Plugins

Kontinuierlicher Wasserfluss für den Turn-Status „Deep diving...“ von dsh web: drei parallaxartige Farbverlaufsströme durchziehen den Text wie fließendes Wasser und ersetzen das ursprüngliche Schimmern mit einem einzelnen Band. Helles/dunkles Theme und reduced-motion werden respektiert.

Veröffentliche TXT-, Markdown-, HTML-, PDF-, Word- und PowerPoint-Dateien als ShareOne-Links mit Passwörtern, Wasserzeichen, Textseiten-Aktualisierungen und TXT/Markdown/HTML-Kommentaren.

Ein DeepSeek Harness Web-GUI-Appearance-Kit: 32 Preset-Themes, benutzerdefinierte Hintergründe (Wallpaper / Glas / Textur), pro-Zone-Texttiefe und ein Tastatur-Desktop-Pet.

Codex-artige Kontext-Sichtbarkeit für DeepSeek Harness: Live-Belegung des Kontext-Fensters, Kompositions-Aufschlüsselung, KV-Cache-Hit-Rate und eine GitHub-artige 53-Wochen-Nutzungs-Heatmap

DeepSeek Harness Out-of-Tree-Plugin: gibt einem Text-only-Coding-Modell Augen, indem es Bilder über ctx.llm an eine Qwen-VL-(DashScope-)Route leitet und Text zurückgibt.

DSH-Plugin: automatisches Dual-Peer-Honcho-v3-Memory, kontextueller Recall, Suche, Reasoning, Schlussfolgerungen und Health-Diagnostik

Registriert die Skill remove-pdf-background-gray für DSH: bleicht graue oder cremefarbene Scan-Hintergründe bildbasierter PDFs weiß, während Auflösung, Seitengeometrie und kantengeglättete Textkanten erhalten bleiben (verlustfreies Flate-Zurückschreiben), über ein einziges Python-Skript (pypdf + Pillow + numpy).

Chat-Bildanhang-Brücke mit einem view_image-Werkzeug für jedes OpenAI-kompatible VLM (lokales Ollama oder Cloud): eingefügte/abgelegte Bilder werden zu view_image-Pfadmarkern, bevor sie Text-only-DeepSeek-Modelle erreichen.

Tool `describe_image`: eine Vision-Brücke, die Bilder über die opencode Zen API (Credential `OPENCODE_GO_API_KEY`, zuerst kostenlose Route mit kostenpflichtigem Fallback) an mimo-v2.5 sendet und reinen Textmodellen Textbeschreibungen zurückgibt, mit nativem Passthrough und ImageMagick-Transkodierung von SVG/TIFF/HEIC.

Modellseitiges image_describe-Werkzeug (识图) über die OpenAI-kompatible DashScope-API (qwen3.7-flash), plus eine Einfüge-Brücke: In Text-only-Sitzungen werden eingefügte Bilder beim Senden automatisch in Dateipfade umgewandelt und im Transkript zurückgerendert, sodass sie nie an der Bildannahme scheitern. Eigenen DASHSCOPE_API_KEY mitbringen; Endpunkt/Modell/Budgets konfigurierbar, redirect-fester HTTP-Client, funktioniert in jedem agent preset.

Vision-Brücke mit automatischer Erkennung für reine Textagenten von DeepSeek Harness: findet automatisch ein bildfähiges Modell unter Ihren konfigurierten Anbietern und gibt Bildbeschreibungen als Klartext über ein Vision-Tool zurück.

Vision-erweiterter DeepSeek-Adapter: Ein bildfähiges Modell beschreibt die Bildeingabe, dann schlussfolgert ein reines Textmodell von DeepSeek über diese Beschreibung.

Bedarfsgesteuertes Sehen für reine Textmodelle von DeepSeek: Bilder hochladen, und das Modell ruft ein view_image-Tool auf, das auf jedem OpenAI-kompatiblen Vision-Endpunkt basiert (standardmäßig Qwen/DashScope).

Plugin-Vision für reine Textmodelle auf DSH, mit nativer Interaktion für Bildverständnis und -generierung, GUI-Automatisierung, geschichteter Beleg-Erinnerung und Cache.

Lokales, strukturiertes Sehen für reine Textagenten: Bilder gehen an ein lokales OpenAI-kompatibles VLM und kommen als JSON-Belege zurück (Zusammenfassung, wörtliche OCR, Layoutregionen, Entitäten/Relationen, Farben, ausdrückliche Unsicherheit), mit Anti-Halluzinations-Fallback und optionaler Einfüge-/Upload-Brücke; keine Cloud-Kosten, Bilder verlassen nie den Rechner.

Synästhesie-Encoder für DSH: Ein Vision-Modell übersetzt Bilder in kompakten, strukturierten räumlichen Text (Canvas/Elemente/Prozentkoordinaten) und verleiht reinen Text-LLMs über das Tool `mm_vision` Bildverständnis auf Pixelebene.

Nutzt den eingebauten Vision-Modus von DeepSeek web für reine Textmodelle: Das Tool deepseek_vision steuert die lokale Browser-Automatisierung deepseek-vision-cli (Helfer für manuelle Anmeldung, deep-think aktiviert, automatisches Schließen des Browsers) und liefert Bildbeschreibungen als Text.

Aufbereitung der Tool-Ausgabe beim Einlesen: behält Fehler- und Warnzeilen sowie Kopf und Ende, schreibt den Volltext mit einem für das Modell lesbaren Zeiger auf die Platte; deckt jedes Text-Tool ab, kleine Ergebnisse laufen unverändert durch.

Ein `search`-Tool, das lernt, zwischen schneller und gründlicher Suchstrategie zu wählen — mit einem kontextuellen Banditen (Thompson-Sampling) und Verbesserung aus echter Nutzung statt fester Heuristik.

Eine schlanke Portierung von Headroom: komprimiert Tool-Ausgaben, spart bis zu 20 % Kontext, ohne den Kontext-Cache des Modells oder die Agent-Leistung zu beeinflussen.

Mojibake-Schutz-Bundle für DSH: merkmalsbasierte Erkennung von verstümmeltem Text vor dem Schreiben mit Prüfung-dann-Freigabe (ein identischer Wiederholungsversuch passiert), plus pwsh-Kodierungsaudit vor der Ausführung (ANSI/GBK/UTF-16/Default). Windows und Chinesisch zuerst.

Sitzungsübergreifendes Event-Cue-Gedächtnis für DeepSeek Harness: extrahiert automatisch Task-/Konversations-Cues und Sprachgewohnheiten des Nutzers aus jedem Turn in eine persistente globale Cue-Bank und injiziert gemerkten Kontext bei erkennbarem Themenwechsel neu (Keyword- oder Vektor-Matching).

Vom Modell verfasste Kontextbereinigung für DeepSeek Harness über die offizielle Compaction-API.

Focus-Board für DeepSeek-Harness-Agents: dauerhafte, vom Modell gepflegte Notizen im Session-Workspace, die Ziel, Constraints und Entscheidungen über Kompaktierung und Sessions hinweg festhalten, mit automatischer Kontextinjektion, Archivierung beim Leeren und einem optionalen Web-Panel.