Plugins

LLM-überwachtes persistentes Gedächtnis für KI-Agenten — graphbasierter Abruf, sitzungsübergreifendes Wissen, einzelne Binärdatei. Funktioniert mit DeepSeek Harness, Claude Code, OpenClaw und jeder Agent-Runtime.

Proaktive assoziative Gedächtnisfunktion für DSH: injiziert an einer festen Grenze promptfreies Recall, mit dreischichtiger Auto-Konsolidierung, Skill-Kristallisierung und Astra-artigem Kontextmanagement. Enthält Übergabeprotokolle und ein PLAN-Whiteboard, die Fensterwechsel des Kontexts überstehen, sowie Wasserstandserkennung mit automatisch erkanntem Modellfenster. Lokale Markdown-Speicherung, modellagnostisch, null Abhängigkeiten; lexikalische 0-GB-Untergrenze mit optionalen semantischen Ebenen.

Konfiguriert contextWindow für in dsh registrierte Modelle, damit lange Sitzungen nicht länger fälschlich als Kontextüberlauf eingestuft werden.

Terminal-artiger Eingabeverlauf für den Web-Composer: kantenpriorisierter Abruf per Pfeiltaste mit exakter Wiederherstellung von Entwurf/Cursor, browserlokal persistenter Verlauf, Rückwärtssuche mit Ctrl+R und Bewusstsein für den gleitenden Kontext; Version 0.5.0 fügt eine intelligente Eingabeschicht hinzu — sitzungsübergreifende Snippets (/save, /load), Prompt-Vorlagen mit Variablen, Wiederverwendungs-Einblicke und Hervorhebung von Kompaktierungs-Zusammenfassungen.

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.

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.

MCP-Gateway mit progressiver Offenlegung: durchsucht große Remote-Kataloge über `mcp_search` und ruft dann exakte Schemas über `mcp_call` auf – mit verzögerten Verbindungen und begrenzten Caches.

Verlustfreies Falten des Kontexts für DeepSeek Harness: der älteste Abschnitt wird durch eine Kurzfassung ersetzt, die Originale bleiben im Sitzungsprotokoll erhalten.

Kapselt Arbeit in benannte Aufgaben und faltet beim Schließen einer Aufgabe den gesamten Nachrichtenbereich an der nächsten Schrittgrenze zu einer einzigen Zusammenfassung; der ursprüngliche Inhalt kann auf Wunsch wiederhergestellt werden.

Modellwechsel und Steuerung des Reasoning-Aufwands für DeepSeek Harness: Die Agenten-Tools set_model und list_models lassen den Agenten mitten in der Aufgabe autonom Anbieter, Modell oder Denktiefe ändern, mit Pflichtbegründung, Anbieter-Whitelist und Token-Druckwächter des Kontextfensters; das aktive Modell wird in den Laufzeitkontext injiziert, und der automatische Plan-Mode-Übergang wechselt beim Eintritt in den Planmodus zu einem konfigurierten Planungsmodell und stellt beim Verlassen das vorherige Ausführungsmodell wieder her.

Modellgesteuertes Paket zum Überlaufen des Kontextfensters für DeepSeek Harness: frischer Arbeitskontext, dauerhafte, vom Modell verwaltete Notizen, ein kleiner wörtlicher aktueller Schwanz und gezielte Wiederherstellung der Historie – ohne Zusammenfassung.

Vergessenskurven-In-Place-Dialogkomprimierung für DeepSeek Harness: Aktuelle Turns bleiben wörtlich, mittlere Turns werden strukturell dehydriert (ohne LLM), alte Turns werden in ein begrenztes Zusammenfassungspaar gefaltet — unbegrenzte Gespräche auf begrenztem Speicherbudget.

DeepSeek-Harness-Adapter für Context Mode: In-Process-ctx_*-Tools für sandboxed Codeausführung und eine FTS5-Wissensbasis, plus Routing-Hinweise zum Kontextfenster.

Windowed, reversible context management for DeepSeek Harness; replaces Basic compaction.

Fronts stdio MCP servers with three router tools (list_capabilities, describe_tool, call_tool) so schemas load on demand instead of riding every request; shapes every tool result through a deterministic output ladder that archives the original first (retrieve_spill reads it back); prices tool groups in tokens and can hide built-in groups per agent. Bridges to a standard-library Python router, so Python 3.9+ is required.

Compaction fallback for compaction-basic: when its LLM summary throws, comes back empty or cannot fit the window, the span is compiled deterministically with a seq pointer on every line (vendored dsh-compaction-instant compiler). Adds recall and search tools, /recall and /context commands, an idle trigger at 45% of the window and an on-disk span archive. The engine mounts as one row in the agent preset (docs/dsh-integration.md).

One MCP tool instead of every schema you own — a lazy capability broker that cuts resident tool context by a measured 94.4%. Search, inspect, enable and call MCP servers and skills on demand.

Adaptive Reversible Context (ARC) für DeepSeek Harness — anbieterbewusste, cache-bewusste Kontextverwaltung mit reversibler Wiederherstellung.

Codex-artige Kontext-Sichtbarkeit für DeepSeek Harness: Live-Belegung des Kontext-Fensters, Kompositions-Aufschlüsselung, KV-Cache-Hit-Rate und eine GitHub-artige 53-Wochen-Nutzungs-Heatmap

Rapid-refill circuit breaker for DeepSeek Harness automatic compaction. It refuses a compaction that would be futile — the context refilled within fewer than N tool turns M times in a row, which the unbounded step-pressure trigger cannot detect — and instead of burning a summarization call on every step it reports the situation with advice, usually that a single read or tool output was too large. Shows state and re-arms through /compaction-breaker, and injects one prompt section so the model relays it to the user. Covers host-plane sessions through its profile bundle; ordinary sessions need one row replaced inside an agent preset.

Context occupancy and account balance for the DeepSeek Harness Web Client: a session-header readout, a balance capability seam, and a DeepSeek provider

Adds per-route context window and compaction threshold fields to the Models settings page and a vendor-aware thinking-effort picker to the composer, writing llm-pi-ai capacities, reasoningEfforts, and a compaction-basic patch row.

会话注入门控：给 DeepSeek Harness (dsh) 加一个会话级上下文裁剪闸门，按会话取消/恢复插件贡献的 skill、tool、系统提示词段落——3 条影子通道、5 条本地路由、零依赖零配置。Per-session injection gate for DeepSeek Harness (dsh): trim skills, tools and prompt sections per session. Zero-config, zero dependencies.

Context-window attribution for DSH Web: a Mini Utility Dock panel that ranks the user messages, assistant turns, reasoning blocks and tool results of a session by the tokens each one occupies, so it is clear which entries hold the window. It also shows the share by entry type, the heaviest entries across the live sessions of the host, and, where the host provides them, provider usage and the estimated system/tools/messages composition. The panel is read-only: it does not estimate cost, modify a session, or trigger compaction.