Plugins

Echtzeit-Nutzungs-, Kosten- und Guthabenmesser für DeepSeek Harness: offizieller API-Saldo, Kostengenauigkeit innerhalb von ¥0.02, Kostenbuchhaltung pro Turn/Session/Modell, live farbabgestufte Token-Geschwindigkeit und angedocktes Ein-Klick-Popup.

Dreistufiges Agenten-Gedächtnis-Harness: immer aktives L1 CLAUDE.md, L2-Index, L3-Detail-Skelett mit Vorlagen, ein Gate, das Schreibzugriffe auf geschützte Dateien ohne einmaliges Freigabe-Token blockiert, urteilsfreies Event-Logging, wöchentliche Destillation und eine TDD-Execution-Loop-Skill.

Berührungslose Laufzeit-Telemetrie für DSH: jede Sitzung schreibt Aufgabe, Modellstufe, Tools, Fehler, Dauer und Status automatisch in ein menschenlesbares Journal mit Statistikbereich (reiner Beobachter — keine Tools, keine LLM-Aufrufe, keine Injektion).

Der Modell-Umschalter für DSH: auf jeden OpenAI-kompatiblen Endpunkt richtbar, mit kuratierten kostenlosen/günstigen DeepSeek-Provider-Presets und automatischem Fallback, wenn eine kostenlose Stufe Sie ratenlimitiert.

Sechsschichtiges lokales Gedächtnis für dsh: zeichnet Gesprächsrunden auf, führt sie über einen L2-Puffer zu DL3-Zusammenfassungen durch ein Staging-Modell, fügt in jeder Runde einen stabilen Gedächtnisblock ein und ersetzt den Chatverlauf durch Platzhalter. Mit fünf Gedächtniswerkzeugen und Konfigurationsseite.

Kostenlose OpenCode-Zen-Modelle für DeepSeek Harness mit anonymem Zugriff ohne API-Key, OpenAI-kompatiblem Loopback-Shim und echten bash/read-Gate-Tools.

Ergänzt DeepSeek-Harness-Model-Channels automatisch: contextWindow, maxTokens, multimodale Eingabe [text, image] und Reasoning-Effort-Stufen {low, high, max} müssen nach einem Provider-Channel nicht je Modell manuell gesetzt werden. Ergänzung beim Speichern, Settings-UI-Seite und zeitgestempelte Backups.

Reiseplanungs-Agent für Festlandchina mit Antworten auf Chinesisch: prüft Zugverfügbarkeit bei 12306, Flug-/Hotelpreise bei Fliggy/Tuniu, reale Amap-Verbindungen, Sperrungen und Wetter. Erstellt ein Offline-HTML-Reisebuch mit verschiebbaren Karten, drei Hotelpreisklassen und Einzelpostenbudget. Enthält 9 Skills, Diagnose für fehlende API-Schlüssel und Patch für den 12306-MCP-Server. Plant und fragt ab, bucht oder bezahlt aber nie.

Ersetzt das reasoning-effort-Menü durch einen ziehbaren Rastregler. Bietet 13 Canvas-Effekte in fünf Stilfamilien (thrust, fluid, fantasy, tech, texture), die je nach Aufwandsstufe in drei Stufen freigeschaltet werden. Custom kombiniert 10 Partikelformen mit 8 Bewegungsbahnen; 9 Akzentfarben und Hex-Auswahl färben alle Effekte um. Optionale Tastentöne: zwei Sprachclips, synthetisches Entenquaken, mechanischer Klick und lokale Audiodatei.

Eine native Reasoning-Effort-Steuerung für den Composer: ein Stufenbalken von Blau bis Violett mit Sternenfeld und Glanzstreifen. Er besetzt den Model-Slot und nutzt den offiziellen model-directories-Dienst, sodass die Stufenleiter aus der eigenen Reasoning-Deklaration jedes Modells stammt und kein weiteres Plugin nötig ist.

Bündel aus SearXNG-Suche und mehrstufigem Scrapling-Abruf für DeepSeek-Harness-ctx.web, mit SSRF-Schutz und Markdown-Konvertierung.

Bereinigung des Windows-Systemlaufwerks (C:) für DSH: regelbasierter Scan, fünf Sicherheitsstufen, Staging-Bereich mit Rollback-Protokoll, UAC-Erhöhung und Umzug auf ein anderes Laufwerk; als Modell-Tool und Web-GUI-Panel.

Bild- und Videoproduktionstoolkit für DeepSeek Harness. Bild: Hintergrundentfernung mit Qualitätsstufen, lokale Inpainting-Retusche, Titel-/Logo-Compositing, Stapel-Exporte in Plattformgrößen und QA-Berichte. Video: KI-Matting mit Hintergrundersatz (RVM ONNX oder Chroma-Key), animierte Titel mit Fade/Slide/Schreibmaschine/Karaoke, 53 Übergänge samt Stilvarianten, Licht- und Grading-Presets mit LUT, Footage-Inventar, präziser Schnitt, eingebrannte Untertitel, Musikmix und Plattform-Exporte. Ein mitgeliefertes Bootstrap-Skript richtet eine lokale Python-Laufzeit ein.

