Plugins

Mebular: gemeinsames Gedächtnis und Aufgabenkoordination für Agenten über Geräte und Agenten hinweg, angeboten als natives DSH-Plugin. Es verbindet sich mit einer vorhandenen Mebular-App oder CLI-Laufzeit; falls diese fehlt, kann das Panel die gemeinsame Laufzeit auf Abruf installieren. Mebular wird nie still im Hintergrund gestartet oder heruntergeladen.

Kausaler Speicher für dsh: eine abhängigkeitfreie MCP-stdio-Brücke, die die 17 Tools des causal-memory-Servers unter klaren Namen (ohne Präfix mcp__) einbindet — Entscheidung-→-Ergebnis-Kanten mit typisierten Beziehungen (caused / enabled / prevented) in einem lokalen SQLite-Speicher, der Kompaktierungen übersteht — plus ein angehefteter System-Prompt-Abschnitt. Erfordert die Binärdatei des causal-memory-Servers im PATH (pip install causal-memory oder ein vorkompiliertes Release).

Geplante Coding-Läufe in frischen Agent-Sitzungen mit auditierbarer Historie.

Link einfügen, Agent liest. Xiaohongshu, Douyin, Bilibili, WeChat, Artikel, PDFs und Audio werden zu zitierbarem Markdown für Wiki/Wissensdatenbank. Exploratives A/B mit 60 Turns (unterschiedliche Zeitlimits, Korrektheit nicht menschlich geprüft): Lesen abgeschlossen 22%→92% (+70 Prozentpunkte), Zeitüberschreitungen 68%→0%, Antworten mit echtem Quellenfakt 23%→82%. Von 123 Live-Links waren 80% nutzbar (93% der antwortenden Seiten); unerreichbare Links werden nach 26 s gemeldet. Unterstützt Codex, Claude Code, DSH.

Zeigt und verwaltet Tools und Skills eines Agenten in einem visuellen Menü. Jede Fähigkeit kann Resident, On-demand oder Disabled sein; Agenten finden und verwenden Fähigkeiten bei Bedarf und reduzieren dabei den Kontextverbrauch.

Verbindet beliebige ACP-fähige Agenten mit DSH und nutzt DSH als zentralen Einstieg für Gespräche und Aufgaben. Modelle, Denkstufen und Berechtigungsmodi stammen vom Agenten. Tool-Aufrufe erscheinen im Hauptchat, Diffs auf einer eigenen NTR-Seite und Freigabeanfragen im Composer. Ein lokal installiertes ACP-fähiges Agent-CLI ist erforderlich.

Wissensbasis für DeepSeek Harness: Sammelt ContextWindow-Belege zur Abfrage innerhalb von Überschriften- und Tokenlimits und liest um jeden Suchanker herum weiter. Kombiniert BM25-/Vektorsuche per gewichtetem RRF, MMR und optionalem lokalem/entferntem Re-Ranking. Mit automatischer Beleginjektion, Browserpanel zum Laden und Prüfen lokaler Embedding-/Re-Ranking-/OCR-Modelle, Stichwortsuche ohne Modelldownload und erneutem Scannen importierter Verzeichnisse.

Ein Panel zur Plugin-Verwaltung: Ein-Klick-Aktivieren/Deaktivieren installierter Plugins sowie ein GitHub-dsh-plugin-Marktplatz mit Details und Ein-Klick-Installation.

Ausführungs-Labyrinth für DSH-Sitzungen: der reale Weg des Agenten — Hauptfortschritt, gescheiterte oder Sackgassen-Umwege, Rückschritte, erneute Anfragen und Subagenten-Zweige — auf einer gemeinsamen Wall-Clock-Zeitlinie dargestellt, mit drei Tracks unter jedem Lane, die diese Achse teilen (Tool-Call-Dichte, Token-Puls, Kontextdruck) und einem deterministischen Analysepanel darunter (Tool-Result-Matrix, Fehler-Wiederherstellungs-Ketten, Dauerverteilung); beobachte, wie es live in einem Sitzungstab wächst, oder lade bis zu 5 Sitzungsprotokolle für einen Vergleich auf derselben Achse hoch.

OpenAI-kompatible Bridge für Midscene mit den in DeepSeek Harness konfigurierten Modellen. Lauscht auf 127.0.0.1 (Standard 8787, weicht bei Belegung auf freien Port aus) und leitet Streaming-/normale chat completions an die Host-Modellschicht. Unterstützt offizielles DeepSeek-Routing, CodeBuddy, Codex und eigene OpenAI-/Anthropic-Endpunkte. Zugangsdaten bleiben in provider-Plugins; die Bridge berührt sie nicht. /v1/midscene-env erzeugt vier MIDSCENE_MODEL_*-Zeilen und erkennt die Modellfamilie. Sieben Skills für Browser, Desktop, Android, iOS, HarmonyOS, Vitest E2E und Midscene-Referenz; kein npx skills add. npm: dsh plugin --profile web add @tnnevol/dsh-midscene

Asset-Governance-Konsole für selbst gehostete KI-Infrastruktur. Erfasst MCP-Server, Skills, Agents, KI-Apps, Modellkanäle, SaaS-Connectoren und NAS-Speicher in einem Ledger mit Lebenszyklus-Zustandsmaschine, RBAC-Berechtigungspunkten je Tool, Kostenverteilung Abteilung × Agent × Skill, Abhängigkeitstopologie und append-only Audit-Trail. Selbst gehostet, MIT, ohne Hosted-Tarif oder Cloud-Vertrag.

