Plugins

Technische Vorschau des lokalen Graph-Speichers für DSH und Codex: ruft vor jedem Zug globale und aktuelle Projektevidenz des Eigentümers ab, schreibt USER- und ASSISTANT-Datensätze getrennt und bewahrt die Provenienz von Projekt, Sitzung, Akteur und Quelle für einen visuellen Atlas und zitierte Wissensseiten.

Exportiert reine Metadaten-Events zu DSH-Zügen, Modellen, Tools, Genehmigungen, Wiederholungen und Fehlern an Tuning Engines für kontrollierte Traces, Richtlinienbewertung, Kostenanalyse und Work-Session-Review, mit einer festplattengestützten Wiederholungswarteschlange.

Lokaler Graph-Speicher in technischer Vorschau für DSH und Codex: ruft vor jedem Zug besitzerweite und projektbezogene Belege ab, schreibt USER- und ASSISTANT-Datensätze getrennt und bewahrt Projekt-, Sitzungs-, Akteurs- und Quellenherkunft für einen visuellen Atlas und zitierte Wissensseiten.

Honcho-Memory-Plugin von Plastic Labs: Injiziert zu Sessionbeginn das Benutzerprofil, die Session-Zusammenfassung und relevante Schlussfolgerungen, lädt jeden Turn mit geschwärzten Geheimnissen im Hintergrund zu Honcho hoch und fügt die Tools honcho_search / honcho_chat / honcho_remember sowie den Statusbefehl /honcho hinzu; konfiguriert über die mit den anderen Honcho-Integrationen geteilte ~/.honcho/config.json, gegen gehostetes honcho.dev oder eine selbstgehostete Instanz.

Proaktives Multi-Modell-Scheduling-Plugin: Multi-Source-Signalaufnahme mit Dedup und Dringlichkeits-Ranking, eine Vier-Wege-Execute/Defer/Dismiss/Ask-User-Entscheidungsmaschine, DAG-Plan-Generierung mit paralleler Modell-Ausführung, Qualitäts-Reflexion mit automatischem Retry und Modell-Switch, Langzeit-Gedächtnis für Task-Muster und Lektionen und Strategie-Evolution über genetische Algorithmen mit sandboxed Evaluation und Canary-Rollout.

Erledigt 头歌-(EduCoder-)Aufgaben über die Plattform-JSON-API ohne Browserautomation. `educoder_sweep` durchsucht alle Kurse, überspringt aber fertige Aufgaben ohne deren Challenges zu lesen; ein vollständiger Kontoscan kostet daher keine Modell-Tokens. Multiple-Choice-Aufgaben kosten ebenfalls keine Tokens, da die Plattform den Antwortschlüssel bei jeder Einreichung zurückgibt. Code-Challenges erzeugt das Modell, lädt sie mit `evaluate:0` hoch und lässt sie einmal pro Challenge bewerten; Wiederholungen nutzen den zurückgegebenen Fehlerbericht. Tools: `educoder_sweep`, `educoder_homework`, `educoder_account`.

Nativer Side-by-Side-Chat neben dem Hauptgespräch: eine unabhängige archivierte DSH-Session mit vollständiger nativer UI, Abruf des Elternkontexts bei Bedarf, Zitieren von Auswahlen und einem Lebenszyklus zum Behalten oder Löschen.

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.

Gedächtnis und Reflexion für DSH-Agenten: extrahiert nach Aufgaben automatisch mögliche Erkenntnisse und ruft vom Nutzer geprüfte Erkenntnisse bei späteren passenden Aufgaben ab. Mit Quellenherkunft, projektspezifischem Abruf, Konfliktbehandlung, Nutzungsfeedback und Ablaufprüfung. Erfassen und Abrufen sind getrennt steuerbar; Schreiben nach AGENTS.md erfordert Vorschau und ausdrückliche Anwendung.

Persistentes Fünf-Ebenen-Speichersystem mit Relevanzinjektion, automatischer LLM-Extraktion, Profilrotation und sechs Agenten-Tools.

Drives a locally installed Moli headless browser from DeepSeek Harness with two tools: rendered fetch, JavaScript evaluation, Markdown, semantic trees, screenshots and PDFs. Installs Moli when it is missing; verified on Windows and Linux.

