Plugins

Anatomie-Panel für die Agent-Body-Organe: liefert ein Live-Vitalwerte-Dashboard unter /anatomy direkt im Harness selbst – Organe, Herzschlag, Heilungsjournal, Selbsttrainings-Zähler und der echte Pulsstrom – direkt aus den Laufzeitdateien gelesen statt neu eingetippt. Nur Host, kein Client-Bundle und kein Build-Schritt.

Ein in sich geschlossenes zweites Gehirn für DeepSeek Harness — erfasst dauerhaftes Dialogwissen automatisch in einem lokalen Markdown-Tresor (benutzerdefinierte Deduplizierung, CJK-Suche, git-freundlich), mit einer grafischen Wissensdatenbank und einem interaktiven Wissensgraphen (Legendenfilter, Zeitachsen-Färbung, Box-Auswahl, Zusammenführen, Löschen, PNG-Export/-Import).

Mobile UI-Shell für die DSH Web-GUI: verwandelt das Desktop-Dreispaltenlayout in ein touchfreundliches Telefon-Layout (Overlay-Drawer, ziehbare FAB, Vollbild-Dialoge, Infinite-Scroll-Verlauf) unter einem 1024px-Viewport, ohne Desktop-Auswirkungen. - Vollständige Mobile-PWA für DSH, aufgebaut auf dsh-mobile-gate: sicheres Fernzugriffs-Gateway plus Installation auf dem Startbildschirm (Manifest + Service Worker), Offline-Fähigkeit, Touch-Gesten (Pull-to-Refresh, Edge-Swipe zurück, Pinch-Zoom-Schrift), Push-Benachrichtigungen bei Agent-Fertigstellung und Touch-First-Layout — Desktop unberührt.

OMK — Observe. Measure. Know. Evidenzgestützte Wissensänderungen für KI-Anwendungen.

Lokale Literatur-Wissensdatenbank-RAG: 10 Tools (kb_ingest, kb_search, kb_rag, kb_zotero, kb_dedup, kb_clear, kb_fetch, kb_scope, kb_stats, kb_status), hybride BM25+Vector+Reranker-Suche, belegte Fragen-Antworten mit anklickbaren DOI-Links, vollständig lokale bge-Embeddings über einen Single-File-SQLite-Index. Benötigt Python 3.9+ mit pymupdf, faiss-cpu und sentence-transformers; der Installer `npx dsh-kb-rag-install` richtet diese ein und lädt das Modell vorab herunter.

Business-Knowledge-Network-Kontext für DeepSeek Harness: binde eine Session an ein OpenBKN-Wissensnetz, frage seine Objekte und Metriken über verwaltete MCP-Tools ab und öffne für jede Antwort eine trace-gestützte Provenienz (Ausführungsfakten und einen Business-Graphen). Wird mit der OpenBKN Runtime ausgeliefert; die Provenienzansichten benötigen eine OpenBKN-Enterprise-Lizenz.

Analysiert die Nutzung über Modelle, Anbieter, Arbeitsbereiche und Zeiträume — mit eigenen Start-/Enddaten über die gesamte Historie — inkl. Cache-Hit-Einblick und Aufschlüsselung nach Modell und Anbieter. Enthält stündliche/tägliche Trends, 53-Wochen-Heatmap im GitHub-Stil, Serien, Token-Quota-Ringe pro Modell und Arbeitsbereich (Tokens, Kosten, %), kombinierbare Filter, Cache-Effizienz, DeepSeek-Guthaben, Bereichs-Aliase, CSV-Export und ein dauerhaftes Journal, das Nutzung nach Sitzungs- oder Bereichslöschung bewahrt (Deleted-Zeile) und inkrementell neu aufbaut. Die Bereichs-Registry wird über die DSH-domain/changed-Sonde frisch gehalten; nur registrierte Bereiche zählen. Getrennte Buchhaltung für Eingabe, Cache und Reasoning. Chinesisch: Ortszeit; Englisch: UTC; API nur Loopback.

Bridge zur ShiGuang Memory Engine (SGME): agentenübergreifendes gemeinsames Langzeitgedächtnis über HTTP — L0/L1/L1.5/L2-Destillation, szenariobasierte Injektion, einheitliche Suche und proaktive Care-Signale (memory_search / wiki_search / signal_pull / signal_claim / signal_ack), installierbar als `dsh-sgme`.

DeepSeek Harness-Plugin, das Jev-Urteile in drei automatische Aktionen übersetzt — übermäßig große Tool-Ausgaben auf die für die Anfrage relevanten Segmente kürzen, abgerufene Seiten auf an das Modell gerichtete Anweisungen prüfen und auswählen, welcher Skill zum nächsten Schritt passt — plus die Tools jev_ask und jev_gate, ein Urteils-Journal, das Neustarts übersteht, und einen /jev-status-Bericht. Benötigt einen TypeSafe-API-Schlüssel; ohne diesen ist es inaktiv und sendet nichts.

Desktop-Pet, gezeichnet nach der offiziellen Wal-Silhouette, für Desktop-App und Web-UI: SVG-Animationen und Gesichtsausdrücke folgen dem Agent-Status (Denken, Arbeiten, Fertig, Fehler, Warten auf Bestätigung) und es kann anderen laufenden Sessions mit Zähler-Badge folgen; anstupsen, ziehen, schwindelig schütteln, an den Bildschirmrand quetschen oder den Cursor über seinen Kopf reiben für einen Headpat; 7 Paletten, 4 Größen, synthetisierte Klänge, Hell/Dunkel-Theme-Sync und eine spielbare Web-Vorschau.

