Plugins

Skill Forge für DeepSeek Harness: Verdichtet eine Unterhaltung oder eingefügten Kontext zu einem wiederverwendbaren `SKILL.md`, damit eine ähnliche spätere Frage den Skill nutzt, statt die Antwort neu herzuleiten. Mit vier Modell-Tools und Web-GUI-Panel.

DSH-Bundle, das den wensu-(文溯-)MCP-Server über stdio einbindet.

Token-Nutzungsanalyse für DeepSeek Harness: Durchsucht die eigenen Session-Logs des Hosts und meldet Verbrauch je Anbieter/Modell, Cache-Hit-Raten, Tagestrends und eine Fähigkeitsrangliste aller aktuell aufrufbaren Modelle.

Modellübergreifende Kontinuität für DeepSeek Harness: Gedächtnis, Skills und Regeln liegen in lokalen Dateien, damit Urteilsfähigkeit Sitzungs- und Modellwechsel übersteht. Ziel ist nicht mehr Speicher, sondern dessen sinnvolle Nutzung nach einem Modellwechsel.

dsh-TokenLens (词元透镜): anbieterspezifische Tarifkapazität und lokale Token-Statistiken (heute/7 Tage/30 Tage/gesamt), nach Harness/Anbieter/Modell/Workspace.

Verbindet Huawei-Cloud-CodeArts-Abonnementmodelle mit DeepSeek Harness.

StartLux Decision: kostengünstige Entscheidungsschicht für DeepSeek Harness. Implementiert alle neun Entscheidungspunkte: Tool-Berechtigung, Modell-Routing, Delegation, Kompaktierung, Turn-Fortsetzung, Retrieval, Skill-Auswahl, Sitzungstitel und COT-Übersetzung.

Anti Blind Approval, Approval-Guard für DeepSeek Harness: Prüft Workspace-Write-Eskalationsanfragen mit dem Sitzungsmodell und gibt die Allow-Schaltfläche nur bei einem strikten JSON-Urteil frei.

Kleines Perlenkunstspiel in der rechten Seitenleiste von DSH Web für die Wartezeit auf das Modell: 12 Vorlagen mit Führungsperlen, freies Zeichnen auf 12/16/24-Feldern mit 16 Farben, Modellmuster aus einem Satz und lokale Bild-zu-Muster-Umwandlung (Bilder werden nie hochgeladen). Fertige Werke lassen sich auf eine Wand mit bis zu 60 Stücken bügeln und als PNG exportieren.

Spanisch-Übungspanel für DeepSeek Harness: sechs lokal bewertete Übungstypen (Verbkonjugation in 11 Zeiten, Genus, Plural, Vokabelerkennung, Lückensätze, Grammatik zu ser/estar und Subjunktiv), ein vom Modell bewerteter Tab für Szenariotexte, 8-stufige Wiederholung und vier Agent-Tools. Antworten werden im Plugin berechnet und bewertet; das Modell dient nur zum Unterrichten und Erklären.

Lokaler Tool-Schutz, der jeden DeepSeek-Harness-Aufruf vor der Ausführung mit einem Ollama-Entscheidungsmodell bewertet. Riskante Aufrufe verlangen eine Freigabe; bei nicht erreichbarem Modell werden alle Aufrufe gestoppt. Erfordert DSH 0.2.x und lokales Ollama 0.35.1+ mit vorab geladenem Standardmodell clef-flash (~6 GB); andernfalls werden alle Tool-Aufrufe abgelehnt.

Lässt destruktive Shell-Befehle vor der Ausführung von einem Modell prüfen, fragt nach Bestätigung oder blockiert sie und bricht laufende Befehle ab, sobald zu viele Dateien gelöscht wurden.

Git-Workflow-Studio für DeepSeek Harness: Branchmodell wählen, Conventional Commits durchsetzen, PRs nach Fehlerdichte prüfen, Historie sicher umschreiben, verlorene Commits per reflog retten und Releases nach tatsächlicher Verhaltensänderung versionieren.

