Plugins

Long-term memory for dsh via a local Hindsight service: each turn is retained with local timestamps and relevant memories (time-aware, reranked) are recalled into context before replies; each workspace binds to one memory bank, several workspaces can share a bank, and banks can have Chinese names; what gets retained is configurable (default: user messages and AI replies); history is imported only when you choose to; includes a three-step setup page with one-click local deployment (uv + Python 3.12), a sidebar status card and a panel to browse and search memories. Needs a SiliconFlow API key for the default embedding and reranker models; only Linux is verified so far.

Counts agent steps and, every N of them, adds a progress-report instruction to the batch that is about to be sent, so the agent states what it is doing, what it finished and what comes next, then carries on without stopping for you. Interval, prompt text and a main-agent-only default are editable in its settings page.

Leichtes Schrift- und Theme-Plugin für DSH: Schriftwähler für lateinische, chinesische und Code-Schriften zeigen nur installierte Familien; 5 offizielle Paletten (One Dark Pro, Dracula, Nord, GitHub, Catppuccin) werden über offizielle Tokens einschließlich Codeblock-Syntaxfarben angewendet. Keine Schriften, Abhängigkeiten oder Build-Schritte enthalten. Erfordert DSH 0.2.0-rc.2 oder neuer.

Glasartige Karte für Kontingente und Guthaben mehrerer Anbieter im Fußbereich der DSH-Seitenleiste. Unterstützt 11 Anbieter, darunter StepFun, Xiaomi MiMo und Claude, mit Browser-Anmeldung per Klick sowie Step-Plan-Guthaben. Installation über den dsh-plugin-Marktplatz (GitHub-Topic „dsh-plugin“).

Fügt eine 3D-Modellbibliothek in einem eigenen Konversations-Tab hinzu, in der Agenten Modelle speichern, die aus CadQuery-Skripten erstellt oder als tessellierte Meshes bereitgestellt werden; die Bibliothek zeigt sie mit three-cad-viewer in der Vorschau an, organisiert sie in Ordnern und exportiert sie in 10 Formate, darunter STEP, BREP, STL und DXF.

Paart den laufenden Executor mit einem stärkeren Reviewer-Modell über parameterlose advisor()-Aufrufe und schrittbasierte Patrol-Checks und liefert Plan-, Korrektur- oder Stopp-Hinweise zurück.

One-Click-prägnanter Ausgabestil für DeepSeek Harness: Ergebnisse zuerst, kein Filler, gleiche Arbeitstiefe. Jede finale Antwort beginnt mit einer Klartext-Digest-Karte (Text markieren zum Kopieren), scoped pro Session, funktioniert auch headless/CLI, mit /concise-Kommando, style.md-Overrides und lokaler API. Links und Dateipfade in der Digest-Karte werden als klickbare Chips gerendert: URLs springen, lokale Dateien öffnen mit der Standard-App (v0.9+). Eine Per-Step-Vorgenerierungs-Contract-Erinnerung (v0.11.2+) behebt messbar Digest-Fehler bei Audit-Report/Tabellen-förmigen Antworten.

Verfolgt den Sitzungsfortschritt in DeepSeek Harness ohne Logs zu durchsuchen: Der Agent pflegt eine gewichtete, verschachtelte Checkliste von Phasen bis Einzelschritten, damit Ring und Prozentanzeige dem tatsächlichen Stand entsprechen. Beim Überfahren erscheint die Aktivität; der Tab Session Progress zeigt Ziel, gewichtete Liste, nächste Schritte und Notizen. Nach Sitzungsende bleibt sie als Ergebnisprotokoll erhalten.

Nachdem der offizielle llm-retry (n/5) aufgibt, werden vorübergehende API-Fehler (Timeout, Transport, Rate-Limit, 5xx, abgebrochenes SSE) am selben offenen Schritt weiter wiederholt, bis Erfolg, Abbruch oder Pause eintritt; AUTH, QUOTA und der Benutzer-Stop werden niemals wiederholt.

Setzt einen Agenten-Turn fort, der endete, nachdem er seine nächste Aktion geschildert, aber kein Tool aufgerufen hatte: der Wächter spielt das Turn-Log bei agent/turn-stopping erneut ab, stellt einem Richter-Modell eine Wahr/Falsch-Frage und steuert denselben Turn zu einem weiteren Schritt.

Faltet Think- und Tool-Aufruf-Zeilen in eine schwebende Zusammenfassungs-Pille mit roten Fehlerzählern, für eine sauberere, schreiberfreundliche Chat-Ansicht.

Separate Slash-Command-Gruppe im Web-UI-Composer: /steer fügt beim nächsten Schritt des Agenten Text ein, ohne den Zug zu unterbrechen; /new startet eine leere Sitzung; /skill und /docs kapseln /steer mit Skill- oder Dokumentationsaufgaben nach dem Zug; benutzerdefinierte /steer-Aliase sind in den Einstellungen konfigurierbar.

