Plugins

Automatisierte Unit-Test-Generierung: ein `/testgen`-Befehl und ein generate_tests-Tool, die Tests erstellen, ausführen und reparieren, bis sie bestehen (LLM plus Offline-Template-Generatoren; vitest/jest/mocha/node:test).

Aufgabenplanung mit Erfahrungs-„Muskelgedächtnis“: reflexartiger Abruf früherer Lösungen, Abgleich mit LLM-Fähigkeiten und automatisch gespeicherte Lektionen.

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`.

Task-driven plugin equip engine: dual retrieval (curated rules + LLM semantic), combo scoring (synergy/conflict/cost/trust), conflict detection and install-command export.

Durable citation-thread learning companion for DeepSeek Harness conversations

LLM auto-approval for sandbox escalation requests, with presets and a fail-closed fallback.

Unified LLM request/response inspector: reasoning-effort tuning, external-think export, traffic & bundle analysis.

Multi-agent math problem-solving & verification framework: brainstorm → solver iteration → multi-verifier debate → Verified knowledge base, with checkpoint resume and manual/auto intervention (also ships as an agent preset).

Per-subagent LLM provider/model selection with role templates.

LLM provider that runs the locally installed Claude Code CLI as the model backend, so requests go through an existing Claude subscription instead of a metered API key; native tool calls are bridged over MCP.

Nach jeder Modellrunde generiert ein LLM 3 kritische Folgevorschläge, die als anklickbare Chips zum direkten Senden angezeigt werden

Automatische Provider-/Modell-Fallback-Ketten für DeepSeek-Harness-Agenten, wenn LLM-Anfragen wiederholt fehlschlagen (Retries aufgebraucht, Auth, Kontingent, Rate-Limit).

Verschiebbare schwebende Karte, die Guthaben/Kontingent Ihrer zuletzt genutzten Anbieter anzeigt (DeepSeek/Moonshot/Kimi For Coding): automatische Erkennung, farblich codierte Stufen, Live-Aktualisierung.

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.

Native Vision-Bridge für LLM-Anbieter: In den Chat eingefügte Bilder werden von einem Vision-Modell (Qwen3-VL über pi-ai/llama.cpp) beschrieben, und die Textbeschreibung wird zur Antwort an das rein textbasierte DeepSeek weitergegeben — Bildaufnahme, Routing und Kompaktierung laufen vollständig über harness-native Mechanismen, mit LRU-Beschreibungscache und 503-Retry.

DSH 插件：把网页大模型接入 Agent 工作流——真实浏览器驱动，支持代码审查、翻译、红队等多种角色。

OpenCode Zen free models provider for dsh

Contract regression harness for plugin authors: a scripted LLM adapter drives the real pipeline in isolated child processes with session-event assertions (load/contract/behavior/fault layers); zero API key, CI-ready.

Enhanced ACP server for DeepSeek Harness: block & reasoning streaming, usage telemetry, model/effort switching, permission presets, session resume/archive, per-session MCP servers, and Zed file/terminal forwarding.

Surveys local code and GitHub/npm for reusable implementations before development, evaluates reuse versus rewrite, and checks architecture coupling.

GPT plans dependency DAGs, DeepSeek workers execute tasks with adaptive parallelism, and an optional GPT reviewer audits incremental Git diffs and drives repair rounds.

Adds persistent execution contracts, recursive work graphs, critical clarification, and evidence gates for long or underspecified Harness tasks.

Vision-augmented DeepSeek adapter: a vision-capable model describes image input, then a text-only DeepSeek model reasons over the description.

Faithful port of the hermes-agent MEMORY.md / USER.md mechanism for DSH: bounded dual-bank memory (2200/1375 chars), a single `memory` tool (add/replace/remove/batch), frozen-snapshot injection per session, nudge reminders, DSH-native JSON storage — zero external dependencies, zero LLM cost.