Plugins

GitHub-Workbench-MCP-Server (dsh bundle): 23 MCP-Tools für Repositories, Issues, PRs, Code-Reviews und Suche, ohne Laufzeitabhängigkeiten und mit PAT-/OAuth-Authentifizierung.

Adversatives Code-Review aus mehreren Blickwinkeln: parallele Prüfungen auf Korrektheit, Sicherheit und Wartbarkeit untersuchen einen Diff, mit deterministischer Schwerebewertung, Unterdrückungsregeln und inkrementellem Review-Verlauf.

Git-/GitHub-Panel für das DSH-Webprofil: stage/unstage/discard/diff, Branches, Commit, Push/Pull/Sync, Log, Dateibrowser, Workflow-Board und GitHub-OAuth mit PR-Erstellung.

Richtliniengesteuerte Git-Synchronisierung von DSH-Einstellungen und Profilkonfigurationen, mit geheimnissensiblen Projektionen, Konfliktprüfung und zeilenweiser Übernahmesteuerung.

Sitzungsübergreifendes, ereignisbasiertes Arbeitsregister: Aufgaben erfassen, verfolgen und abschließen, mit vollständigem Auditverlauf, Kanban-Export und einer in jeden Modellturn eingefügten Board-Zusammenfassung.

Auf Datenträger gespeicherte Ausführungsplanung für DSH: Zustandsautomaten für Meilensteine/Schritte, Abhängigkeitssperren und Audit-Ereignisstrom; deterministische Abschlussprüfung über dsh-Tools, CLI oder Skill.

Orchestrierungs-Preset fürs Hauptgehirn: Persona mit Delegation als Priorität, Ausführungsschranke für die Root-Sitzung und portable AI-LAW-Regel-Skill.

Deklarative Aufgaben-DAG-Orchestrierung für DSH: prüft Abhängigkeitsgraphen, führt topologische Aufgabenebenen parallel über workflow-basierte Subagents aus und leitet Fehler deterministisch weiter.

Workflow-Tools für das lokale aflare-Binary: Erstellen, validieren und starten lokalorientierte deterministische YAML-Workflow-DAGs (WAL-Absturzwiederherstellung, Saga-Kompensation) über das lokale Binary. Über 300 Vorlagen enthalten.

Dokumentenwerkstatt-Skillpaket: vier reine Prompt-Agent-Skills erstellen aus einer Codebasis READMEs, PR-Beschreibungen, Changelogs und Code-Reviews. Installation in dsh über einen dsh.bundle-Plugin-Eintrag.

Skill zum Paketieren von DeepSeek Harness als Tauri-2-Desktop-App (macOS + Windows): Installationsanleitungen für beide Plattformen, Bootstrap über China-Spiegel mit Subagent-Timeout-Wächter, Windows-Toolchain ohne Adminrechte und VS Build Tools sowie Abnahme-Checklisten für drei Wege.

DSH-Projektscaffold-Preset: striktes 5-Phasen-Init-Runbook, Engineering-Standards und sechs ausführbare Startervorlagen (node-ts / react-vite / python / go / spring-boot / monorepo).

Starterpaket für DeepSeek Harness: Willkommensablauf, Lernpfad 0→1, szenariobasierte Pluginempfehlungen und Selbstcheckliste, zusammen mit dem chinesischen Tutorialrepository dsh-handbook-zh.

Veröffentlicht ein HTML-Dokument als teilbaren Link, der sich mit einem Tap öffnet und in Chat-Apps als Karte erscheint; veröffentlichen, aktualisieren und Export nach PNG/PDF/Word.

Echtzeit-Vollduplexsprache über Volcengine-Streaming-ASR/TTS: Agentenantworten vorlesen, Unterbrechen, Aktivierungswort, Live-Untertitel, 30 chinesische Stimmen und antwortpriorisierte Bestätigung. Wird im DSH-Monorepo gebaut.

Spracheingabe für die Web-UI: Eine Mikrofontaste im Eingabefeld transkribiert Sprache per Web Speech API in den Entwurf; automatisches Senden lässt sich optional umschalten.

Ergänzt reine Textmodelle um Bildverständnis: Das Tool describe_image delegiert Bilder über die eigene LLM-Laufzeit des Harness an ein Vision-Modell aus der dsh-Modellliste.

Ermöglicht einem reinen Textagenten von DeepSeek, Bilder in derselben Sitzung zu lesen, indem er an einen vision-fähigen Subagent delegiert; beim Senden wird das Bild in einen Pfad umgewandelt.

Reiner HTTP-Client, der wiederkehrende Text- und Bildaufgaben (OCR, Analyse, Vergleich) über unsloth_run und unsloth_vision an einen bereits laufenden Unsloth-Desktop-Server (Unsloth Studio) delegiert. Startet oder besitzt niemals Prozesse.

Delegiert wiederkehrende Text- und Bildaufgaben (OCR, Bildanalyse, Vergleich) über koboldcpp_run und koboldcpp_vision an einen lokalen KoboldCpp-Server (llama.cpp) und verwaltet dessen Lebenszyklus bei Bedarf.

Lokale OCR für angehängte Bilder über die integrierte Windows-Engine (Windows.Media.Ocr): Nur der erkannte Text wird an das Modell gesendet, niemals die Bild-Bytes; der Vision-Passthrough ist opt-in.

Lokale OCR für angehängte Bilder via Tesseract: Nur der erkannte Text wird an das Modell gesendet, niemals die Bilddaten; Vision-Passthrough ist optional.

Ergänzt reine Textmodelle um Bildverständnis: Chat-Bildanhänge werden mit einem Standard-Prompt automatisch durch ein Vision-Modell beschrieben und bei fehlenden Details mit modellgenerierten Prompts erneut analysiert. Mit system/custom-Modi, GUI-Konfiguration, sicherer Schlüsselverwaltung und kleinem Host-Patch für DSH 0.1.0-rc.6.

Zweistufiges Bildlesen für reine Textmodelle: zuerst schnelle lokale Offline-OCR mit RapidOCR, danach als Rückfall ein Vision-Modell über modlens.