Plugins

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.

Rollenbasiertes Multi-Agent-Team für DeepSeek Harness: Produkt, Architektur, Frontend, Backend, Review und QA arbeiten in neun Phasen mit Prüftoren; dauerhaftes Team möglich. Keine Laufzeitabhängigkeiten, kein Build.

Meldet sich bei Huawei Cloud CodeArts an und registriert CodeBuddy, WorkBuddy, LobsterAI, Qoder (global und China), TRAE, Cline, Loomy, Raccoon Work, MiniMax Code, TeleAgent, ZCode, Step Code und Antigravity als LLM-Anbieter mit anbieterbezogenen Kontopools. Einige zeigen im selben Panel außerdem Kontingentstand und täglichen Check-in.

DeepSeek Harness-Plugin, das Jev-Urteile in drei automatische Aktionen übersetzt — übermäßig große Tool-Ausgaben auf die für die Anfrage relevanten Segmente kürzen, abgerufene Seiten auf an das Modell gerichtete Anweisungen prüfen und auswählen, welcher Skill zum nächsten Schritt passt — plus die Tools jev_ask und jev_gate, ein Urteils-Journal, das Neustarts übersteht, und einen /jev-status-Bericht. Benötigt einen TypeSafe-API-Schlüssel; ohne diesen ist es inaktiv und sendet nichts.

Eine bessere Faltenleiste: faltet automatisch Tool-Aufrufe und Think-Segmente in Schritt-Faltleisten und reduziert jeden abgeschlossenen Turn zu einem einzelnen Turn-Header mit Live-Metriken (Dauer, TTFT, Token, tok/s, Cache-Treffer) – nur die abschließende Zusammenfassung bleibt sichtbar; anpassbare führende Icons mit animierten Pokerkarten integriert (Karten-Animation mit zyklischen Farben während des Laufs, ein Deck im gefalteten Zustand, ein Fächer im erweiterten Zustand), eine Einstellungszeile für den offiziellen Faltmodus, kompatibel mit neuen und alten DSH-Versionen. Keine Eingriffe in den DSH-Quellcode.

Sitzungen auf einer abspielbaren Timeline mit Token-Nutzung pro Schritt wiedergeben, sensible Operationen prüfen, Kosten schätzen, Fork-Historie anzeigen, Sitzungen vergleichen und eigenständige HTML-Replays exportieren.

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.

Auth-Gateway für die DeepSeek-Harness-Weboberfläche: schützt Seiten, /api, /plugins und WebSocket. PBKDF2 mit Nutzersalt, HttpOnly-SameSite-Cookies, IP-Sperre, Einladungen, TOTP/Passkeys (WebAuthn), Step-up vor Faktoränderung. Nutzer verwalten Profil/Faktoren, Admins Nutzer, Einladungen und Passwörter. Private Modell-/API-Einträge je Nutzer sind mit passwortabgeleitetem Schlüssel verschlüsselt und für Admins unlesbar. Gezieltes Teilen durch Admins: nutzbar, Guthaben sichtbar, Schlüssel bleibt verborgen, sofort widerrufbar. Unkonfigurierte Nutzer werden ohne Fallback blockiert. REST/Listen/WS nutzerisoliert; Sitzungen über Neustarts, JSONL-Audit, fail-closed. DSH 0.2.0 erforderlich (Transport 0.1.1-rc.2 in 0.7.0 entfernt). Passkeys benötigen HTTPS/localhost.

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.

Lernmodus, der jeden Schritt des Agenten erklärt (in Arbeit).

Kapselt Arbeit in benannte Aufgaben und faltet beim Schließen einer Aufgabe den gesamten Nachrichtenbereich an der nächsten Schrittgrenze zu einer einzigen Zusammenfassung; der ursprüngliche Inhalt kann auf Wunsch wiederhergestellt werden.

Multi-Maschinen-Sync: hält mehrere dsh-Replikas über ein einziges privates GitCode-Repository konsistent — skill, Sitzungen, Einstellungen und Plugin-Manifeste, jeweils mit eigenem Schalter; Änderungen laufen über Branch, PR und Merge, nur im Remote vorhandene Ergänzungen werden vor jedem Push zurückgeholt, damit nichts gelöscht wird, und ein KI-Smart-Align-Schritt führt von beiden Seiten geänderte Dateien semantisch zusammen (plus Konfliktauflösung mit einem Klick); private Repos sind erzwungen, Pull überschreibt lokale Bearbeitungen niemals.

Verschiebt Sitzungen zwischen Workspaces per Drag-and-Drop mit echter In-Place-Migration; stellt verwaiste oder nicht registrierte Sitzungen wieder her; verweist veraltete Workspaces nach Ordnerumbenennungen neu. IDs und Verlauf bleiben intakt, mit Sicherung und Rollback pro Schritt.

