Plugins

Vom Chat zur Leinwand zum Werk: steuere ComfyUI als visuelle Workflow-IDE in DSH. Bette ComfyUI (lokal oder Cloud) als geteilte Leinwand in DSH Web ein: Der Agent schreibt Prompts und Skripte im Chat, wendet sie live an und erzeugt Bilder, Musik, Video und 3D. Operationen: Pipelines bauen, Workflows lesen/schreiben, Knoten bearbeiten, Links verdrahten, ausführen, justieren und debuggen. Produktion: Batch-Parameter-Sweeps (batch_run) und automatischer Abruf der Ausgaben in den Chat (get_outputs). Pflege: Ein-Klick-Start und -Upgrade von ComfyUI, Kern und Custom Nodes. Dieses Paket ist das DSH-seitige Plugin und liefert den ComfyUI-seitigen Brückenknoten mit.

Cache-stabile progressive Werkzeugentdeckung: eine feste tool_search- und tool_dispatch-Oberfläche bei jeder Anfrage, Katalogsuche im Speicher, verschachtelter Dispatch durch die Harness-Pipeline und eine byte-stabile native Werkzeugliste über die Entdeckung hinweg.

Cordis-/hongtou-Befehl: zweiphasige Pipeline (strukturiertes LLM-JSON + deterministisches Word-2003-XML-Template-Rendering)

Geschichtete Token-Optimierungspipeline für DeepSeek Harness: Ausgabe-Leiter, MCP Lazy Loading, Kompaktierungs-Treiber, Cache-Treffer-Bericht. Auf echten DSH-Plugin-APIs aufgebaut; in langen Sitzungen werden etwa 40–60 % der Eingaben gespart.

AI Company Framework: aus einem Satz eine Multi-Agent-Firma machen — 15 flache Skills (boss/pipeline/role-template/11 roles/generic customer-memory), 7 Workflow-Vorlagen, AgentTeams-Runtime + Aktivitätspanel, Mitarbeiter-Sidebar mit Isolation pro Session, Feishu-Bot-Bridge (Boss- und pro-Mitarbeiter-Bots, Group-Routing, autonomer Push, Human-Decision-Gate, External-Contact-Guide), SQLite-Memory pro Kunde mit Drei-Schichten-Memory (gruppenübergreifender Merge), /company-Modusumschaltung; kein RAG.

Eine abgestufte Mathematik-Modellierungs-Skill-Suite für DeepSeek Harness: eine fünfstufige Pipeline mit Stufen-Gates, Schreibmustern für Award-Paper, Sensitivitätsanalyse, statistischer Diagnose und einem Wettkampf-Preset.

Hochverfügbarkeits-Failover für Modelle (Quarantäne, Circuit Breaking, Wiederherstellung per Probe) und Subagent-Orchestrierung (fanout/pipeline/supervisor) mit zweisprachiger Einstellungs-UI.

Wissensdatenbank nach dem Karpathy-LLM-Wiki-Muster für DSH: wiki-write/wiki-search-Fähigkeiten, abhängigkeitsfreie Pipeline (Lint/Index/mnemon-Speichersync/Qualitätsfeedback), minimales Lebenszyklus-Plugin mit Schema- und Wissensvorschau, SiliconFlow-Semantikabruf über einen Ollama-kompatiblen Proxy.

KI-Schreibpipeline für offizielle WeChat-Konten: sechsstufige Artikelabläufe (Thema, Gliederung, Entwurf, Gates, Rendering, Bilder) mit einem Launch-Brief-Vertrag, einem Hot-Topic-Board mit KI-Zusammenfassungen pro Eintrag, RRULE-Planung in den Entwurfskasten, eine Workbench-Oberfläche plus Chat-Tools und ein /wewrite-Kommando sowie eine Fail-Closed-Host-Freigabe vor jedem Push in den Entwurfskasten.

Ein gesteuerter Schwarm aus sechs spezialisierten DSH-Agenten — Orchestrator, Planer, Knowledge-Base-Bridge, Entwickler und zwei Reviewer — verwandelt eine Anforderung in eine strikte Phasenpipeline, in der jede Lieferung sich vor dem Start der nächsten Phase mit strukturierten Nachweisen bewähren muss; Reviewer sind nur lesbar, Code-Merges erfolgen erst nach einem Review-Durchgang, und ein append-only-Ereignisprotokoll ermöglicht vollständiges Replay und Audit auf einem Live-Kanban-Board. Das Design ist vom Hermes Agent-Kanban inspiriert.

Bindet DeepSeek Harness in eine Hermes-Pipeline ein: Dispatch-Spec-Vorlage, Modell-Tier-Routing, Qualitäts-Gates für Orchestrator-Läufe, Git-Single-Writer-Regel, als SKILL.md-Paket (als Bundle installierbar).

Models+-Einstellungsseite für die DSH-Web-UI: Reasoning-Effort-Tabellen je Modell, Eingabemodalitäten und Kompatibilitäts-Flags, gespeichert über die offizielle Settings-Pipeline, mit Vorbelegung durch models.dev-Metadaten und API-Key-Verwaltung.

Math Agent Framework für DeepSeek Harness: Engine für symbolische Herleitung (CES / quadratische Formen / ODE / PDE), SymPy-Verifikation, vom Lean-4-Compiler verifizierte formale Beweise sowie QED-artige multi-agenten adversarische Verifikation, bereitgestellt als native DSH-Werkzeuge über eine TS-Shell, die eine Python-Engine anbindet. Erfordert das Klonen des math-agent-framework-Repositorys und `pip install -r requirements.txt`, wobei MATH_AGENT_HOME auf den Repository-Stamm zeigt. Jedes Ergebnis enthält Provenienzangaben (Engine-Versionen, Seed, Toleranzen) und ist als nicht vertrauenswürdige Daten gekennzeichnet.