Graph-first-Berechtigungsvorabprüfung für DSH. Das Modell deklariert einen Berechnungsgraphen, dessen Knoten die semantische Aktion benennen (was wohin geladen, geschrieben oder gelöscht wird). Der Nutzer genehmigt Knoten einzeln im Seitenpanel; eine Freigabe gilt für eine erfolgreiche Ausführung. Jeder Knoten führt ein Audit-Protokoll der tatsächlichen Aktionen. Nicht abgedeckte Vorgänge fragen erneut über die native Freigabekarte; ein wegen unbeantworteter Berechtigung blockierter Knoten wird ausgesetzt, unabhängige Arbeit kann weiterlaufen.

Verwaltet Subagenten und Agent-Teams-Mitglieder in DeepSeek Harness: Laufende Instanzen stoppen und anschließend wirklich entfernen, indem Katalog- und Roster-Einträge mit sequenzerhaltenden Log-Tombstones ausgemustert und Sitzungsverzeichnisse in einen wiederherstellbaren Papierkorb verschoben werden. Mit Model-Tools, Unterhaltungskopf-Panel und Offline-CLI.

Enthält eine Deep-Read-Paperbibliothek und das Skill paper-deepread-html: Seitenpanel für interaktive Leseberichte, PDF-Upload in eine verwaltete Bibliothek, Tiefenanalyse durch einen Agenten oder einen optionalen Site-Auto-Read-Worker sowie Verwaltung und Neuaufbau. Model-Tools: paper_deepread, paper_deepread_uploads, paper_deepread_reports. Für Deep-Read/Import/Berichte ist Python 3 nötig; das Skill richtet beim ersten Einsatz eine PyMuPDF-venv ein, beim Index-Neuaufbau erfolgt der Fallback auf plain python3.

Ergänzt Agenten um Stimme: emotionale Sprachsynthese (ChatTTS, falls verfügbar, sonst edge-tts), Gesangsmodus, mp3-Ausgabe und lokale Wiedergabe über ffplay. Erfordert Python 3.10+ mit installiertem edge-tts sowie ffmpeg/ffplay. ChatTTS und Modellcache sind optional. Eigene Installationspfade in pythonPath/ffmpegPath/ffplayPath von cordis.patch.yml eintragen.

Kann das ausgewählte Modell Bilder nicht sehen, werden sie von einem Vision-Modell desselben Providers gelesen und die Beschreibung an das Textmodell übergeben.

Liest Videos mit einem reinen Textmodell: Mit installiertem ffmpeg werden alle 0,1–10 Sekunden Frames in Kontaktbögen mit echtem Timecode extrahiert; die Audiospur geht für ein zeitgestempeltes Transkript an iTingnao (ITINGNAO_API_KEY erforderlich), und jeder Bogen wird von einem bildfähigen Modell im Host beschrieben. Kein weiteres Vision-Plugin nötig. Ein Composer-Regler setzt das Intervall; reine Audiodateien werden ohne Frame-Sampling transkribiert.

Ergänzt ein Tool, das den Windows-Desktop als PNG aufnimmt und dem Modell den Pfad übergibt, sowie eine Kameraschaltfläche im Composer zum Anzeigen, Herunterladen oder Kopieren des Screenshots.

Blendet opt-in-fähige Skills und MCP-Server von Drittanbietern aus modellseitigen Katalogen aus und stellt sie über ein einzelnes Capability-Tool bereit: nach Absicht suchen, Schema oder Skill-Anleitung lesen, dann aufrufen. Ein lokales Journal protokolliert nur Metadaten, niemals Abfragetext oder Argumente.

ChatGPT-Codex-Autorisierung innerhalb des Prozesses, Modellerkennung und Quotenanzeige für DeepSeek Harness.

Linear-Tools für DeepSeek Harness: 26 modellseitige Tools über die Linear-GraphQL-API (issues, comments, relations, teams, states, labels, projects, cycles, users) sowie linear_graphql als freien Zugriff. Ein persönlicher Linear-API-Token ist erforderlich.

Lokale Dokumentbibliothek für DSH Desktop (nur Windows, Installation über das enthaltene PowerShell-Skript). Dateien einmal hochladen und in jeder Unterhaltung mit vier Tools suchen und lesen: library_list / library_search / library_read / library_save. Upload, Download und Sammeldownload erfolgen im Settings-Panel. Dateien bleiben auf dem Gerät, sofern nicht das optionale Vision-Modell aktiviert wird; dann werden Bilder an den konfigurierten Endpoint gesendet.