Plugins

Modellübergreifende Kontinuität für DeepSeek Harness: Gedächtnis, Skills und Regeln liegen in lokalen Dateien, damit Urteilsfähigkeit Sitzungs- und Modellwechsel übersteht. Ziel ist nicht mehr Speicher, sondern dessen sinnvolle Nutzung nach einem Modellwechsel.

StartLux Decision: kostengünstige Entscheidungsschicht für DeepSeek Harness. Implementiert alle neun Entscheidungspunkte: Tool-Berechtigung, Modell-Routing, Delegation, Kompaktierung, Turn-Fortsetzung, Retrieval, Skill-Auswahl, Sitzungstitel und COT-Übersetzung.

Sicherheitsprüfer für Code Defense in DeepSeek Harness: Erkennt Sessions beim Schreiben von Code, prüft sie nach den Code Security Defense Architecture Rules, empfiehlt eine oder mehrere nötige Sicherheitsarchitekturen, prüft Konflikte und trainiert die Session-KI nach wiederholten Fehlern. Erhält es im Panel Prüfberechtigung, blockiert es den Aufgabenabschluss bis zur bestandenen Prüfung; ohne diese Berechtigung beobachtet es nur.

Entscheidungshandbuch zur strukturellen Fahrbahndynamik: 59 Karten in 8 Kapiteln kennzeichnen übertriebene Kapiteltitel, beim Kopieren fehlerhafte Formeln und Zahlen, die nicht kontextübergreifend zitiert werden dürfen.

Entscheidungshandbuch zu Straßenbelags-Entwurfsmethoden: 76 Karten in 9 Kapiteln zu Methodenauswahl, Kennzahlenzuweisung, Parametergrundlagen, Achslastumrechnung und Klimazonierung. Das Flughafenkapitel wurde durch erneute OCR des intakten PDFs wiederhergestellt.

Schreibkonzil: parallele Entwürfe mit mehreren Modellen, Richterkonsens und Kritik-Synthese, KI-Promptverbesserung, visuelle Konzeptillustration und Markdown-Dateivorschau.

Bewertet in jedem Turn die eigene Emotion des aktiven Modells und speist sie vor dem nächsten Turn unauffällig erneut ein; so entsteht ein Kreislauf aus Selbstbeobachtung, Zustandsübernahme und Verhaltensänderung. Enthält Host-Plugin, angedocktes Composer-Panel, schreibgeschütztes emotion_status-Tool und optionale schreibgeschützte HTTP-Route.

Chinesischer Multi-Agent-Debattensimulator: acht Debattierende, Live-Diskussion in zwei Spalten mit Entwurfsnotizen, Jury/Scoreboard, Einzel-Seiten-Uhren und ZIP je Runde. Trainingsseite mit Endbedingung Siegesraten-Schwelle oder fester Rundenzahl. Word-Vorbereitungspaket.

Prüft vor Veröffentlichung Geometrie: Pixel, Verhältnis, dpi, Größe/Format, reale Druckbreite, Farbmodus. Keine Inhaltsprüfung (QR, Text/Bild-Anteil, Rechte, Verbote). Nur Python-Standardbibliothek, keine Drittpakete, Eingaben unverändert; Python 3.8+. 10 Plattformen/20 Slots mit Vertrauenslabel: WeChat MP, Xiaohongshu, Bilibili, Zhihu, Weibo, Douyin, WeChat Channels, Zeitschriften, Druck, Kundenauslieferung. Auflösung per ID/chinesischem Namen/Alias (Fuzzy). Manuell oder automatisch nach Datei-Ausgabe bei genanntem Veröffentlichungsziel; bei Erfolg eine Zeile, Details nur bei Fehlern. Zeitschrift/Druck: reale Breite per Pixel/dpi, erkennt zu kleine Drucke trotz gültigem dpi-Metadatum. Mehrfachbilder: Konsistenz prüfen, Ausreißer nennen.

Evidenzbasierte Wiederverwendungs-Skill für DeepSeek Harness: Sucht vor Implementierung, Portierung, Abhängigkeitswahl oder Tool-Fehlerbehebung schrittweise nach vorhandenen Lösungen im lokalen Projekt und auf dem Rechner. Bewertet Wiederverwendung anhand prüfbarer Belege, lehnt sie bei unerfüllten Kernanforderungen oder Risiken ab und meldet Ungeprüftes. DSH-Bundle registriert die Skill bei ctx.skills.

