Plugins

Plugin-Store für die DSH Web UI: Katalog durchsuchen, suchen, Ein-Klick-Installation, Kompatibilitäts-Badges und Liste installierter Plugins.

Detaillierte Modellnutzung und Kostenanalyse, mit Nutzungstatistiken pro Sitzung und Nutzungsabfragen für GLM, MiniMax, OpenCode Go, DeepSeek und mehr.

Nur ein Connector: Er rendert selbst nichts. Er abonniert DeepSeek-Harness-Sitzungsereignisse, fasst sie zu 12 Arbeitsphasen zusammen (planning / thinking / executing-tool / streaming / waiting-input / voice / awaiting-approval / complete / error / paused / idle / heartbeat) und sendet jede Phase per POST an das Desktop-Pet-Backend unter http://127.0.0.1:8000/api/plugin/dsh/ingest. Es gibt kein Fenster; API-Schlüssel oder Token sind nicht nötig. Die Mao-Live2D-Pet-App muss separat installiert und gestartet werden (eine Windows-Electron-App mit eigenen Voraussetzungen PowerShell 7 / Python 3.10+ / Node 18+). Ohne sie gibt es kein Ziel für die Daten.

Multi-Maschinen-Sync: hält mehrere dsh-Replikas über ein einziges privates GitCode-Repository konsistent — skill, Sitzungen, Einstellungen und Plugin-Manifeste, jeweils mit eigenem Schalter; Änderungen laufen über Branch, PR und Merge, nur im Remote vorhandene Ergänzungen werden vor jedem Push zurückgeholt, damit nichts gelöscht wird, und ein KI-Smart-Align-Schritt führt von beiden Seiten geänderte Dateien semantisch zusammen (plus Konfliktauflösung mit einem Klick); private Repos sind erzwungen, Pull überschreibt lokale Bearbeitungen niemals.

Kostengünstiges Video-Verständnis-Tool: Ein video_understand-Tool wandelt einen Bilibili-Link / BV / ein lokales Video in eine AVIS-Informationsschicht (ASR + Szenenstruktur + Objekt-Tracking + YOLO-Labels) um und liefert Zusammenfassung + Q&A. Fragegesteuertes dynamisches Routing über Ebenen hinweg (L0 ASR / L1 Objekt-Tracking / L2 Keyframe-VLM), Wiederverwendung der semantischen Schicht für Wiederholungsfragen, Budgetobergrenze pro Frage. Python-Engine: Die Kernschicht benötigt faster-whisper / opencv / yt-dlp (~200-300MB); die optionale semantische Schicht fügt ~2GB torch / transformers / ultralytics hinzu. Ein mitgeliefertes doctor --fix richtet das venv ein und installiert beide.

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`.

Installiert Herta als DeepSeek-Harness-Agenten: ein Preset mit ihren Persona- und Gedächtnis-Prompt-Abschnitten, sechs Gedächtnis- und Sprachwerkzeugen, einer narrativen Ebene, die ihr Denken von dem trennt, was sie sagt, 80 mitgelieferten Sprachclips, Offline- und MiniMax-Sprachsynthese sowie zwei Konversationsansichten, die die Sitzung mit ihren eigenen Komponenten rendern.

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.

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.

Git Bash Shell-Tool für Windows: führt Befehle über das in Git for Windows enthaltene bash aus, mit Timeout, Sandbox, Ausgabekürzung und Hintergrundjobs, ersetzt das langsame pwsh-Tool und das WSL-exklusive bash-Tool.

Expert-Preset für DeepSeek Harness (v0.9.2, npm dsh-expert-mode, EN/ZH): Chefkoordinator + 17 Domänen-Subagenten mit Auto-Delegation. Funktionen: Taskboard (Zustände pending/ready/running/done/failed, DAG, atomare Beanspruchung, Retry, Wiederherstellung), Quality Gates (5-stufige Pipeline: Anforderungen, Implementierung, Verifikation, Prüfung, Integration; 2 Überarbeitungen), Five-Anchor (Prüfung/Konvergenz/Anti-Drift/Zusammenarbeit/Ressourcen), Near-distance (Vorlage Identität/Aufgabe/Ausgabe), progressive Offenlegung (~28 % Token-Einsparung), Persistenz, P2P-Bus, Kreuzprüfung, Erfahrungspool, Schnellweg, Auto-Retry. 17 Experten: Daten, Redaktion, Recht, PM, Frontend, UI/UX, Architekt, Social, Growth, Quant.-Finanzen, Backend, DevOps, DB, QA, Sicherheit.

