Plugins

Unauffälliger Browser-Treiber für KI-Agenten: wenige Tools, volle Kontrolle und Token-Effizienz.

Enthält 27 Engineering- und Produktivitäts-Skills (mattpocock/skills v1.3.1), ohne manuelle Skill-Installation. Der Autor gibt an, es mit 40 Milliarden Tokens erstellt zu haben und auf Basis der ursprünglichen Skills zehnfache Entwicklungseffizienz zu bieten. Erleichtert Neulingen den Einstieg in die Sammlung. GitHub Issues wird vollständig unterstützt; Markdown ist eine Vorschau, GitLab wird noch nicht unterstützt. Danke für Nutzung und Unterstützung.

Filtert Tool-Ausgaben, entfernt veralteten Kontext und gibt Skills bei Bedarf frei; DSH 0.2.1-alpha.1.

Selbstgebautes DSH-Gedächtnis-Plugin: SQLite-Persistenzspeicher + Audit-Wächter auf Datenbankebene (enforceAudit) + Audit-Protokoll. Erfasst Wissen nach Gesprächen automatisch, Agenten erinnern per memory_recall, Unterstützung für Multi-Agent-Teilen mit Claude Code/Codex/Cursor. Null externe Abhängigkeiten.

Analysiert die Nutzung über Modelle, Anbieter, Arbeitsbereiche und Zeiträume — mit eigenen Start-/Enddaten über die gesamte Historie — inkl. Cache-Hit-Einblick und Aufschlüsselung nach Modell und Anbieter. Enthält stündliche/tägliche Trends, 53-Wochen-Heatmap im GitHub-Stil, Serien, Token-Quota-Ringe pro Modell und Arbeitsbereich (Tokens, Kosten, %), kombinierbare Filter, Cache-Effizienz, DeepSeek-Guthaben, Bereichs-Aliase, CSV-Export und ein dauerhaftes Journal, das Nutzung nach Sitzungs- oder Bereichslöschung bewahrt (Deleted-Zeile) und inkrementell neu aufbaut. Die Bereichs-Registry wird über die DSH-domain/changed-Sonde frisch gehalten; nur registrierte Bereiche zählen. Getrennte Buchhaltung für Eingabe, Cache und Reasoning. Chinesisch: Ortszeit; Englisch: UTC; API nur Loopback.

Erzwingt Kontextkomprimierung beim Ausführen von llama.cpp-Modellen mit niedrigem Kontext wie Qwen3.8-27B, verbessert die Modelleffizienz und die Nutzungsglätte, zusammen mit gut ausgearbeiteten Komprimierungs-Prompts.

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.

On-demand memory for DeepSeek Harness: session logs are distilled into layered markdown (a summary, an index and per-topic files), and a mem_query tool returns only the matched entries rather than the whole index. Nothing is injected per turn, there are no dependencies, and every entry keeps a source pointer back to the conversation it came from.

Context curation for DeepSeek Harness: content-aware tool-output slimming, dead-log sweep, pinned user requirements and in-flight work, archive-then-compact with an audit trail.

A DSH conversation workspace: turn actions, provenance quotes, local notes and summaries, in-conversation find, focus lock, and per-workspace command buttons.

Multi-agent frugality defense plugin: read-ledger dedup metrics, compaction-immune rules, completion gate, cheap-model review lane.