Plugins

Skill-gesteuertes Workflow-Agent-Plugin für Harness-/Loop-Engineering.

Übernimmt das DSH-Web-Eingabefeld (v0.3.0-beta.4 · Fähigkeitspaket für komplexe Aufgaben: 3D/Normalen/Interaktion/Daten/Nebenläufigkeit/Leistungsdetails jeweils geprüft + automatisierbare Abnahme + zweisprachig Chinesisch/Englisch · für dsh-0.1.6-alpha.1): vor dem Senden optimiert eine unabhängige KI (Überbringer) den Prompt zu einem direkt an die Arbeits-KI sendbaren Befehl (vier Stärken, flusslänge nach Schwierigkeit, Isolierung pro Sitzung, minimalistisches Mini-Fenster).

Fügt /pua hinzu, um den Agenten anzuleiten, vor der Erklärung der Fertigstellung einen anderen Ansatz zu versuchen und die Ergebnisse zu verifizieren, mit 15 Firmenstilen, Persona-Modi, globalen und pro Konversation geltenden Einstellungen sowie einer optionalen Schleife, die fortläuft, bis ein Verifikationsbefehl besteht, das Iterationslimit erreicht ist oder der Benutzer abbricht.

Werkbank für Technik- und Mathematikaufgaben mit neun Tools zum Lesen von Bildern, Lösen, Plotten und Prüfen von Antworten sowie vier gebündelten Skills. Benötigt Python mit numpy und Pillow. Bilderkennung, Abbildungsprüfung und Formelsatz benötigen einen Vision-Anbieter mit eingerichtetem Schlüssel; die Bilder werden dorthin gesendet. Ohne Schlüssel schlagen diese Funktionen fehl, die übrigen Tools laufen weiter.

Multitask-Agenten-Preset: Das Hauptgespräch plant, briefet Subagenten und fasst Ergebnisse zusammen; Dateizugriffe, Befehle, Suche und Builds laufen in Subagent-Kontexten. Vier Worker-Arten, Freigabe für gefährliche Aktionen und keine Änderungen am DSH-Quellcode.

Drittanbieter-Adapter, der den upstream REA-MCP-Server (Reverse Engineer Anything) als mcp__rea__*-Tools in DeepSeek Harness registriert. 2.x bringt Node, REA CLI, JDK und Ghidra unter <DSH_HOME>/plugins/rea-bundle mit und startet REA per Shim; nach einmaliger Einrichtung läuft es auch ohne vorher installierte Komponenten. 1.x (branch v1, npm 1.0.6) ist reine Konfiguration und setzt installierte REA/Ghidra voraus. Die Analyse stammt vom upstream: native Binärdateien (Hopper/Ghidra/IDA), JavaScript/Electron, .NET-Assemblies, Websites, Android-APKs und adb-Geräte, Firmware und Prozessmitschnitte.

Sitzungsübergreifendes Langzeitgedächtnis als lokale SQLite-Datenbank: zwei Bereiche (Nutzer und Projekt je Git-Origin), hybride Suche mit FTS5 und lokalen Vektoren, per RRF zusammengeführt, eine Evidenzprüfung mit explizitem Urteil zur ausreichenden Beleglage, Herkunfts-Prüfketten, SM-2-Wiederholungslernen, Verdichtungs-Destillation und Vergessen durch Abbau sowie Memory-Palace-Seitenleiste mit neun Ansichten. 22 Tools mit eng begrenzten Parametern, kein externer Dienst, kein API key, kein Docker.

Installiert eine Multi-Agent-Voreinstellung zum Romanschreiben für DeepSeek Harness: Ein Dirigenten-Agent verteilt die Arbeit an fünf spezialisierte Subagenten — Weltenbau, Plotentwicklung, Charakterverwaltung, Prosaschreiben und QS-Review.

DeepSeek-Harness-Plugin mit portiertem lazy senior mode und der 7-stufigen Leiter von DietrichGebert/ponytail. Sechs Skills mit zweisprachigen Beschreibungen und einzelnem Schalter; null Tools und null Cache-Misses.

Fügt eine Optimize-Schaltfläche neben dem Composer hinzu, die den Prompt-Entwurf mit SSE-Streaming, Konversationskontext-Bewusstsein (Template- vs. Intent-Polish-Strategien), einer Edit-Continuity-Speicherkette, Undo sowie Modell-Routing mit Fallback und Konnektivitätstest analysiert und umschreibt.