Kontinuierliche Selbstverfeinerungsschleife: persistenter Speicher, periodisches Überprüfen und Verfeinern, sitzungsübergreifendes gemeinsames Wissen und automatisches Rollback über ein vom Modell aufrufbares harness_refine-Tool.

Wissensbasis als Canvas in der rechten Seitenleiste: Notizen sind Knoten; 9 Tools lassen das Modell lesen, schreiben, verknüpfen und löschen. Knoten können Bilder und Dokumente enthalten; beim Lesen wird Text zurückgegeben und Office-Dateien werden direkt extrahiert. Bilder lassen sich als Bilder übergeben.

Visuelle Runden-Tisch-Meetings für DeepSeek Harness — Expertenknoten auf einem Ring mit gerichteten Kanten, einem Aggregations-Gateway, Proxy-Denken für Black-Box-Worker-Modelle und adversarialer Prüfung (Red-Team) ausgearbeiteter Pläne mit zustimmen/ablehnen pro Sichtweise.

Vorlagengesteuerte Code-Review-Fähigkeit: Fünf-Schritte-Review-Flow, Schweregrad-Einstufung (kritisch/mittel/gering), vierdimensionale Bewertung (Qualität, Sicherheit, Performance, Wartbarkeit), duale Text- und HTML-Berichtsausgabe und eine On-Demand-Referenzwissensdatenbank.

Design-Arbeitsbereich: HTML im Geräte-Rahmen, Aktualisierung bei Änderung; lokale Server mit Hot Reload über Proxy. Klick/Ziehen übergibt Selector, Quelle und Styles. Extrahiert das Design; passt Ansichten/CSS an, erzeugt React/Vue/Next.js/HTML und vergleicht Pixel. Tools: `preview_page`, `check_design`, `look_design`, `extract_design_system`, `handoff_design`, `compare_design`. `check_design` misst Originalgröße im verborgenen lokalen Chrome/Edge; findet Überdeckungen, Skriptfehler, fehlende Assets, tote Links, Kontrast-/Schriftprobleme (CSS-Datei/-Zeile) und nimmt schwere Fälle auf. Design mode mit Schaltern in Plugins. Remote kommen lokale Dateien in einen Sandbox-Frame.

Lokale Literatur-Wissensdatenbank als RAG für DSH: hybride BM25-+-Vektor-Suche auf einem SQLite-Index, Cross-Encoder-Reranking, zitierte Antworten mit Provenienz auf Abschnitts- und Seitenebene, reine Metadaten-Aktualisierung und Hintergrund-Ingestion mit Fortschrittsabfrage.

DSH-native Integrationsschicht für die Minta-Speicher-Engine: setzt die offizielle dsh-mcp-client-Zeile zusammen, registriert die Skill minta-memory-governance sowie ein Speicher-Prewarm zu Sitzungsbeginn und liefert ein Minta-Agent-Preset mit; erfordert die separat bereitgestellte Minta-Engine (Python/Docker), die die 19 MCP-Tools bereitstellt — ohne diese nicht verwendbar.

Eine Web-Roman-Schreib-Engine für DeepSeek Harness: paralleles Entwerfen, Gliederung und Brainstorming mit einem separaten DeepSeek-Schlüssel, Verwaltung von Hintergrundwissen und Vorausdeutungen, semantische Vektorsuche, eine Korpusbibliothek, ein Nutzungsprotokoll, mechanisches Korrekturlesen und ein lokaler Serialisierungsplan.

Zhihu-Suche, Agenten-Tools, Wissensdatenbanken und Nutzungsverfolgung für DeepSeek Harness.

Allzweck-Wissensdatenbank für DSH: Import von md/txt/json/yml/docx/pdf, Ordnerverwaltung, FTS5-Volltextsuche (BM25) und eine Web-Verwaltungsoberfläche.

Windowseat-Brücke für DeepSeek Harness: Ein lokales Host-Plugin stellt einen Loopback-HTTP/SSE-Endpunkt bereit, damit die gebündelte Microsoft-Edge-Seitenpanel-Erweiterung die aktuelle Seite lesen, lokale Dateien durchsuchen und mit DSH sprechen kann. Die Edge-Erweiterung liegt im selben Repository und muss separat geladen werden. Windows 10/11 und Desktop-Edge erforderlich.

Eine Roman-Schreibwerkbank für DeepSeek Harness: du gibst Kandidatenpassagen Daumen hoch oder runter, und das Modell destilliert daraus ein kurzes Präferenzprofil, das in spätere Drafting-Aufrufe mitgeht, während das Manuskript aus dem Drafting-Kontext bleibt. Dazu ein Kapitelboard, Schreibpakete pro Kapitel, annotationsbezogene Überarbeitung, die nur den annotierten Absatz neu schreibt und den Rest byteweise verifiziert, ein Projektjournal und lokale Pacing-Prüfungen.

Fügt dem DSH-Webclient ein Mehrbenutzer-Einstellungsfeld hinzu: Auswahl des Nutzungsmodus, Mitgliederverwaltung mit Online-Status und Gerätebindung sowie Wechsel oder gemeinsame Nutzung der Speicher- und Wissensbasen pro Mitglied.

Team-Wissensdatenbank für Offline-Wissensaustausch (FDE-Box-Szenario): Einstiegspunkte zum Durchsuchen, Volltextsuchen und Verfeinern; Rohmaterial wird automatisch in die Warteschlange gestellt und von einer seriellen Bot-Session zu Wiki-Seiten destilliert (Karpathy-LLM-Wiki-Muster: unveränderliches Rohmaterial, zweistufige Verfeinerung, Log-Stream, monatlicher Lint).