Plugins

Terminal-Client im Vollbildmodus für DeepSeek Harness, basierend auf pi-tui: Sitzungs-Wiedergabe/-Fortsetzung, Streaming-Antworten, einklappbare Tool-Karten, Freigaben und Fragen direkt im Terminal, Verwaltung von Modellen/Voreinstellungen/Berechtigungen/Plänen/Zielen, Shell-Modus sowie ein Trajektorien-Ledger.

Schwebende Pille zur Nutzung des OpenCode-Go-Tarifs: Verbrauchsprozente in drei Fenstern (rollend/wöchentlich/monatlich) mit Mini-Flächendiagrammen, unterstützt durch Hintergrund-Sampling gegen die offizielle /v1/usage-API.

Agenten-Governance-„Königreich" für DeepSeek Harness: Territorien, Rollenbindungen (bind/unbind/session mit Modell-/Agentenidentität) und eine Plan→Zuweisen→Ausführen→Überprüfen-Aufgabenschleife, in der Worker-Angaben nie automatisch als abgeschlossen gelten (Claim ≠ Fact), mit lokaler GUI-Betriebskonsole.

LLM-Agent-gestütztes Directed Fuzzing. Aus Zielrepository und Fehler (CVE-Beschreibung, Patch, Crash-Trace oder file:line) durchläuft es PLAN, IMPLEMENT, EXECUTE, REFLECT; das Modell schreibt Python-Eingabegeneratoren, bis der stderr-Musterorakel der Kampagne auslöst oder sie endet.

Pro-Event-Sound-Benachrichtigungen: Turn-Abschluss, Genehmigung, Frage, Plan-Review, Goal-Blocked und Task-Failure erhalten jeweils eigenen Sound und eigene Lautstärke, konfigurierbar in der Web-UI (integrierter Synth, Mute oder lokale Audiodatei).

Injiziert einen System-Prompt-Abschnitt, damit Gedankenkette, Planung und Tool-Aufruf-Begründungen des Agenten auf vereinfachtem Chinesisch bleiben. Keine externen Abhängigkeiten – aus jedem lokalen Verzeichnis klonen und per Link installieren, kein npm-Build oder Publish nötig.

Visuelle Runden-Tisch-Meetings für DeepSeek Harness — Expertenknoten auf einem Ring mit gerichteten Kanten, einem Aggregations-Gateway, Proxy-Denken für Black-Box-Worker-Modelle und adversarialer Prüfung (Red-Team) ausgearbeiteter Pläne mit zustimmen/ablehnen pro Sichtweise.

Local-first-Lernmodus: sitzungsübergreifende Lern-Threads mit Erklärungen je Quelle.

Eine Web-Roman-Schreib-Engine für DeepSeek Harness: paralleles Entwerfen, Gliederung und Brainstorming mit einem separaten DeepSeek-Schlüssel, Verwaltung von Hintergrundwissen und Vorausdeutungen, semantische Vektorsuche, eine Korpusbibliothek, ein Nutzungsprotokoll, mechanisches Korrekturlesen und ein lokaler Serialisierungsplan.

Plan-Review mit verankerten Annotationen und strukturiertem Feedback zurück an den Agenten.

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.

Agent-Preset-Bundle für Programming Mode: der Standard-Coding-Agent mit einer Persona, die die Superpowers-Disziplin vorschreibt (zuerst Skills, Brainstorming vor dem Bauen, Pläne vor Code, TDD, systematisches Debugging, Verifizierung vor Abschluss) sowie einer stets aktiven Ponytail-Codevolumen-Disziplin (7-stufige Minimalcode-Leiter, standardmäßig vollständig); enthält alle zwanzig Skills gebündelt (14 superpowers + 6 ponytail) und fügt den vollständigen using-superpowers-Skill mechanisch in die erste Anfrage jeder neuen Sitzung ein.

Task-Panel für die DSH Web-Seitenleiste: veröffentlicht Aufgaben, destilliert automatisch zugehörige Sitzungen und steuert die Phasen Plan/Entwicklung/Review mit Subagenten sowie In-Panel-Akzeptanz.

