Plugins

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

Die DSH-Plugin-Entwicklungs-Wissensdatenbank als On-Demand-Agenten-Skill: offizielle Einschränkungen, Aufgaben-Workflows, API-Referenz und Community-Fallstricke, mit dem Bundle installiert, damit der Agent beim Plugin-Erstellen nachschlagen kann.

Lokaler Obsidian-Vault als Wissensspeicher des Agenten, mit schreibgeschützten DSH-Tools, die Status, Preference, Correction, Memory, Project, Search und Suggest auf die passende Seite routen.

Per-Modell-Konfiguration für Reasoning-Aufwand und Eingabemodalität für Drittanbieter-Provider: Vorschläge, fusioniert aus einer Modell-Wissensbasis und Roh-/models-Endpoint-Evidenz mit Konfidenz-Labels, bearbeitbar innerhalb der offiziellen Models-Seitenkarte.

Lokaler Obsidian-Tresor als Wissensspeicher des Agenten, mit schreibgeschützten DSH-Tools, die Status, Präferenz, Korrektur, Speicher, Projekt, Suche und Vorschlag an die passende Seite weiterleiten.

QA-Pipeline als 10 Agent-Skills: Anforderungsanalyse, Teststrategie, Fallerstellung und Review, E2E (Playwright) und API-Automatisierung, explorativ, Regressionsumfang und Bug-Analyse, gestützt auf eine gemeinsame Wissensbasis mit Formatregeln, Risikomodell und Schema-Validatoren.

Installiert vier Multi-Agent-Presets für mathematische Forschung in DSH: v2 (wahrscheinlichkeitsgetriebene Pipeline mit Debatte mehrerer Prüfer), v3 (Markdown-Wissensbasis im Paper-Stil mit Planer-Agent und wiederverwendbarer Methodenbibliothek), v4 (persistente, selbstorganisierte Bewohner, die sich Nachrichten schreiben und treffen) und v5 (ein Forschungsinstitut mit einem Akademiker, der Arbeit zerlegt und verteilt, abstimmenden Forschern, Aushilfen, Gruppenchat und einem Compare-and-Set-Task-Board); alle vier unterstützen Checkpoint-Fortsetzung, menschliches Eingreifen und einen optionalen Lean-Formalverifizierungs-Schalter (off/encourage/require), dessen bestandener Beweis die Abstimmung in eine Treueprüfung der Lean-Aussagen verwandelt.

HarmonyOS-Geräte-Brücke: hdc-Loop für Screenshot/Installation/Log/Crash/UI-Automatisierung mit read_image, offiziell-vorrangiges versioniertes API-Wissen (SDK .d.ts + gebündelte Offline-Docs) und eine DevEco-CLI-Strecke für Build/Sign/Lint.

Wandelt lokale Markdown- und Textdokumente in eine abfragbare Wissensdatenbank mit hybrider semantischer und Stichwortsuche, Zitatverifizierung und Quelleninjektion um.

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

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 in sich geschlossenes zweites Gehirn für DeepSeek Harness — erfasst dauerhaftes Dialogwissen automatisch in einem lokalen Markdown-Tresor (benutzerdefinierte Deduplizierung, CJK-Suche, git-freundlich), mit einer grafischen Wissensdatenbank und einem interaktiven Wissensgraphen (Legendenfilter, Zeitachsen-Färbung, Box-Auswahl, Zusammenführen, Löschen, PNG-Export/-Import).

Lokale Literatur-Wissensdatenbank-RAG: 10 Tools (kb_ingest, kb_search, kb_rag, kb_zotero, kb_dedup, kb_clear, kb_fetch, kb_scope, kb_stats, kb_status), hybride BM25+Vector+Reranker-Suche, belegte Fragen-Antworten mit anklickbaren DOI-Links, vollständig lokale bge-Embeddings über einen Single-File-SQLite-Index. Benötigt Python 3.9+ mit pymupdf, faiss-cpu und sentence-transformers; der Installer `npx dsh-kb-rag-install` richtet diese ein und lädt das Modell vorab herunter.

Bietet lokale und entfernte Wissensdatenbanken mit projekt- und sitzungsumfassendem Abruf, kontrolliertem Zurückschreiben und einer eingebetteten Web-Verwaltungskonsole.

Selbstgebautes DSH-Gedächtnis-Plugin: SQLite-Persistenzspeicher + Audit-Wächter auf Datenbankebene (enforceAudit) + Audit-Protokoll. Erfasst Wissen nach Gesprächen automatisch, Agenten erinnern per memory_recall, Unterstützung für Multi-Agent-Teilen mit Claude Code/Codex/Cursor. Null externe Abhängigkeiten.

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.

DSH-Bundle, das 13 native codegraph_*-Tools registriert, die die codegraph-CLI kapseln, sodass Agents einen vorindizierten Code-Wissensgraphen bootstrappen, pflegen und abfragen können (Symbolabfrage, Erkundung, Knoten-Trail, Caller/Callee, Impact, betroffene Tests), statt Dateien zu greppen.

Bridge zur ShiGuang Memory Engine (SGME): agentenübergreifendes gemeinsames Langzeitgedächtnis über HTTP — L0/L1/L1.5/L2-Destillation, szenariobasierte Injektion, einheitliche Suche und proaktive Care-Signale (memory_search / wiki_search / signal_pull / signal_claim / signal_ack), installierbar als `dsh-sgme`.

Zhihu-Suche, Agenten-Tools, Wissensdatenbanken und Nutzungsverfolgung für DeepSeek Harness.

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.

Vorlagengesteuerte Code-Review-Fähigkeit: Fünf-Schritte-Review-Flow, Schweregrad-Einstufung (kritisch/mittel/gering), vierdimensionale Bewertung (Qualität, Sicherheit, Performance, Wartbarkeit), duale Text- und HTML-Berichtsausgabe und eine On-Demand-Referenzwissensdatenbank.

Fügt dem DSH-Webclient ein Mehrbenutzer-Einstellungsfeld hinzu: Auswahl des Nutzungsmodus, Mitgliederverwaltung mit Online-Status und Gerätebindung sowie Wechsel oder gemeinsame Nutzung der Speicher- und Wissensbasen pro Mitglied.

Portable Agenten-Wissensbasis in einfachem OKF v0.2 Markdown: 13 wiki_*-Lese-/Schreibtools, progressive Offenlegung, Backlinks, per AGENTS.md-Regeln beschränkte Schreibzugriffe, automatische Index-/Log-Pflege, Linting und benanntes Umschalten zwischen mehreren Bundles (sitzungsweit oder global).

Kontinuierliche Selbstverfeinerungsschleife: persistenter Speicher, periodisches Überprüfen und Verfeinern, sitzungsübergreifendes gemeinsames Wissen und automatisches Rollback über ein vom Modell aufrufbares harness_refine-Tool.