Führt AItelier-Pipelines von DSH über MCP aus: 39 Werkzeuge (22 Lese-, 17 Schreibwerkzeuge) zum Erzeugen, Ausführen, Inspizieren, Bearbeiten, Exportieren und Importieren mehrstufiger SkillFlow-Pipelines. Die Schritte werden in AItelier statt in der DSH-Sitzung ausgeführt und über run_id gepollt, pausieren an engine-erzwungenen Checkpoints, die mit answer_checkpoint beantwortet werden, und hinterlassen pro-Schritt-Traces und Schrittausgaben zum späteren Lesen; add_provider / map_model / edit_role richten eine einzelne Rolle auf einen lokalen oder günstigeren Endpunkt aus. Bündelt einen aitelier-pipelines-Skill.

Durchsucht die kuratierte GitHub-AI-Projektbibliothek von AIGC Radar (500-Sterne-Aufnahme, zweisprachige zh/en-Tags, Sternwachstums-Snapshots) über dessen MCP-Endpunkt mit nativen Ergebniskarten; ein Agent-/Pre-Step-Listener schlägt proaktiv eine Wiederverwendungsprüfung vor, bevor der Agent Code schreibt.

Anzeige des Konto-Guthabens mehrerer Anbieter für die DeepSeek Harness Web-GUI. Fragt echte Abrechnungs-APIs ab (DeepSeek, StepFun, Kimi Coding, OpenRouter, MiniMax, xAI) und zeigt das Guthaben/Kontingent vor der Modellauswahl an. Anbieter ohne API-Abrechnungsendpunkt fallen auf eine manuelle Offset-Anzeige zurück.

Analytik zur Sitzungsausführung: Schritte, Tool-Aufrufe, Fehlschläge, wiederholte Aktionen, Token-Nutzung und Verifizierungssignale, dargestellt als Text-/Markdown-/JSON-Berichte.

Layered long-term memory for DeepSeek Harness: each turn injects a persona frame plus a relevance-ranked memory index while full transcripts stay on disk and are expanded on demand, so the vault never floods the context window. Facts are slot-keyed, so a changed mind retires the old value instead of recalling two contradictory answers. The persona frame is derived from memory by the model itself, behind three anti-pollution gates (rejecting development chatter, blocking echoes of its own injection, and merging restatements by shared content words). Periodic consolidation merges near-duplicates, rolls long topics into digests, and archives low-value old entries by tagging only — raw text is never deleted. The append-only store is compacted in place (measured 4.7 MB to 355 KB). Zero third-party dependencies, no build step. Note: per-turn injection inevitably lowers prompt-cache hit rates, so this plugin is not recommended for work scenarios.

Separate font slots for content, code and terminal text, plus an interface font, an interface-size stepper and an inline-code size stepper, with line-height and letter-spacing controls. Typography only — it never touches colour.

Diagnoses third-party LLM API endpoints from the sidebar: a four-layer check (DNS/TCP/TLS, key and model, a real streaming conversation, then timed repeat runs) reporting time-to-first-token, output speed and success rate, with every failure attributed to the step it stalled at and the byte count that actually left the machine. 37 provider presets, no model names hardcoded.

Ankündigungsdatei, die mehrere Agentensitzungen auf einem Rechner gemeinsam nutzen. Eine reine Textdatei, in die Agenten nur anhängen. Vor jedem Step erhält eine Sitzung ungelesene Einträge; neue Sitzungen holen noch gültige Einträge nach, und nach einer Kontextkomprimierung werden sie erneut gesendet.

Führt für jede Nutzeranweisung genau einen deterministischen Skill-Routing-Durchlauf aus, damit der Katalog vor der Modellantwort konsultiert wird. Bewertet auf dem Host den aktuellen Katalog anhand der Anweisungs-Keywords und Metadaten, ohne LLM- oder Embedding-Aufruf. Fügt dem Step eine einzelne, mit Producer markierte Nachricht hinzu: standardmäßig eine Rangliste, ab erreichtem Schwellenwert den Inhalt des gewinnenden SKILL.md oder die Anweisung, einen benannten Router-Skill genau einmal aufzurufen. Bei unpassenden Anweisungen greift das Plugin nicht ein.

Browser-Provider für DeepSeek Harness: erledigt Webaufgaben Schritt für Schritt im echten Browser anhand einer indexierten Aktionstabelle statt HTML oder Screenshots. Pro Schritt eine gebündelte Jev-Entscheidung statt eines ganzen Modellturns; Repo-Benchmark: Median 1,1 s gegenüber 2,8–3,6 s pro Chatmodell-Turn. Die Unterhaltung erhält nur das Fazit und wächst nicht mit Seitenkontext. Ziele stammen aus der gerade gelesenen Seite; bei Änderung wird neu gelesen. Nutzt den Session-eigenen Browser und lässt dein normales Chrome unangetastet, außer im attach mode.

Memory-assembly team for DeepSeek Harness: every message triggers a five-step cognition loop (judge, retrieve, assemble, feedback, calibrate) carried by role-playing subagents (judge, retriever, archivist, advocate, editor, scribe), using BM25 retrieval, time-ordered material, and LLM assembly to build useful material packs injected into linghun. Works with dsh-linghun.