Plugins

Registriert System-Prompt-Abschnitte für Schlussfolgern auf vereinfachtem/traditionellem Chinesisch, mit strict/prefer und optionaler Antwortsprachen-Regel. /thinking-zh schaltet pro Sitzung. Keine Runtime-Abhängigkeiten.

DSH-Profil-Sync per WebDAV. 5 Teile: models (cordis.patch.yml:llm-pi-ai), defaults (agent-default-model), patch (übriger loader), plugins (package.json-Dependencies/dsh.profile.bundles), dirs (gewählte absolute Pfade, gleicher Zielpfad, add-only; max. 5 dirs, je ≤2000 Dateien/8 MiB). Lokal mit Passphrase AES-256-GCM/PBKDF2-SHA256 600000; nur Ciphertext an <address>/dsh-webdav/dsh-profile.prop. Merge 3-way vs Baseline: neuere Kopie bleibt, andere nach sync/ (5/Label), vor Überschreiben versiegelt. Löschungen außer plugins/erstem Sync/dirs; dir-Abwahl stoppt Sync, löscht keine Dateien. ETag If-Match/If-None-Match verhindert paralleles Überschreiben. Manuell/3/15/30/60 Min. sync.json unter <profileDir>/.dsh-webdav-sync/ (0600) enthält WebDAV-Passwort/Passphrase.

Prüft ONNX-I/O, Shapes, Opset, Operatoren, Größe; benchmarkt ONNX Runtime lokal oder per SSH. Meldet Durchschnitt/P50/P95/P99-Latenz, FPS, echten Provider und PASS/FAIL-Gates für FPS/P95/Größe. Python 3.10+, numpy, onnx, onnxruntime, psutil nötig; remote: python3/numpy/onnxruntime.

Modelliert und prüft Aussagen aus Design/Plan/Dokument: rendert und reviewt UML, prüft Zustandsautomaten/Protokolle/Datenmodelle, Migrationsabdeckung und Rollback-Symmetrie; leitet Nebenläufigkeit an passende Checker, auditiert Abhängigkeiten und vergleicht Berichte.

Ergänzt im Composer-Modellmenü eine dritte Zeile Context window mit Kapazitätsvorgaben (64K–2M), eigener Eingabe, providerweiter Synchronisierung und adaptiver Compaction-Sperre.

Allgemeines Monitor-Plugin für DSH Desktop: HTTP-Polling-Regelwerk. Prüft beliebige Endpoints nach Zeitplan (mehrere Schritte, Variablenextraktion, JS-Bedingungsausdrücke); bei erfüllten Bedingungen wird eine sichtbare Agent-Sitzung zum Handeln geweckt, sonst gibt es keine Modellaufrufe. Sidebar-GUI für Erstellen, Bearbeiten, Pausieren, Testen, sofortiges Auslösen und Laufverlauf, mit UX wie der integrierte Scheduler.

Stellt eine laufende DeepSeek-Harness-Instanz über MCP für externe Agents bereit. Diese können deren eigene Sitzungen auflisten, erstellen und fortsetzen, einen Turn delegieren und Ergebnisse abrufen, Fragen des DSH-Agents beantworten sowie festlegen, wie künftige Freigabeanfragen behandelt werden.

Zeigt den Kontextverbrauch jeder Skill und blendet sie ohne Löschen aus dem Katalog aus. Listet jede Skill auf dem Datenträger mit der exakten Katalogzeile für das Modell (normalisierte und am Limit gekürzte Description), Body-Größe und Token-Schätzung. Zeigt die Katalognachricht bytegenau wie beim Agent, vergleicht sie mit der bereits in der aktuellen Sitzung veröffentlichten Kopie und meldet Skills, die wegen ungültigem Frontmatter oder Shadowing durch eine höher priorisierte Root nicht im Katalog landen. Ausblenden setzt disable-model-invocation im Frontmatter, behält aber die Datei; `/name` funktioniert weiter. Import aus ClawHub, Skills.sh und GitHub-URLs sowie Deinstallation nutzereigener Skills möglich.

