-phase output budget, auto-continue budget and an end-of-turn pre-compaction ratio that compacts near the trigger line once a turn ends, so a reply no longer opens with a wait for the summarizer.

Agent billing and usage observability for dsh web: session-log direct-scan recording (zstd, per-event timestamps, watermark + lastSeq double dedup), multi-account rate profiles per provider and model, per-window live badge reading the window session id via React fiber, full glassmorphism dashboard with 14-day sparkline, budget alerts, relay-station balance queries and a 332-model official price library.

Alibaba Bailian (DashScope) model catalog preset + auto-adapter for DeepSeek Harness — reasoning effort levels, thinking budgets, context windows, auto-adaptation of existing Bailian routes, a configurable context ceiling

Live token cost for every chat in the DSH Web UI: the chat, its subagents and the whole session tree, priced from a bundled models.dev snapshot of seven providers and 139 priced models, with cache read and write rates wherever the provider publishes them and DeepSeek from its own peak and off-peak table. Every finished answer carries its own price in the transcript, and a chat that is not currently open is priced from the log instead of disappearing. Spend is costed per interval from an append-only JSONL ledger in the project folder, so logged work keeps the tariff it was billed at. On top of it: budget-aware work plans packed against a money limit, routing scenarios that show which models are worth connecting, a generated plan document in English, Chinese or Russian, and a warning when spend belongs to no plan unit.

Tiered persistent memory (user/env/project) with per-tier char budgets and semantic query routing; full layers refuse writes instead of silently evicting.

Team cost captain: meters every model call (subagents included), attributes each call to a member by workspace rules, prices it with the built-in DeepSeek 2026-09 catalog (peak/off-peak, CNY/USD) or user overrides, and appends it to a local JSONL ledger. Adds hot-reloadable member budgets, 80%/100% webhook alerts, optional over-budget enforcement, a team_cost_report tool with CSV export, and a settings-page team dashboard served over a Typert RPC service.

Persistent project memory, event-sourced task lifecycle, context budgeting, and cooperative multi-agent handoffs.

Local token usage and cost dashboard for DeepSeek Harness: four-segment token breakdown (miss/cache-hit/cache-write/output), cache savings estimate against the miss/hit price gap, per-session drill-down with context-growth curves and anomaly flags, global filters with shareable URLs, monthly budget progress with month-end projection, and day/month aggregate fast-path queries (O(days)) with incremental rescan.