Plugins

One-Shot mcp-unity-Integration für DeepSeek Harness: gebündelter MCP-Server ohne manuelle Konfiguration ermöglicht dem Agent, den Unity-Editor über 34 Tools zu steuern - Szenen, Game Objects, Transforms, Materialien, Prefabs, Menüpunkte, Play-Modus, Tests und Konsolenlogs - mit automatischer Wiederverbindung.

Fügt kostenlose OpenCode-Zen-Modelle als einen Provider zu DeepSeek Harness hinzu, gestützt auf eine verwaltete, isolierte OpenCode-Laufzeit. Eine Einstellungsseite listet und testet jedes Modell.

Ersetzt die Modelltaste im DSH-Composer durch ein zweistufiges Panel (Anbieterliste, dann durchsuchbare Modellliste) mit stufenlosem, verschiebbarem Schieberegler für den Reasoning-Aufwand: blau-violette Füllung, Nebel und Sterne auf hohen Stufen, eigene Farbe je Stufe. Bei Modellwahl bleibt das Panel offen und der Regler springt auf die mittlere Stufe des Modells. Ausgangspunkt war Microqian2th/dsh-codex-effort-slider 1.0.0 (im README genannt); Panel, Übernahme des Slots, Offline-Testsuite und Doku sind neu.

Evaluierungs-Harness für DSH-Plugins: YAML-Fälle steuern echte Headless-Agent-Läufe, prüfen Tool-Aufrufe, Argumente, Ergebnisse und Token-Nutzung, mit einem Baseline-Gate gegen CI-Regressionen.

Führt isolierte Installations- und Smoke-Testläufe für DSH-Plugins in Wegwerfprofilen aus und liefert strukturierte Bestanden/Nicht-bestanden-Datensätze sowie Batch-Matrizen, ohne dein echtes Profil anzutasten.

DeepSeek-Harness-(dsh)-Plugin für Aktienanalyse, Screening und Strategie-Backtesting an den Märkten A/HK/US/JP/KR/TW

Macht jedes Projekt mit einem Befehl KI-Agent-fähig. Adaptive Tech-Stack-Erkennung (7 Sprachen × 14 Frameworks × 61 Komponenten), generiert automatisch AGENTS.md, ein Doku-Grundgerüst, CI/CD und Test-Infrastruktur.

Inhaltsbewusster Tool-Ergebnis-Reducer: 13 Reducer kürzen übermäßige Ausgaben nach Bedeutung in tools/post-execute (fehlgeschlagene Tests bleiben erhalten, Diff-Kontext wird entfernt, JSON und CSV werden gesampelt, Lint-Probleme werden nach Regel gruppiert, Dependency-Stack-Frames werden eingeklappt und überfüllte Verzeichnisse werden gezählt), wobei vollständige Originale über einen Lokator auf die Festplatte ausgelagert werden.

Überwacht DSH- und Plugin-Veröffentlichungen, testet exakt veröffentlichte Artefakte in Einweg-Runnern erneut, veröffentlicht maschinenlesbare Kompatibilitätsnachweise und gleicht verwaltete Probleme nach Korrekturen ab.

Generiert Functions, MCP-Tools, Workflow-Skills und Offline-Testpakete aus vom Nutzer autorisiertem Quellcode.

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.

Lifecycle-Verwaltungs-UI für den Modellanbieter llm-pi-ai: Anbieter mit benutzerdefinierten Headern und AES-GCM-verschlüsselten API-Schlüsseln erstellen, bearbeiten, löschen, aktivieren und deaktivieren; deinstallationssichere Wiederherstellung geparkter Anbieter, Remote-Modellerkennung mit Stapelschreiben, intelligentes Routing mit fünf Strategien, Union-/Schnitt-Komposite, Konnektivitätstests pro Modell und Anforderungsobservabilität.

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.