Skill-Verwaltungsseite für dsh: je Agent-Modus Skill auf on, manual only, model only oder off setzen; Ladevorgänge je Modus aus dem Sitzungsverlauf zählen; skills.sh durchsuchen und von GitHub installieren; aus Codex, Claude Code oder Ordner importieren; Skills erstellen, bearbeiten, versionieren und löschen (Papierkorb). Modi funktionieren auch nach Deinstallation weiter.

OCR für gescannte, rein bildbasierte PDFs mit Markdown-Ausgabe. Da ein Buch etwa eine Stunde dauert, wird jede Seite checkpointed und ein unterbrochener Lauf fortgesetzt; ein Fortschrittslog zeigt den Status, der Qualitätsbericht leere Seiten und unsichere Zeilen. Erfordert Python 3.10+ und `pip install -r requirements`; beim ersten Start wird das OCR-Modell heruntergeladen.

Ordnet alle geladenen Skills in nutzereigene Workspaces ein, über einen Tab in der rechten Seitenleiste. Jeder Workspace hat eigene Kategorien und Skill-Zuordnungen; Kategorien lassen sich direkt erstellen, umbenennen, sortieren und löschen, Skills per Ziehen oder Auswahl verschieben. Beim ersten Start kann das Profilmodell die erste Einteilung erstellen oder Skills in zuvor vom Nutzer angelegte Kategorien einordnen. Klick auf eine Zeile kopiert `/skill-name`; Hover zeigt die mitgelieferte Beschreibung.

Skill-Filterung per Tags: Weise Skills Tags zu und übergib je Workspace oder Unterhaltung nur die Teilmenge, die ein boolescher Tag-Ausdruck auswählt (z. B. `pdf + docx` oder `aegis * plugin`). Ausgeschlossene Skills werden per deny-shadow aus dem Modellkatalog entfernt, nicht nur in den Einstellungen versteckt. Skills außerhalb des Ausdrucks lassen sich manuell hinzufügen oder zwangsweise deaktivieren. Das enthaltene `tagging-skills` zeigt dem Agent, wie Tags anhand der laufenden Maschine abgeleitet werden.

DocChain-Wissensbasis und Dokumentkonverter: Suche nach Dateiname, Inhalt und Metadaten; Inhalt über doc_id/Name finden und lesen; Themen auflisten; Stapel-Upload; Dokument zu Markdown; Bildähnlichkeitssuche und Bildbeschreibungen je Dokument als Sidecar-Markdown; Deep Research. Jede Skriptfunktion gibt es auch als natives DSH-Tool in-process: doc search/content search/filename search/topic info/metadata search/upload/image search/image describe/doc2markdown. Einstellungen verwalten mehrere Umgebungen mit eigener Adresse/Zugangsdaten, Ein-Klick-Wechsel und Themen je Umgebung. docchain-Service-URL und API-Key nötig, außer für doc2markdown. Bildbeschreibungen benötigen zusätzlich einen OpenAI-kompatiblen multimodalen Endpoint (konfigurierbares internes Gateway-Modell als Standard).

Übersetzer für Windows x64 mit eigenem Seitenleisteneintrag und Workbench-/Chat-Oberfläche, paralleler Text- und Dokumentübersetzung, Bildschirmbereichsübersetzung, Verlauf, Host-Modellauswahl, Spracheingabe und Vorschau. Dokument-OCR nutzt CUDA mit CPU-Fallback; Bildschirm-OCR läuft auf der CPU. CPU- und CUDA-Paket nicht gleichzeitig aktivieren.

Übersetzer für Windows x64 mit eigenem Seitenleisteneintrag und Workbench-/Chat-Oberfläche, paralleler Text- und Dokumentübersetzung, Bildschirmbereichsübersetzung, Verlauf, Host-Modellauswahl, Spracheingabe und Vorschau. CPU-OCR ohne NVIDIA-Abhängigkeiten. CPU- und CUDA-Paket nicht gleichzeitig aktivieren.