Wortalternativen und durch Unterstrich ausgelöste Lückenfüller im Composer. Beende eine Zeile mit _ und sie wird ausgefüllt; Rechtschreibfehler werden während der Eingabe markiert. Läuft über das bereits in dsh konfigurierte Modell, daher wird kein API-Schlüssel benötigt.

Umkehrbare Kontextverschlankung für DeepSeek Harness: TOON-artige verlustfreie tabellarische Neukodierung gleichförmiger JSON-Arrays, per Stride abgetastete Tabellenfenster mit Zeilennummern und Cross-Turn-Deduplizierung für wiederholte Tool-Ausgaben; jeder Ersatz passiert ein Byte-plus-Token-Gate (≤72 % Bytes, strikt weniger geschätzte Tokens), und das Original wird hinter einem `[save-token #id]`-Hinweis auf die Festplatte ausgelagert und ist in einem Aufruf über das `save_token_expand`-Tool abrufbar, mit Abrechnung und vermiedener Token-Messung auf einem Einstellungs-Dashboard.

Skill-gesteuertes Harness/Loop-Engineering-Workflow-Agent-Plugin.

Tiefgehendes Lesen von Büchern und Artikeln in fünf Modi (Schnell, Tief, Wissenskarte, Feynman, Vollständiges Buch) mit Aussage-Beleg-Daten-Berichten, Mermaid/XMind-Mindmaps, Stapelvergleich, Budget-Vorabprüfung, transparentem Fortschritt von Hintergrundaufgaben sowie MD/HTML-Exporten aus URLs, Dateien oder eingefügtem Text.

Drittanbieter-Adapter, der den upstream REA-MCP-Server (Reverse Engineer Anything) als mcp__rea__*-Tools in DeepSeek Harness registriert. 2.x bringt Node, REA CLI, JDK und Ghidra unter <DSH_HOME>/plugins/rea-bundle mit und startet REA per Shim; nach einmaliger Einrichtung läuft es auch ohne vorher installierte Komponenten. 1.x (branch v1, npm 1.0.6) ist reine Konfiguration und setzt installierte REA/Ghidra voraus. Die Analyse stammt vom upstream: native Binärdateien (Hopper/Ghidra/IDA), JavaScript/Electron, .NET-Assemblies, Websites, Android-APKs und adb-Geräte, Firmware und Prozessmitschnitte.

Per-Modell-Konfiguration für Reasoning-Aufwand und Eingabemodalität für Drittanbieter-Provider: Vorschläge, fusioniert aus einer Modell-Wissensbasis und Roh-/models-Endpoint-Evidenz mit Konfidenz-Labels, bearbeitbar innerhalb der offiziellen Models-Seitenkarte.

Hält einen lokal laufenden TinyTitan-Modellserver aus dem Harness erreichbar: aktualisiert die Route llm-pi-ai aus den installierten Modellen und bindet ein Kompaktierungs-Backend ein, das nicht denkt.

Die DSH-Plugin-Entwicklungs-Wissensdatenbank als On-Demand-Agenten-Skill: offizielle Einschränkungen, Aufgaben-Workflows, API-Referenz und Community-Fallstricke, mit dem Bundle installiert, damit der Agent beim Plugin-Erstellen nachschlagen kann.

Sitzungsübergreifendes Langzeitgedächtnis als lokale SQLite-Datenbank: zwei Bereiche (Nutzer und Projekt je Git-Origin), hybride Suche mit FTS5 und lokalen Vektoren, per RRF zusammengeführt, eine Evidenzprüfung mit explizitem Urteil zur ausreichenden Beleglage, Herkunfts-Prüfketten, SM-2-Wiederholungslernen, Verdichtungs-Destillation und Vergessen durch Abbau sowie Memory-Palace-Seitenleiste mit neun Ansichten. 22 Tools mit eng begrenzten Parametern, kein externer Dienst, kein API key, kein Docker.

WSL-Workspace-Unterstützung für DeepSeek Harness – ein nahtloses WSL-Workspace-Erlebnis, ohne dsh innerhalb von WSL installieren zu müssen. Nach der Installation dieses Plugins kannst du direkt in der GUI einen WSL-Workspace hinzufügen.

Host-Seite für die Konfiguration von Kit-Plugins in der DSH Web GUI: registriert einen Abschnitt „Plugin-Konfiguration“ in den Einstellungen — gleichrangig neben dem eingebauten Abschnitt Allgemein — über den offiziellen Slot settings.section und deklariert einen Kind-Slot settings.kit.item, in den dsh-plugin-kit-Plugins ihre eigenen Konfigurationskarten rendern. Allein installiert zeigt sie eine leere Seite; Karten erscheinen, sobald Slot-registrierende Kit-Plugins installiert werden.

QA-Pipeline als 10 Agent-Skills: Anforderungsanalyse, Teststrategie, Fallerstellung und Review, E2E (Playwright) und API-Automatisierung, explorativ, Regressionsumfang und Bug-Analyse, gestützt auf eine gemeinsame Wissensbasis mit Formatregeln, Risikomodell und Schema-Validatoren.

Ordnet die Prompt-Autoritätsschicht des Harness in ein prüfbares Patch-Set, schreibt prompt-inject.md und erlaubt ein anderes Standardprompt pro Modell. Zeigt, welche Patches greifen und ob der laufende Host app.asar oder einen entpackten Baum lädt; sobald der Desktop-Prozess untätig ist, wird eine versiegelte Installation auf den gepatchten Baum umgestellt. Mit Statusseite und dsh-purge-CLI.