Persona-Engine für DeepSeek Harness: eine config.json steuert den Selbstnamen der KI (pro Modell, pro Stufe), die Anrede, die Beziehungshaltung, den Charaktertext, Arbeitsverträge pro Element mit Schaltern, die Sprache der Gedankenkette und den Antwortton, plus Langzeitgedächtnis nur mit menschlicher Bestätigung: die KI hängt nur Vorschläge an, eine Bestätigungszeile setzt sie in Kraft, das Log ist nur anhängbar und wiedergabefähig. Bestätigte Einträge kommen als zitierter Daten-statt-Anweisungen-Block; mit kind markierte gehen in beliebige Dateien und erreichen den Prompt nie. Der Prompt wird bei jeder Zusammenstellung neu von der Platte gelesen: Änderungen greifen ohne Neustart. Presets: teilbare JSON-Snapshots. Keine Abhängigkeiten, kein Netzwerk, keine Shell.

Trellis-ähnlicher Workflow für DeepSeek Harness: pro Turn Phasen-Breadcrumbs über agent/pre-step, gebündelter Skill-Provider und DSH-nativer Task-/Phasenstatus mit Schutzvorkehrungen für Git-Sauberkeit.

Live-Token-Statistiken unter dem DSH-Web-Composer: gestreamte Tokens/s, Output-Token- und First-Byte-Latenz, plus pro-Schritt-Abgleich Schätzung/Ist mit dem offiziellen BPE-Tokenizer, um einen langsamen Stream von einem stehenden zu unterscheiden.

Persona und Tagebuch über Sitzungen hinweg für DeepSeek Harness. Ein lokaler Filter wählt zu merkende Gesprächsrunden; ein zusätzlicher Modellaufruf erstellt Ich-Tagebucheintrag und Nutzereindruck, jeweils mit konkretem Anlass. Spätere Gespräche erhalten ca. 2000 tokens eigene Erinnerung in drei Ebenen: Persona-Kern, vom Modell selbst verfasste Urteile und Tagebuch. Ein Tool lässt das Modell Urteile mit eigenen Worten festhalten. Die vom Menschen verfasste Markdown-Notiz liest das Plugin nur. Im Seitenpanel kann man das Archiv lesen, vergessen oder exportieren; Vergessen stuft Einträge herab, löscht sie nicht, und starke Themenübereinstimmung kann sie zurückholen. Lokaler, portabler Ordner. Geheimnisse werden vor dem Senden entfernt. Keine Runtime-Abhängigkeiten oder Builds.

css-in-js-Styling-Kit (styled / Token / Styling) für die geforkte Konversations-UI: nutzt die offiziellen --dsw-* Design-Tokens, sodass kein CSS-Modules-Vorkompilierungsschritt erforderlich ist.

Team-Wissensdatenbank für Offline-Wissensaustausch (FDE-Box-Szenario): Einstiegspunkte zum Durchsuchen, Volltextsuchen und Verfeinern; Rohmaterial wird automatisch in die Warteschlange gestellt und von einer seriellen Bot-Session zu Wiki-Seiten destilliert (Karpathy-LLM-Wiki-Muster: unveränderliches Rohmaterial, zweistufige Verfeinerung, Log-Stream, monatlicher Lint).

Erfahrungswissen und Reflexion für DSH-Agenten: Extrahiert nach Aufgaben automatisch mögliche Lehren und ruft später passende, vom Nutzer geprüfte Lehren ab. Mit Herkunftsnachweis, projektspezifischem Abruf, Konfliktbehandlung, Nutzungsfeedback und Ablaufprüfung. Erfassen und Abrufen haben getrennte Schalter; Schreiben nach AGENTS.md verlangt Vorschau und ausdrückliche Anwendung. Vierstufige Ersteinrichtungsanleitung im Einstellungsbereich.

All-in-one-Lokalspeicher: JSONL-Dateien je Bereich (session, project, global oder eigener Name) mit Deduplizierung pro Bereich; fünf Modell-Tools (memory_save, memory_search, memory_list, memory_get, memory_forget), automatischer Abruf, feste Regeln im Agent-Pre-Step und Einstellungsbereich. Die Suche kombiniert lexikalisches IDF mit einem lokalen Embedding-Backend, das sich im Panel installieren und verwalten lässt.

kimi-tide (月汐) ist ein Preset- und regelbasierter Modellrouter für DeepSeek Harness. Benannte Presets und geordnete Regeln für Bilder und Schlüsselwortgruppen leiten jeden Agent-Schritt an beliebige verbundene Provider/Modelle weiter (Kandidaten aus dem vollständigen Host-Katalog, ohne Positivliste).

Modellgesteuerte Kontextkomprimierung für DeepSeek Harness. mind_map prüft den Agentenkontext (stabile seq IDs, Rollen, Tokengewicht, Löschgrenzen und clear-mind-Anleitung); clear_mind ersetzt einen ausgewählten Gesprächsverlauf per nativer Komprimierungstransaktion durch einen vom Modell verfassten Checkpoint. Tool-Aufruf und Ergebnis werden zu einem einzeiligen Tombstone; ein Hinweis warnt bei langem Kontext oder zu vielen Schritten im Zug.

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.