About-Bereich für die DeepSeek Harness-Einstellungen: Versionsinformationen, npm latest/next Update-Prüfung mit Ein-Klick-Installation und automatischem Neustart sowie GitHub-Release-Verlauf.

Koordiniert Codex-Planung und unabhängiges Review, während die ursprüngliche DSH-Sitzung Änderungen implementiert und testet.

DeepTutor-Tutoring-Bridge: tiefgehende Erklärungen, Selbsttest-Fragen, Lernpfadplanung, persönliche Wissensdatenbank-Suche (RAG) und Notiz-Archivierung über die Tools deeptutor_run / deeptutor_kb / deeptutor_note.

Drag a session out of the DSH sidebar and it opens in its own native OS window, showing the full standard conversation UI (Markdown, toolbar, settings) with only the sidebar trimmed away, so several sessions can be watched side by side instead of switching back and forth. Windows verified; macOS and Linux untested. Runs in the DSH desktop app (Electron).

HarmonyOS-Entwicklungssuite für DSH: HiLog-Inspector in der rechten Seitenleiste (Live-Stream mit Filtern für Level, Logger und Text) sowie ArkUI-Inspector (Screenshot-Auswahl, einklappbarer Komponentenbaum, durchsuchbare Knoteneigenschaften und Boxmodell); zwei Baumquellen — DevEco-Debugkanal und uitest-Barrierefreiheitsbaum —, .ets-Viewer mit ArkTS-Syntaxhervorhebung, DevEco-Studio/CLT-Toolchain- und Geräteverwaltung sowie Agent-Tool harmony_ui_tree. 21 Remote-Methoden, 82 Unit-Tests.

Dispatcher des Hauptmodells: sechs Pools (economy/mechanical/main/hard/vision/review), Ranking und reasoning-effort-Pins je Route. Kontext-Watermarks 50k/90k/130k: frühe Delegation; Zwang: Backup-Session forken → Handover → kompaktieren → ohne Verlust laufender Subagent-Arbeit fortfahren. /ctx-pause, /ctx-resume, /ctx-handover steuern den Ablauf. Agent Teams (opt.): persistente Teammates, gemeinsames Board. /vision: Bilder für Textmodelle via vision-Pool. Große Diffs: Tester + unabhängiger Reviewer (gestufte Prüfung). Settings UI/READMEs/Sprachpräferenzen (Gespräch/code-comment/Dokument): 11 Codes (en,zh,zh-TW,ja,ko,de,es,fr,it,pt,ru); Plugin-UI folgt DSH-App-Locale außer Override. 3 Skills: MySQL/Redis read-only, Commit-Messages, Anforderungs-/Designdokumente.

Registriert den MathWorks MATLAB/Simulink MCP-Server in einem dsh-Profil, sodass Agent-Sitzungen mcp__matlab__*-Tools zum Ausführen von MATLAB-Code sowie zum Lesen, Bearbeiten und Testen von Simulink-Modellen erhalten.

Erkennt, welches Konversationsmodell einem Konto aktuell zugewiesen wird: startet parallele Wegwerf-Probe-Konversationen, bewertet jede streaming Chain-of-Thought danach, wie ihre Absätze beginnen, und bricht Probes, die wie das ältere Modell klingen, innerhalb von Sekunden ab. Inklusive Offline-Self-Check, der 13 handgelabelte Chains-of-Thought durch denselben Klassifizierer repliziert.

12 getestete Engineering-Skills (git commit, code review, test-first, plugin dev, debugging, changelog, PR review, task breakdown und mehr): jede SKILL.md besteht einen Format-Validator gemäß den offiziellen Skill-Regeln sowie einen isolierten Lade-Smoketest.

Sechs Engineering-Skills für Claude Code und DSH: Recherche, Architektursondierung, Implementierungsorchestrierung, dreiachsige Diff-Prüfung, Komplexitätsaudit und Mutationstests. Bei Verfügbarkeit delegieren sie über die generischen Subagent-Tools des Hosts.