Social-Deduction-Spiel gegen die eigenen Modellkonfigurationen. Der Tisch hat N Plätze (standardmäßig sechs, einer davon gehört dir); einige weitere spielen Agenten mit unterschiedlichen Einstellungen für Anbieter, Modell, Temperatur, System-Prompt und Tarnung. Durch Befragen und Abgleichen der Antworten findest du heraus, welche Plätze nicht menschlich sind. Platzidentität und Agentenmodell bleiben bis zur Beurteilung im host state verborgen; danach werden die Tarnparameter aufgedeckt. Jede Runde exportiert ein sitzbezogenes Gesprächs-JSONL samt Urteil. Gleicher Seed und gleiches Zugskript ergeben eine byte-identische Wiedergabe, sodass Läufe mit anderen Modellen oder Tarnstärken verglichen werden können.

Prüft FMEA-Elemente und RPN-Berechnung aus severity, occurrence und detection nach veröffentlichten Methoden. Meldet Unstimmigkeiten, beurteilt aber nicht die Angemessenheit der Bewertungen.

Prüft Pflichtangaben der elektrischen Arbeitserlaubnis und die nach aktueller Sicherheitsregelung erforderliche Reihenfolge von Ausstellung und Genehmigung. Meldet Unterschiede, beurteilt weder Arbeitssicherheit noch gültige Autorisierung.

Prüft die Rechenkonsistenz von Höchstwerten, eingetragenen Punkten und Summe je Faktor einer Angebotsbewertungsmatrix. Meldet Abweichungen, beurteilt aber nicht Richtigkeit oder Fairness der Bewertung.

Macht aus Rohzahlen eines GitHub-Repositories eine belastbare Bewertung: Beitragskonzentration und Bus-Faktor einschließlich Dateien mit nur einem Autor; Merge-Zeit mit Median neben Mittelwert, damit Ausreißer sichtbar bleiben; Issue-Rückstand ohne Pull Requests und Entwürfe. Liest die öffentliche REST-API ohne SDK und gibt nie vor, eine abgeschnittene Seite sei vollständig.

Prüft Code mit Open Code Review: Scope und Regeln werden deterministisch aufgelöst, bewertet vom eigenen DSH-Modell, ohne API-Schlüssel.

Berechtigungsschutz für DeepSeek Harness: Arbeit im Workspace wird nie unterbrochen; geprüft wird nur die zusätzliche Berechtigung, die ein Aufruf anfordert. Maschinensichere Aktionen sind zulässig, Systemänderungen verlangen eine Bestätigung samt Folgenanalyse, destruktive Aktionen werden abgelehnt.

Rückblickende Bewertung von Agent-Sitzungen: Erstellt deterministische Bewertungsblätter und sitzungsübergreifende Regressionsvergleiche aus gespeicherten Protokollen. Keine Benchmark-Läufe oder LLM-Juroren.

Plugin-Bundle für DeepSeek Harness: grill_tree, ein Designraum-Suchtool mit fester Richtlinie. Erweitert eine Entscheidung pro Knoten, startet unabhängige Vorschlagende, lässt einen separaten Judge Zweige beschneiden und begrenzt die Beam-Breite je Tiefe. Kann vollständige Entwürfe ausgeben.

CVE-Auswirkungs-Retest-Plugin für DeepSeek Harness: Fingerprint eines Ziels erstellen, mit dem betroffenen CVE-Bereich abgleichen, passive Belege sammeln und ein Urteil mit Konfidenz und Einschränkungen melden.

Lebenslaufprüfung für HR in DeepSeek Harness: Importiert bis zu 100.000 Word-/PDF-/Excel-Lebensläufe in eine nach Fähigkeiten, groben Kategorien und Eingangszeit durchsuchbare Bibliothek; neue Dateien werden automatisch importiert und dedupliziert. Natürlichsprachliche Kriterien filtern zuerst Datenbankregeln, ein LLM prüft danach wenige Kandidaten genauer. CSV-Export. Kompatibel mit 0.1.7 bis 0.2.x, getestet mit 0.2.0-rc.1.

Parallele Diskussion mit mehreren Rollen für DeepSeek Harness: Führt echte Codex- und Claude-CLIs parallel aus; das DSH-Modell (Judge) schreibt ein Dritturteil in den Chat. Zusätzlich Obsidian-artiger Direktchat mit Einzelagent und Modellkonfiguration je Rolle.

DeepSeek-Harness-Plugin: Fügt vor der Generierung Stilvorgaben für menschlichere Texte ein und erstellt einen KI-Stil-Erkennungsbericht, per Code ausgewertet, ohne Tokenverbrauch und mit reproduzierbaren Ergebnissen.

Isolierte Multi-Agent-Debatte für DeepSeek Harness: Debattierende mit unterschiedlichen Temperamenten recherchieren unabhängig, befragen sich gegenseitig und führen die Richter zu einem Ergebnis. Läuft als Hintergrundjob mit Fortschritt und Token-Zählung je Agent, paralleler Ausführung in Wellen und sitzungsreferenziertem Fortsetzen.