Prompt-Optimierung per Klick im Composer — schreibt den Entwurf in einen strukturierten Prompt um (Rolle und Ziel, ausführbare Schritte, Ausgabeformat, Akzeptanzkriterien, Randfälle), mit Vorher-/Nachher-Vorschau, Zurückübernahme und Rückgängig. Ändert niemals die Absicht, erfindet niemals Anforderungen.

DeepSeek-Harness-Plugin mit 15 Engineering- und Produktivitäts-Skills von obra/superpowers, zweisprachigen Beschreibungen und individueller Aktivierung je Skill.

Diszipliniertes Engineering-Workflow-System für KI-Coding-Agenten: Planung, TDD, automatische Fix-Schleifen, Wissensgraphen der Codebasis und Multi-Agent-Wellenausführung. Benötigt codebase-memory-mcp (pip install "codebase-memory-mcp>=0.10.8,<0.11.0"); ohne die Abhängigkeit wird /scan beendet.

Langzeitgedächtnis für DSH: Gespräche werden automatisch in atomare Fakten, Szenenzusammenfassungen und ein Persona-Profil destilliert, wobei relevante Erinnerungen vor jedem Modellschritt injiziert werden. Ohne Konfiguration sofort einsatzbereit — hybride BM25- + Vektor-Recherche, optionale lokale Offline-Embeddings, Trennung von Chat-/Arbeits-Familien.

Anatomie-Panel für die Agent-Body-Organe: liefert ein Live-Vitalwerte-Dashboard unter /anatomy direkt im Harness selbst – Organe, Herzschlag, Heilungsjournal, Selbsttrainings-Zähler und der echte Pulsstrom – direkt aus den Laufzeitdateien gelesen statt neu eingetippt. Nur Host, kein Client-Bundle und kein Build-Schritt.

Zero-residence-Kontext-Engine: Große Tool-Payloads werden aus dem aktiven Kontext in einen abfragbaren Speicher ausgelagert, sodass nur deterministische Zeiger zurückbleiben und die Prompt-Tokens pro Turn nicht mehr mit dem Transkript wachsen. Maskierte Inhalte werden auf Anforderung wörtlich aus dem Sitzungsprotokoll rekonstruiert – anhand der Tool-Call-ID oder der Session-Seq.

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.

Vordefinierte Engineering-Workflows für DeepSeek Harness: ein dev_task-Tool, das Phasenübergänge, Artefakte, Verifikation, Review und Commit-Umfang kontrolliert, plus eine Web-Workbench zum Installieren von Projekt- oder Nutzer-Skills und -Regeln.

Das Gedächtnisorgan von Agent-Body: Nach 2 Minuten Stille geht es in leichten Schlaf, nach 5 Minuten in Tiefschlaf, wo deterministische Regeln echte Erfahrung zu Gedächtniskarten destillieren (Fallstricke, Playbooks, Hotspots, ungelöste Probleme, Fakten). Eingehende Befehle rufen verwandte Karten per Schlüsselwort ab und injizieren sie in den Kontext; lange ungenutzte Karten verfallen mit einer Halbwertszeit und werden archiviert statt gelöscht. Außerdem entrauscht es körperweite Homöostase-Warnungen: Wiederholungen innerhalb eines Fensters werden gezählt statt erneut ausgegeben, und eine Warnung, die immer wiederkehrt, ohne je zu heilen, konvergiert zu einem bekannten Steady-State-Offset und verstummt. Konsolidierung und Abruf machen keine Modellaufrufe.

KI-nativer intelligenter Crawler und JavaScript-Reverse-Engineering-Plattform, basierend auf DSH, Patchright/CDP und einer unabhängigen semantischen Laufzeitumgebung, die Parametergenerierungslogik aus Browser-Nachweisen wiederherstellt und einen überprüfbaren Solver liefert.

OMK — Observe. Measure. Know. Evidenzgestützte Wissensänderungen für KI-Anwendungen.

AI-for-Science-Forschungs-Workflow-Skill für DeepSeek Harness, für Forscher und Doktoranden mit agentenbasierter KI: mehrwinklige Literaturrecherche mit Dateien pro Winkel, Experimentdesign mit Caveat-Liste, Abbildungen und Paper-Lesen; jeder Job gibt Dateien sowie ein Cross-Verification-Briefing für ein zweites Modell zurück. Null Abhängigkeiten, MIT.

Auf dem Host laufende cron-Engine mit Web-Jobs-Board und einem timer_agent-Tool: löst echte Agent-Sitzungen nach Zeitplan aus, setzt eine angeheftete Sitzung für Kontext fort oder startet neue in einem gewählten Projekt-Workspace.