Plugins

Inoffizieller Command-Code-LLM-Provider: registriert eine `commandcode`-Route mit einem Live-Modellkatalog und Unterstützung für Reasoning-Effort.

Adaptiver Reasoning-Slider-Skin, der die verfügbaren Reasoning-Effort-Stufen jedes Modells auf eine visuelle Intensitätsskala von 0 bis 30 abbildet, mit synchronisierten Porträts, Hintergrund und Oberflächenfarben.

Desktop-Feature-Sammlung, die die DSH-Web-UI-Kollektion, dshmarket, Codex Connect und die Reasoning-Effort-Steuerelemente in festgelegten Versionen installiert.

Codex-artiger Reasoning-Intensitäts-Slider für DSH, sowie ein Slider für den „dicken laufenden Fisch". Codex-artiger Modell- und Reasoning-Effort-Slider für DeepSeek Harness.

ChatGPT-Konto-Anmeldung für DeepSeek Harness über einen Codex-Browser-OAuth-Flow ohne API-Key und ohne Workspace-Auswahl: meldet den Login beim Codex-Anbieter von pi-ai an, ermöglicht das Setzen des globalen Standard-Codex-Modells und des Standard-reasoning effort für neue Sitzungen, aktualisiert die Modellliste über den Katalog-Endpoint des angemeldeten Kontos und zeigt im Composer die Nutzungszeitfenster von fünf Stunden und pro Woche.

Lass deine Ideen fließen — Tydora ist ein moderner Desktop-Markdown-Editor, der WYSIWYG-Bearbeitung, bidirektionale Links, Mindmaps und eine unendliche Leinwand vereint und so tiefes Denken und mühelosen Ausdruck ermöglicht.

Reasoning-Effort-Stufen und Sub-Agent-Standards für benutzerdefinierte DSH-Modelle konfigurieren.

Per-Modell-Konfiguration für Reasoning-Aufwand und Eingabemodalität für Drittanbieter-Provider: Vorschläge, fusioniert aus einer Modell-Wissensbasis und Roh-/models-Endpoint-Evidenz mit Konfidenz-Labels, bearbeitbar innerhalb der offiziellen Models-Seitenkarte.

Reasoning-Effort-Schieberegler im Claude Code-Stil für die DSH-Web-UI: stufenloses Ziehen, Einrasten beim Loslassen, WebGL-Feuerspur und echte, funktionierende Denk-Aufwand-Steuerung für jedes benutzerdefinierte Drittanbieter-Modell oder Anbieter.

Liang Saint Slider als Modell- und Denkaufwand-Auswahl für DeepSeek Harness.

Ordne deine Modelle und Token-Budgets jeder Rolle zu und lass dann DSH spezialisierte Subagents nach Aufgabentyp delegieren. Deckt Architektur-Analyse, UI/UX, Implementierung, Codebasis-Erkundung und Dokumentationsrecherche ab, mit automatischem Setup sowie Reasoning-Aufwand und Tool-Berechtigungen pro Rolle.

Einstellungsseite für pro-Modell-Fähigkeiten: Reasoning-Effort-Stufen mit ihren Wire-Spellings, Eingabemodalitäten und Token-Kapazitäten, geschrieben als Deklarationen oder sparse Katalog-Overrides.

Reasoning_effort-Optimierer pro Runde für dsh — senkt automatisch die Reasoning-Stufe bei einfachen Werkzeugaufrufen und hebt sie bei schweren Aufgaben wieder an, wodurch die Denkzeit zwischen Werkzeugaufrufen verkürzt wird.

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.

Sitzungsbasiertes Task-Board in der Sidebar: Sitzungen in Todo/Doing/Review/Done-Spalten ziehen, Sitzungen mit Modell- und Reasoning-Effort-Auswahl erstellen, Trash mit Restore, Notizen, Export/Import.

Erweiterter ACP-Server für DeepSeek Harness: Block- und Reasoning-Streaming, Nutzungs-Telemetrie, Modell-/Effort-Wechsel, Berechtigungs-Presets, Session-Resume/-Archiv, pro Sitzung MCP-Server und Zed-Datei-/Terminal-Weiterleitung.

NewAPI-LLM-Anbieter (OpenAI-kompatibles Gateway): registriert eine `newapi`-Route mit reiner Chat-Modellerkennung, füllt Modellparameter (Kontextfenster, Reasoning-Aufwand) automatisch aus models.dev aus und fügt einen Web-Einstellungsbereich für Basis-URL und API-Schlüssel hinzu.

Dispatcht Subagenten mit benannten Profilen (Modell, Reasoning-Aufwand und Tool-Umfang pro Aufgabe), Sicherheitsprüfungen, Kostenschätzung mit Sparvergleich und einem vollständigen Protokoll der Dispatch-Entscheidungen.

Kiro-Modellanbieter mit Anmeldung über Builder ID, Identity Center, Google, GitHub und Credential-Import, automatischer Token- und Profilaktualisierung, Kontonutzung, Live-Modellsuche, auswählbarem Reasoning-Aufwand, Streaming-Tool-Aufrufen, Behandlung von Provider-Stoppgründen und Kontextüberlauf sowie Token-Buchhaltung, die die exakten Zähler von Kiro verwendet, wenn es sie sendet, und andernfalls den gesendeten Prozentsatz der Kontextnutzung anhand des vom Modell beworbenen Fensters skaliert.

Eine pro Provider und Modell gespeicherte Denkstufe, sodass Reasoning-Effort die Sitzung, in der es gesetzt wurde, überlebt und auch Subagenten erreicht, die dsh nie fragt. Der In-Session-Picker gewinnt weiterhin, und ein Modell ohne Zeile behält seinen Provider-Default.

Regler für den Denkaufwand im Codex-Stil, eingebettet in die Modellauswahl.

Überwacht einen lokalen workbuddy2api-Gateway-Prozess und stellt dessen Modelle als LLM-Provider bereit, wobei Kontextfenster und Reasoning-Effort-Stufen aus dem eigenen Modell-Endpoint des Gateways gelesen werden.

OpenCode-Go-Abonnement-Chat für DSH mit modellweiser Auswahl von Completions-, Responses- oder Anthropic-Protokoll, Modellerkennung, Kontext-, Vision- und Thinking-Metadaten, Effort-Standardwerten und Nutzungsmessern.

DSH-Modell-Provider für die lokal authentifizierte AGY-CLI: Gemini/Claude-Modell-Discovery, unabhängiger Reasoning-Effort, DSH-eigene Tools, begrenzter Context- und Tool-Result-Handling und Windows-sicheres Streaming. Probleme in GitHub Issues melden: https://github.com/darkings/dsh-agy-provider/issues.