Zwei-Wege-Sprache für die DSH-Web-App: Diktat über den einheitlichen Composer und Antworten per Lautsprecherschaltfläche oder automatischem Vorlesen hören, auf jedem Gerät. Benötigt DSH 0.1.7+, Node 22+, Python 3 mit numpy und requests, ein TTS-Modell und ein Mikrofon.

Besprechungsnotizen für dsh: eine Besprechung je Unterhaltung, lokal transkribiert und nach Sprechern getrennt, mit Punkten, Aufgaben, handschriftlichen Notizen, Reviews und Monatswerten im selben Panel. Export als SRT/Markdown/Word und portables ZIP zum Import in anderes dsh. Bestätigte Aufgaben gehen per Klick entsprechend den Robotereinstellungen an DingTalk/WeCom. Erkennungsmodelle austauschbar; stärkeres lokales Modell per Datei importierbar. Cloud-Erkennung standardmäßig aus, keine Anfrage ohne Zustimmung. Word-Export benötigt Python und python-docx; beim ersten Lauf wird ein Modell mit 28 oder 77 MB geladen.

Durchsucht gemeinfreie Werke in Project Gutenberg, Wikisource, Internet Archive und Standard Ebooks nach Titel, Autor, Figur oder grob erinnerter Handlung oder importiert EPUB/PDF/TXT/DOCX/Markdown zum Anhören in der Seitenleiste. Mit Microsoft-Edge-Neuralstimmen, offline Kokoro oder Gerätestimmen; merkt die Position, ermöglicht Sprachnotizen zum zuletzt gehörten Abschnitt und Gespräche über das Buch mit dem DSH-Modell.

Strukturierte Bilderkennung: Lokale sharp-Messungen und ein Cloud-Vision-Modell liefern in einem Aufruf Beschreibung, OCR mit Koordinaten, Objektpositionen und detaillierte Attribute. Ein Fingerprint-Cache liefert wiederholte Bilder in Millisekunden ohne Modellkontingent zu verbrauchen.

Cloudflare-Workers-AI-Medientools für dsh: text-to-image, text-to-speech und speech-to-text. Mit Preisabzeichen je Modell, nativer Einstellungsbox, Wiederverwendung eines bestehenden Cloudflare-Kontos und Ausgabedateinamen nach dem erzeugenden Modell.

Lässt das Modell ein Video wirklich sehen: Lokales ffmpeg entnimmt Standbilder mit Zeitstempeln, faster-whisper transkribiert die Audiospur; so liest der Agent echte Pixel Frame für Frame, statt einer Textzusammenfassung zu vertrauen. Vollständig lokal, kein Upload; weist ehrlich auf fehlende Sprache hin. Nur Windows; Python 3.10+ und ffmpeg erforderlich. Der erste Aufruf von video_eyes_setup lädt etwa 700 MB (faster-whisper und Modell) herunter.

Tencent-Yuanbao-Search-Provider für den ctx.web-Einstieg: Ein direkter Search-API-Aufruf je Anfrage liefert portable Titel, URL, Snippet und ISO-8601-Datum. Zugangsdaten werden je Suche aufgelöst, ohne zusätzlichen Modellturn. Erfordert einen Tencent-Cloud-WSA-API-Schlüssel.

System-One-Entscheidungsruntime für dsh. Schnelle nicht-generative Tools (choice, score, screen, gate) auf lokalem oder gehostetem Gateway; ohne dass das Modell etwas aufrufen muss, werden übergroße Tool-Ausgaben automatisch abschnittsweise gekürzt, identische Wiederholungen nach von System One bestätigtem Stillstand abgelehnt, Abschlussbehauptungen anhand realer Tool-Belege geprüft und fehlgeschlagene Wiederholungen korrigiert. npm: dsh-harness-reflex (Plugin), harness-reflex (Core, auch stdio-MCP-Server).

Workspace-Gate, das Tool-Schemas und Systemprompt-Abschnitte ausgewählter Plugins in Verzeichnissen ausblendet, in denen sie nicht benötigt werden.