Einheitliches Modell-Routing für DeepSeek Harness: eine logische ModelID über mehrere Anbieter mit First-Token-Failover und Cooldown, zustandsbewusstem Kandidaten-Ranking, drei Stufen (tier1/tier2/tier3), automatisch nach Zweck ausgewählt, Reasoning-Aufwand pro Kandidat und ein Verwaltungspanel auf der Einstellungsseite.

Reasoning-Aufwand-Stufen-Manager für benutzerdefinierte API-Modelle plus sitzungsübergreifendes Präferenzgedächtnis: Inline-Toggles low/medium/high/max in Einstellungen → Modelle, mit atomaren Einstellungs-Schreibvorgängen.

A consent-gated personal profile store: people are indexed by name, entries by person and key, and no profile record is read before the current session is authorised. Sensitive entries come back masked unless the user authorises that tier separately; credential-like values are refused at write time. Ages and next birthdays are computed at read time, so asOf restores the answer for a past date, and facts that rot (height, weight, address) carry freshness warnings. Five profile_* tools plus a settings page to browse, edit, delete and revoke grants.

Long-term memory for dsh with defense-in-depth hardening. Two tiers (project `.dsh-memory/` and user `$DSH_HOME/memory/`), each a plain hand-editable JSON file with bounded entries and tags. Writes are atomic (unique temp file + rename, previous revision kept in a bounded history/) and serialized across processes by a per-tier lock with stale reclaim; a disk-revision check refuses lost updates instead of silently overwriting another writer. Memory text is wrapped in explicit untrusted-data boundaries (forged wrappers stripped on write) to blunt prompt injection from remembered content, load-time validation rejects out-of-bounds stores, and symlink escapes out of the tier directory are refused with MEMORY_STORE_ESCAPE. No content-heuristic filtering and no confirmation step, so headless auto-consolidation stays intact. Install: dsh plugin --profile web add github:RocoFish/deepseek-memory.

Prompt-Verbesserung in vier Stufen für die dsh-Web-GUI: base / standard / professional / system. system erzeugt immer einen nach LangGPT strukturierten Markdown-Prompt; die iterate-Arbeitsumgebung überarbeitet eine bearbeitbare base nach einer optionalen Anforderung.

Kontextkomprimierung im Kifu-Stil für lange DSH-Sitzungen: Jeder Schritt fasst neue Durchläufe in einem DAG zusammen (Knoten = Position, Kante = versuchte Korrektur). Bei einer 2000-Kanten-Fixture auf Stufe L5 wird nur eine aktive Liste mit etwa 415 Tokens eingefügt, ergänzt um Fehlerspeicher und Erkennung wiederholter Positionen.

Führt Cloud-ComfyUI-Workflows von RunningHub als Hintergrund-Taskpool aus: Batches einreichen, innerhalb des Parallelitätslimits verteilen, Jobs abfragen, alle Ergebnisse auf Disk laden und bei leerem Pool die Sitzung wecken. Gemeinsames Ledger für Batches, Kosten, Instanzstufen, Start-/Endzeiten und Speicherpfade je Datei; Live-Board in rechter Sidebar.

Schwebendes Bilibili-Kurationspanel für DSH: lernt Interessen nach Wahrscheinlichkeitsplan und lässt sie per Halbwertszeit abklingen. Wählt Videos innerhalb eines aus dem Tagesbudget abgeleiteten Tokenlimits und benachrichtigt nur über dem Eignungsschwellenwert. Kommentare sind standardmäßig aus; danach Modus Entwurf+Bestätigung oder selbstgeprüfte Automatik mit Tagesquote. Kommentare zu Politik, Regierung und Spitzenforschung sind strikt untersagt; vor dem Posten werden Konto-IDs aus Texten entfernt. Anmeldung mit eigenen Bilibili-Cookies; separates Postingkonto empfohlen.

Verbindet ein selbst gehostetes Magpie-Gateway mit einer Providerroute je Upstream-Eigentümer. Die Standard-Modellauswahl zeigt Gruppen wie Magpie (Claude) und Magpie (Codex); dazu automatisches Failover über mehrere Zeilen, schreibgeschützte Nutzungskarten, Standard-reasoning-effort je Modell, schneller Sitzungswechsel für Modelle mit Prioritätstarif und optional Cloudflare Access.

Native Mixture-of-Agents zur Generierungszeit: In jedem Zug verarbeiten Referenzmodelle denselben Sitzungskontext parallel als Vorentwürfe; ein Aggregator führt mit vollem Toolzugriff aus. Enthält Modellrezepte aus Konfiguration, F-mirror-/R-trimmed-Ansichten, erzwungene Subagentenfreigabe durch doppelförmige Sitzungsindizierung, rezeptabhängige Vision (bildfähige Referenzen übermitteln Bildlese-Ergebnisse an textbasierte Aggregatoren), gestaffelte Taktung mit getrennten Steering-/Patrol-Listen und fixierter Wiederverwendung zwischen Beats, Schutz vor degenerierten Referenzausgaben sowie anonymisierte Modellnamen in Fehlermeldungen.

Ergänzt im DSH-Eingabefeld eine Denkstufenleiste (normal/strict/max). Der exklusive Loop-Modus bietet 3/5/8 Selbstprüfungsrunden; eine Gegenprüfung lässt sich zu beiden Modi zuschalten. Das Modell liest die aktuelle Stufe über clarify_tier und forge_level.