Plugins

OpenViking-Speicher- und Kontextpaket für DeepSeek Harness: automatischer Abruf vor jedem Schritt und Profil-Injektion, Sitzungserfassung, Schutz von `viking://`-URIs sowie Speicher-Abruf-/Schreibwerkzeuge, die von einem OpenViking-Server unterstützt werden.

Sitzungsübergreifendes Langzeitgedächtnis + Selbstevolution im Hintergrund (5 Spuren: Gedächtnis/Git-Branch-Bewusstsein/Skill-Evolution).

White-Box-AGI-Architektur-Erkundung: Metakognition (Selbsterkennungsschleife), kontinuierliches Lernen (Wissens-Schwungrad), Weltmodell (Bedingungsraum, räumlich-zeitlicher Speichergraph), Selbstverbesserung (Bootstrap-Disziplin), Zero-LLM-White-Box-Pipeline und überprüfbare Vertrauens-Leitplanken.

Lokal von Git gestütztes Langzeitgedächtnis für DeepSeek Harness mit hybrider CJK-/Englisch-Suche, zitiertem Kontext, transaktionaler Synchronisierung, Vorschauen und Rollback.

Begrenztes, geschichtetes, genehmigungspflichtiges und auditierbares sitzungsübergreifendes Gedächtnis: eine typisierte `ctx.memory`-Schnittstelle mit einem abhängigkeitsfreien SQLite-Provider, einem `memory`-Tool und der Injektion eingefrorener Snapshots, plus die Erprobung von dsh-memory-protocol v1 mit einer Adapter-Registry und einer verteilbaren Konformitäts-Suite.

Reines Plugin für DeepSeek Harness: sitzungsübergreifendes Gedächtnis (fünf Spuren), Git-Branch-Erkennung, Selbstprüfung je Runde, weiterentwickelnde Skills mit Skill-Manager, vierspurige To-dos, COI-Scheduling, Sitzungs-Broadcast/-Suche, Prompt-Manager, Notizen — ohne Kernänderungen/Abhängigkeiten.

Verbindet das von Claude Code inspirierte Auto Memory mit der von Codex inspirierten Session-Konsolidierung und bringt so einfaches, transparentes und kontexteffizientes Langzeitgedächtnis zu DeepSeek Harness.

Ein in sich geschlossenes zweites Gehirn für DeepSeek Harness — erfasst dauerhaftes Dialogwissen automatisch in einem lokalen Markdown-Tresor (benutzerdefinierte Deduplizierung, CJK-Suche, git-freundlich), mit einer grafischen Wissensdatenbank und einem interaktiven Wissensgraphen (Legendenfilter, Zeitachsen-Färbung, Box-Auswahl, Zusammenführen, Löschen, PNG-Export/-Import).

Lokal-erster persistenter Speicher für DeepSeek Harness: begrenzte Pre-Step-Hot-Memory-Injektion, exakter und chinesischer Bigramm-BM25-Cold-Recall, sechs Agent-Werkzeuge, genehmigungsgesteuerte Lease-Lock-Schreibvorgänge mit Recovery-Quittungen sowie read-only Governance- und Trajectory-Review-Kandidaten.

Session-übergreifendes Speicher-Plugin für DSH (v0.6.1, npm @asherliner/dsh-memory-connect): automatische Extraktion, SQLite-FTS5-Indizierung, RRF-semantisches Abrufen, das in jedem Zug in den System-Prompt injiziert wird, geplante Wartung, LLM-Konsolidierung via ctx.llm, Verhinderung von Kontext-Explosion, globale Soul-Identität via ~/.dsh/soul.md. v0.5.0: temporaler Kontextgraph, Vertrauensmodell, Zusammenfassung am Zugende. v0.6.0: lokale semantische Embeddings (BAAI/bge-small-zh-v1.5), keine Cloud-Aufrufe. v0.6.1: ~-Expansion in der Pfadkonfiguration behoben. Installation ohne Konfiguration.

Menschlich lesbare Markdown-Speicher für DeepSeek Harness: Speicher auf Benutzerebene (~/.deepseek-harness/MEMORY.md) + Workspace-Ebene-Speicher, der in jedem Turn injiziert wird, automatische tägliche Log-Erstellung mit Destillation, Brücke zu bestehenden WorkBuddy/CodeBuddy-Speicherverzeichnissen, memory_note / memory_note_user / memory_read-Tools mit eingebautem Deduplizieren und eine zweisprachige Einstellungsseite. Klartextspeicherung, keine Datenbank.

Sitzungsübergreifender Gedächtnistresor: Tools remember / recall / forget, Prompt-Injektion pro Runde und ein Eintrags-Browser auf der Einstellungsseite.

Sitzungsübergreifender Klartext-Speicher: deterministic BM25-Schlüsselwort-Wiederherstellung (keine Embeddings), Werkzeuge memory_save/list/search/confirm/forget hinter einem human-confirm-Gate, sowie globale und projektbezogene JSON-Speicher, die deinem git-Repo folgen.

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.

Persistenter Projektspeicher im ZCode-Stil mit vollständigem Einstellungsmanager, Index-First-Injection und Agent-Speicher-Tools.

Codex-artiger Gedächtnisentwurf pro Session für DeepSeek Harness: eine Session, ein Entwurf (rollout_summaries), zurückhaltend & passiv (Schreiben nur auf ausdrücklichen Nutzerwunsch), geschichtete Offenlegung (Zusammenfassung + Register), idempotentes Integrations-Wasserzeichen. / Plugin für ein Gedächtnis: eine Session, ein Entwurf.

Projekt- und globales Langzeitgedächtnis für die dsh-Web-GUI: geteilte POST /items-Endpunkte, Tool-Aufruf-Kontext als kompakte Zusammenfassungen in Memory-Items zusammengeführt, mit Deduplizierung und sessionbezogener Persistenz.

Von Menschen gesteuerte sitzungsübergreifende Gedächtnisräume mit unabhängigen Beziehungen zwischen Quellen und Verbrauchern, Herkunftsnachweis, Versionierung und Prüfung vor dem Einspielen.

Mehrschichtiger Dateispeicher für DeepSeek Harness mit arbeitsbereichsbezogenen USER/MEMORY-Notizen, Hintergrundkonsolidierung und hybrider Sitzungserinnerung.

Plugin zur Erzwingung des Speicherprotokolls: bindet den opencode-memory-MCP-Server an, erzwingt memory_weave vor Tool-Aufrufen, nimmt Turns automatisch auf und injiziert Speicher-Kontext in Agentenschritte.

Projektbezogenes, sitzungsübergreifendes Gedächtnis: PROJECT.md-Snapshot wird in die erste Nutzernachricht eingefügt, ein memory_remember-Tool sowie automatische Reflexion nach ReAct-Aufgaben; jedes Projekt führt seine eigene Gedächtnisdatei.

Begrenztes lokales Gedächtnis mit CBDC-Autoritätskontrolle: SQLite + FTS5-Claims, bereichsbezogener Abruf mit erklärbaren Use/Verify/Ignore-Entscheidungen und vollständigem Audit-Trail, /memory-Befehle, ≤3 Claims/1200 Zeichen Injektion pro Aufruf, kein zusätzlicher Modellaufruf.

Lightweight zero-dependency memory plugin for DeepSeek Harness: Markdown-file memory store, L0 catalog injection, and 5 model-facing tools.

Intent fitting for DSH: the agent predicts several directions first, asks a batch of clarifying questions each round, narrows the distribution until one converges, then proposes it for your confirmation. Bottom-right floating panel, local JSONL archive, a