Drei Agent-Presets mit getrenntem persistentem Memory: 鲸鱼娘Agent预设 (umgangssprachliches vereinfachtes Chinesisch, nennt Nutzer 主人, anhänglich-tsundere), 鲸鱼娘活人版Agent预设 (darf widersprechen, ausweichen oder kühl sein; weniger süß) und 鲸鱼娘涩涩版Agent预设 (Originalpersona, Zuneigung nur zum Nutzer, in Gruppen gedrosselt). Alle nutzen die offizielle Minimalkomposition (eine persistente Shell) sowie Datei-Lese-/Schreib-, glob- und grep-Tools. whale-loli.md, whale-loli-v2-live.md und whale-loli-v3-naughty.md werden über whale_memory, whale_memory_v2 und whale_memory_v3 getrennt gelesen; keine Memory-Überschneidung beim Lesen oder Schreiben. billion-context komprimiert Gespräche; dieses Plugin behandelt Zusammenfassungen als Belege und ermöglicht Details bei Bedarf.

Liest animierte GIFs und WebP als Animationen: Ein eingefügtes Bild läuft in der UI weiter, während das Modell eine beschriftete Übersicht ausgewählter Frames erhält. Das Tool read_animation kann eine Datei bei Bedarf abtasten.

Projektdokumente und Langzeitgedächtnis als einfaches Markdown in einem dedizierten Obsidian-Vault: sechs mem_*-Tools (search, read, write, log, brief, admin), eine budgetierte Recall-Injektion beim ersten Schritt einer Session und automatische Destillierung abgeschlossener Turns. Obsidian muss nicht laufen, und der Vault bleibt auch mit deinstalliertem Plugin lesbar.

Zeitgesteuerte Cron-Aufgaben, Automatisierung im Hintergrund und Ausführung durch den Agenten für DeepSeek Harness.

Auf dem Host laufende cron-Engine mit Web-Jobs-Board und einem timer_agent-Tool: löst echte Agent-Sitzungen nach Zeitplan aus, setzt eine angeheftete Sitzung für Kontext fort oder startet neue in einem gewählten Projekt-Workspace.

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.

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

Research-Agent-Skills, Literatursuche mit Zitationsverfolgung, Dokument-zu-Markdown-Wissensdatenbank und vertieftes Lesen mit Browser-Workbench für DeepSeek Harness.

Liest Harness-Antworten über eine vorhandene lokale TTS-Laufzeit vor: integrierte Starter für IndexTTS und GPT-SoVITS, protokollbasierter lokaler HTTP/JSONL-Einstieg und Laden von Modellordnern für Kokoro-, F5-TTS-, VoxCPM-, Qwen3-TTS- und CosyVoice-SDK-Umgebungen. Keine Modelle enthalten. Abgeleitet von 1624318455/dsh-plugin-tts; Zeilen-ID und Einstellungen sind getrennt, sodass beide parallel installiert und doppelte Funktionen deaktiviert werden können.

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.

Patent-Schreib-Gatekeeper für dsh – prüft die Idee zuerst gegen chinesischen Stand der Technik, führt dann Gespräche zur Ausrichtung von fünf Parteien, das Verfassen einer achtkapiteligen Offenbarung, Abbildungen und Simulationsläufe, eine Sieben-Dimensionen-Prüfung und den Export nach docx/PDF durch. Die Skills funktionieren sofort; die Such-, Export- und Experimentier-Tools stammen aus einem mitgelieferten Python-MCP-Dienst, der deaktiviert ausgeliefert wird – eine Zeile in ~/.dsh/patent-services.yaml aktiviert ihn, und uvx holt das Wheel von PyPI.

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.