Großbild-Erkennung für vision-exp-Modelle: verlustfreie 800×800-Kachel-Erkennung (smart/pipeline/full), lokales OCR mit Vorverarbeitung und Handschriftrouting, optionale Multi-Vendor-GPU (DirectML/CUDA/OpenVINO) mit automatischem CPU-Fallback.

Spricht die Antworten des Agenten in der DeepSeek Harness Web-UI über eine Anbieter-Fallback-Kette (OpenAI, ElevenLabs, Google, Azure, Groq, Deepgram, OpenRouter, Edge, Piper, eSpeak), sodass ein fehlgeschlagener oder ratenbegrenzter Anbieter auf den nächsten übergeht, statt zu schweigen.

Virtuelles Produktteam-Agenten-Preset: Die benutzergesteuerte Konversation führt Sie durch die vollständige 12-Schritte-Pipeline von der Idee bis zum ausgelieferten, beworbenen und betriebenen Produkt, mit stufenweisen Gates und stufenspezifischen Skills.

Speichert Projektentscheidungen in Markdown statt im Chatverlauf: ein Hauptdokument plus Dokumente je Modul, jeder Eintrag mit file:line-Beleg. Der Agent fragt offene Punkte ab und berechnet einen Fünf-Dimensionen-Score (Aufgabenkomplexität, Erweiterbarkeit, Wartbarkeit, Codequalität, Wiederverwendbarkeit), angezeigt neben der Modellauswahl. Eine Sitzung kann mehrere Projekte binden; small/medium/large erweitert die Eintragslimits. Bei Triggerwörtern wird ein wiederverwendbarer Pipeline-Abschnitt aus dem Hauptdokument eingefügt.

Spec-Driven-Development-Pipeline für Odoo: 15 Tools führen eine Anforderung von einer unveränderlichen Spezifikation über die Architektur bis zu Modulcode oder Live-Konfiguration und verlangen dann ein persistiertes Urteil, das durch Belege aus einer echten Odoo-Instanz gestützt ist – mit fail-closed-Gates, menschlich freigegebenen Stapeln in einer deklarierten Umgebung, Odoos eigenem CSV/Excel-Importer und einem Journal, das die über das Plugin geschriebenen Daten rückgängig macht.

Geschichtetes Gedächtnis für DSH mit 10 Agent-Tools: privilegierte Schreibvorgänge (memory_add, memory_delete, memory_import), Rumination-Steuerung (memory_ruminate und zugehörige Befehle) und Gedächtnisgraph. Eine L0-L3-Destillationspipeline ruft vor jedem Modellschritt relevante Erinnerungen ab und fügt sie ein.

Vollständige chinesische Übersetzungspipeline für die dsh-Web-GUI: Live-Übersetzung der Modellüberlegungen beim Streaming, chinesischer Text direkt unter jeder englischen Antwort sowie einzeilige chinesische Zusammenfassungen für Tool-Ausgaben und Erläuterungen zu Tool-Aufrufen — eine eigenständige Provider-Anfrage, die nie in das Sitzungsprotokoll gelangt.

Plugin-Vertrauenspipeline für DeepSeek Harness: deterministischer Static Scan mit Bewertungen, optionaler Laufzeitschutz mit Honeypot-Ködern, Agent-Skill für Audit-Protokolle und eine Browser-Shield-Statusanzeige. Nur Alarmierung, niemals Durchsetzung.

Lieferboard für Kundenprojekte: Pipeline mit Standard- oder Governance-Vorlage oder eigenen Phasen; Karten mit Zuständigen, Fälligkeit, Abnahmekriterien und DoD. Phasenwechsel erzeugen automatisch ein Übergabeprüfprotokoll. Enthält Protokolle für Fortschritt/Risiken/Blocker/Entscheidungen, wöchentlichen Markdown-Kundenbericht, nur an loopback gebundenes Drag-and-drop-Board und schreibgeschützten HTML-Export. Zustand in delivery.json im Workspace; 11 delivery_*-Tools und /delivery.

Markdown-Darstellung für gesendete Nutzernachrichten in DeepSeek Harness: Jede Nachrichtenblase zeigt Listen, Code, Tabellen, Zitate und Inline-Formatierung über die eigene Markdown-Verarbeitung der Host-Anwendung an. Warteschlangen, Vorschauen und Eingabefeld bleiben in der einfachen Textdarstellung.

Führt AItelier-Pipelines von DSH über MCP aus: 39 Werkzeuge (22 Lese-, 17 Schreibwerkzeuge) zum Erzeugen, Ausführen, Inspizieren, Bearbeiten, Exportieren und Importieren mehrstufiger SkillFlow-Pipelines. Die Schritte werden in AItelier statt in der DSH-Sitzung ausgeführt und über run_id gepollt, pausieren an engine-erzwungenen Checkpoints, die mit answer_checkpoint beantwortet werden, und hinterlassen pro-Schritt-Traces und Schrittausgaben zum späteren Lesen; add_provider / map_model / edit_role richten eine einzelne Rolle auf einen lokalen oder günstigeren Endpunkt aus. Bündelt einen aitelier-pipelines-Skill.