Kombiniert Headrooms Code-Skeleton-Verfahren (Apache-2.0) mit dem Estimator von TokenPilot (arXiv:2606.17016). Veröffentlichte Werte: Headroom meldet 20 % weniger Tokens für Coding-Agenten und 60–95 % für JSON bei gleichen Antworten; TokenPilot bis zu 60 % geringere Kosten bei langen Sitzungen. Das sind Angaben der Projekte, keine Messungen oder Benchmarks dieses Plugins. In DSH lassen sich Profil, Auto-Compact-Schwelle und Skeleton-Komprimierung einstellen. Exakte Messung mit DeepSeek-V4-Tokenizer und Abgleich derselben Revision; bei nicht unterstützten Modellen bewahrt fail-open die ursprünglichen Tool-Ergebnisse. Skeleton-Komprimierung im Turn und abschließende Intent-Zusammenfassung innerhalb der offiziellen JSONL-Komprimierung.

Bindet einen lokalen MATLAB-MCP-Server in DSH ein: MATLAB-Code auswerten, .m-Skripte und Tests ausführen sowie installierte Toolboxes über mcp__matlab__* prüfen. Benötigt MATLAB, die MathWorks-MATLAB-MCP-Server-Binärdatei und eine Pfadanpassung nach der Installation. Das Plugin registriert allein keine Tools.

Lese-Archiv für dsh: nach dem Lesen von Open-Source-Code schnelle Notizen erfassen oder ausführliche Tiefennotizen schreiben, die sich zu einer Karte pro Repo / Datei / Symbol gruppieren und als nur anhängbares Log von Markdown-Notizen gespeichert werden, die du in Obsidian öffnen kannst; Verlauf abfragen, letzte Lektüren durchsuchen oder im eigenen Obsidian-Vault suchen und verwandte Notizen mit einem Lese-Eintrag verknüpfen. Neun Tools, ein /codevault-Befehl und ein Code-Lese-Skill.

Startet 3 oder 5 Coding-Agent-Kandidaten in entkoppelten Git-Worktrees, validiert deren Patches mit Projektkommandos, rankt nur passende Kandidaten und verlangt eine separate Freigabe, bevor der Gewinner angewendet wird.

Aufgabenbasierte Plugin-Ausrüstungs-Engine: duale Abfrage (kuratierte Regeln + LLM-semantisch), Combo-Bewertung (Synergie/Konflikt/Kosten/Vertrauen), Konflikterkennung und Installationsbefehl-Export.

Wissensdatenbanksystem im Cherry-Studio-Stil für DeepSeek Harness (DSH): Datenbanken, Dokumente, Chunking, Embeddings (OpenAI-kompatibel / Ollama / lokal / lexikalischer Fallback), Abruf, modellorientierte Tools und ein Browser-Verwaltungsbereich.

Auditierbare Vision- und plattformübergreifende Computer-Use-Laufzeit für DeepSeek Harness mit quellenerhaltenden Beweisen.

Berater zur PR-Bewertung und -Verbesserung: bewertet die Erfolgswahrscheinlichkeit von PRs anhand historischer Anti-Patterns und Erfolgsmuster, mit Ein-Klick-Bewertung und umsetzbaren Vorschlägen.

Proaktive Planung: Ein adaptiver Heartbeat und ein Value Network (Dringlichkeit, Relevanz, Unterbrechungskosten) entscheiden, wann der Agent ungefragt sprechen sollte.

Steuert den echten Browser des Benutzers über den lokalen Kimi WebBridge-Daemon: Tools für Navigation, Tab-Suche, Snapshot, Klick, Ausfüllen, Auswerten, CDP, Screenshot, Netzwerk, Upload, PDF-Export und Tab-Verwaltung, die bestehende Anmeldesitzungen wiederverwenden.

Konversationsverlaufs-Recall für DSH: dreischichtige (wörtlich/Fuzzy/semantisch) Suche über den Originaltext jeder vergangenen Sitzung, vollständig lokal und offline – die KI vergisst nie, was Sie ihr gesagt haben. Installation per Ein-Befehl über `dsh.bundle.patch`, semantische Schicht läuft in einem Worker-Thread.

Doppel-Wissensgraph-RAG für Markdown-Notizen mit half-life-Speicherverfall: Voraussetzungs- + Ähnlichkeitsgraphen (P/S-Agent-Traversierung), Absatz-Chunking, n-gram/Embedding-Hybridsuche und explizite Gewichtungs-Feedback-Schleife — natives Cordis-Plugin, installierbar via npm als @eqman00003/knowlp-rag.

Ein Tab für dsh-better-sidebar, der Qoder-Canvas-Dateien *.canvas.tsx statisch analysiert und als strukturierte Seiten in der rechten DSH-Seitenleiste anzeigt. Der Quelltext wird nie ausgeführt: kein eval, Bundler oder Sandbox-iframe. Übernimmt auch den .tsx-Dateibetrachter und enthält ein Skill zur Formaterstellung.