Plugins

Rundenweise Steuerung des Thinking-Levels (reasoning_effort) für DeepSeek Harness: Auto plant low/high/max anhand der jüngsten Tool-Call-Historie, oder ein Wire-Level (off/on/minimal/low/medium/high/xhigh/max) wird manuell gesetzt, mit benutzerdefiniertem Wire-Mapping, modellbewusstem Fähigkeits-Guard und Kontextfenster-Presets (64K–1M); die Modell-Capability-Card arbeitet mit [dsh-llm-openai-completions](https://github.com/drscrewdriver/dsh-llm-openai-completions) (aus dsh-market installierbar), damit OpenAI-kompatible Gateways (vLLM / LM Studio / self-hosted) Reasoning testen können. Die Card schreibt llm-pi-ai-Fähigkeiten, der Adapter treibt das Wire (compat.thinkingFormat) an und das Plugin pflegt die Takeover-Liste.

Typora-artiger Markdown-Editor für die rechte DSH-Seitenleiste: Live-Mathematik und Mermaid, rechts neben ein Bild klicken, um in der nächsten Zeile weiterzuschreiben, und versionsgesichertes Speichern mit Ctrl/Cmd+S, auch außerhalb des Sitzungs-Workspace. Auswahlen mit absolutem Dateipfad in den Chat einfügen.

Lokale Medien (Video/Audio/Bild) für Zeitlinie/Transkript/Bereiche. Fallback je Medium in meta.attempts (nie still): Host-Multimodal→OpenAI-kompatibel/Schlüsselrotation→lokales ffmpeg/ASR→Metadaten. Cooldown nur bei Auth/Quota; Kandidat bleibt, wandert ans Ende (nicht verworfen). Fehler vor Kürzung schwärzen; Magic Bytes statt Endung. Optionales vision-bridge; Modellregistrierung/Inline-AV (video_url/input_audio) braucht optionale Peers dsh-thinking-levels und dsh-llm-openai-completions; sonst fehlerfreie Degradation. Standard remote; strictLocalOnly lokal. ffmpeg/ffprobe und lokales ASR-CLI nicht enthalten, nur für lokalen Fallback nötig; fehlen sie, Rückfall auf Metadaten. Hosts 0.1.7/0.2.0/0.2.1 (6 rc, engines.dsh enum); npm dsh-media-lens.

OpenAI-completions-compatible adapter for custom gateways (vLLM / LM Studio / self-hosted proxies): always role:"system", thinking driven by the model config, Qwen-style response split, and vision-model image input (single / multiple).

Manual model probe for DeepSeek Harness: a session-view tab where you pick provider, API type, model and route, then send one real raw HTTP request over openai-completions, openai-responses or anthropic-messages — streaming or not — and read latency, TTFT, HTTP status, token usage and a three-layer diagnosis chain (API request / model response / strict check) on one screen, with errors in plain language.