Learning-Mode-Agent-Preset: ein Coding-Agent, der beim Coden lehrt — konkrete szenariengestützte Erklärungen, sokratische Anleitung und TODO(你)-Übungs-Lücken, modelliert nach Claude Codes Learning-Output-Stil; installierbar über dsh plugin add (dsh-learning-mode auf npm).

Laya-typisierte Entscheidungen (`noul` Ja/Nein, `choice`, `score`) als erstklassiger Cordis-Dienst (`ctx.laya`) plus die für das Modell sichtbaren Tools `laya_ask` und `laya_plan`. Das Plugin selbst installiert und lädt nichts herunter: Es ist ein Client eines `laya-mcp serve`-Sidecars, den Sie selbst starten, und es meldet, dass der Sidecar nicht läuft, statt beim ersten Tool-Aufruf unklar zu scheitern.

Rollenbasierte KI-Schwärme für DeepSeek Harness: ein Architekt plant, parallele Builder führen aus, Reviewer sichern die Qualität, und ein Integrator liefert aus. Modell-Pinning pro Rolle mit Fallback-Ketten, Review-Schleifen, Evidenz-Verträgen, von Menschen gesteuerte Reviews, quotenbewusstes Pause/Resume sowie ein Live-Kanban + Flussdiagramm in der Web-GUI. 40 Tests; Installation von GitHub oder npm.

model router pro Schritt: benannte Voreinstellungen mit geordneten Bild-/Stichwortgruppen-Regeln leiten jeden Agent-Schritt über jeden eingebundenen Anbieter und jedes Modell und ergänzen Kollaborationsabläufe für Bildtranskription, einen Bildschutz, ein Multi-Plan-Kontingentfeld und Pro-Schritt-Entscheidungs-Beobachtbarkeit.

Quota-Pille und -Panel unten rechts, die Mitgliedschaftskontingente plattformübergreifend aggregieren (Kimi Code, DeepSeek, Zhipu Coding Plan, BigModel, Qwen, Scnet, TokenRouter, SupaWriter), API-Schlüssel automatisch aus der DSH-Credentials-Domain synchronisieren und farbige Nutzungsbalken anzeigen.

Perlica- (Arknights: Endfield) thematisierte abgestufte Klangbenachrichtigungen: planbereit, Aufgabe erledigt, Eingabe erforderlich und Fehlertöne; stumm bei normalem Chat, Wiedergabe auf Systemebene (funktioniert im Hintergrund), plattformübergreifend (Windows/macOS/Linux), benutzerdefinierte TTS-Klänge.

Verwaltet VPS-Server über SSH-Schlüssel-Login: 21 Zero-Token- /vps--Befehle (Statusabfragen, Rezept-Installationen mit Plan und /vps-yes-Bestätigung, Neustart, der wartet, bis die Maschine zurück ist), ein In-Konversation-Terminal (xterm.js über ssh -tt) für interaktive Programme, 5 Agent-Tools mit risikogestufter Bestätigung, Datei-Backup mit automatischer Wiederherstellung und ein Firewall/SSH-Sicherheitsnetz, 29 eingebaute Rezepte und eine Einstellungsseite zum Hinzufügen von Maschinen.

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.

Tiefenrecherche als Agentenmodus: eine einzige geprüfte Schleife, die plant, in adaptiven parallelen Runden forscht — gesteuert von den Lücken, die die Forscher selbst benennen —, einen zitierten Bericht synthetisiert und ihn dann adversarial überprüft, anstelle eines Skripts, das das Modell pro Aufruf neu schreibt. Fragen, die das Rundbudget nie erreichte, werden im Bericht benannt, statt verworfen zu werden.

Zeigt Coding-Plan-Nutzung und Saldo für 5 AI-Provider (MiniMax, DeepSeek, Kimi, OpenRouter, Zhipu) neben dem Composer-Input, wechselt mit dem gewählten Modell und verwendet in DSH-Modelleinstellungen konfigurierte API-Schlüssel wieder.