Plugins

Vier schreibgeschützte Werkzeuge über eine WeKnora-Wissensdatenbank: Wissensdatenbanken auflisten, hybride Passagesuche, Chunks eines Dokuments in der richtigen Reihenfolge wieder zusammensetzen und WeKnoras eigene zitierte RAG- oder ReAct-Agent-Antwort mit fortsetzbarer Sitzungs-ID.

WeKnora-Wissensabrufwerkzeuge für DeepSeek Harness (dsh): semantische Suche, Dokumentenlesen und RAG-/Agent-Antworten über Ihre eigenen Wissensdatenbanken.

Verbindet DeepSeek Harness mit der local-first, selbst-evolvierenden persönlichen Wissensdatenbank von ReMe: erfasst abgeschlossene Hauptagent-Gespräche automatisch als nutzereigenes Markdown-Gedächtnis, durchsucht Gespräche und Quellmaterial über reme_search mit BM25, optionalen Embeddings und Wikilink-Erweiterung und plant eine tägliche Gedächtnis-Konsolidierung.

Verbindet DeepSeek Harness mit ReMes lokaler, selbst weiterentwickelnder persönlicher Wissensdatenbank: erfasst abgeschlossene Haupt-Agenten-Gespräche automatisch als benutzereigenes Markdown-Gedächtnis, durchsucht Gespräche und Quellmaterial über reme_search mit BM25, optionalen Embeddings und Wikilink-Erweiterung und plant die tägliche Gedächtniskonsolidierung.

Gemeinsamer Markdown-Speicher für DSH und andere Coding-Agents, mit automatischer Erfassung, Vor-Schritt-Kontextinjektion, durchsuchbarem Abruf und Selbstevolution von Speicher zu Skills über ein Review-Panel.

Liest die Session-Dateien, die dreiunddreißig andere Coding-Agents auf dieser Maschine bereits geschrieben haben — Claude Code, Codex, Cursor, VS Code Copilot Chat, opencode, OpenClaw, Hermes, Kimi, Cline, Zed und mehr — auch Sessions von vor der Installation: sechs Tools (deja_recall, deja_session, deja_blame, deja_fix, deja_how, deja_remember), ein /deja-Befehl und optionales automatisches Recall im Runtime-Kontext. Lokaler BM25-Index, kein LLM, keine Embeddings, kein Netzwerk (dsh plugin --profile web add dsh-deja).

Rollenspiel-Arbeitsbereich für DeepSeek Harness: Charakterkarten von SillyTavern/TauriTavern importieren oder über einen interaktiven Flow neu erstellen; einen langen TXT-Roman per intensivem oder schnellem Lesedurchlauf in eine spielbare Karte verwandeln; der Haupt-Agent konsultiert Worldbooks bei Bedarf, Prosa wird in einem eigenen Tab gelesen; mehrere Worldlines in einer Konversation erkunden (regenerieren, bearbeiten-und-senden, klonen); Style-Presets mit 16 eingebauten Stilen, ein Charakter-Agenten-Cluster, eine Entscheidungskarte und Karten-/Roman-Export; lange Geschichten bleiben kohärent durch eingefrorenes Einstellungs-Präfix, hart geschnittenes Kontextfenster, nachvollziehbare Director-Notes und Keyword-/semantischen/Hybrid-Recall, mit Embeddings online oder lokal.

Auto-Memory im Claude-Code-Stil, nativ: typisierte Memory-Dateien (user/feedback/project/reference) mit einem MEMORY.md-Index, der automatisch in den System-Prompt injiziert wird (kein Footprint im leeren Zustand); memory_write/read/list/delete folgen den Schreibregeln von Claude Code (Deduplizieren-und-Aktualisieren, absolute Datumsangaben, Querverweise); Ebenen auf Workspace- und Nutzer-Scope, prozessübergreifendes File-Locking mit Recovery verwaister Locks, reines Markdown auf der Platte, keine externen Dienste, keine Embeddings.

Langzeitgedächtnis für DSH: Gespräche werden automatisch in atomare Fakten, Szenenzusammenfassungen und ein Persona-Profil destilliert, wobei relevante Erinnerungen vor jedem Modellschritt injiziert werden. Ohne Konfiguration sofort einsatzbereit — hybride BM25- + Vektor-Recherche, optionale lokale Offline-Embeddings, Trennung von Chat-/Arbeits-Familien.

Lokale Literatur-Wissensdatenbank-RAG: 10 Tools (kb_ingest, kb_search, kb_rag, kb_zotero, kb_dedup, kb_clear, kb_fetch, kb_scope, kb_stats, kb_status), hybride BM25+Vector+Reranker-Suche, belegte Fragen-Antworten mit anklickbaren DOI-Links, vollständig lokale bge-Embeddings über einen Single-File-SQLite-Index. Benötigt Python 3.9+ mit pymupdf, faiss-cpu und sentence-transformers; der Installer `npx dsh-kb-rag-install` richtet diese ein und lädt das Modell vorab herunter.

Sitzungsübergreifendes Langzeitgedächtnis unter der Metapher des „Gedächtnispalasts“: SQLite-Speicher mit doppeltem Geltungsbereich (Benutzer + Projekt je Git-Ursprung), hybride Suche aus FTS5 und lokalen Vektoren mit RRF-Fusion und Aufwertung des Rankings nach Aktualität/Nachweis, automatische Erfassung aus dem Sitzungsprotokoll (einschließlich des letzten Turns), Herkunftsprüfketten, Verdichtung durch Konsolidierung und Vergessen durch Verfall sowie ein Panel „Gedächtnisbibliothek“ auf der Einstellungsseite mit Korridortopologie, Rundgangsbutler und Renovierungsliste.

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.

Biomimetisches Speichersystem für DeepSeek Harness: ein einzelner SQLite-Speicher (node:sqlite, WAL), dessen Markdown-Baum als schreibgeschützter Spiegel geführt wird; Speicher-Tools, Injektion eingefrorener Snapshots zu Sitzungsbeginn, abgestufte Genehmigungsschwellen, bedarfsgesteuerte Extraktion der aktuellen Sitzung, Zusammenführung von Fast-Duplikaten, ein Archiv- und Überschreibungs-Lebenszyklus, Speicher-Stoffwechsel (dream), Speicher-Pins, semantisches Wiederauffinden über lokale Embeddings und der Befehl /memory.

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.

Vollständig lokale Vektorspeicher für DSH: lokale Einbettungen, SQLite-Speicherung, automatische Rückruf-Einspeisung, Deduplizierung mit Konflikterkennung, Soft-Delete-Papierkorb, Online-Backup und optionale LLM-Extraktion.

Wissensdatenbanksystem im Cherry-Studio-Stil für DeepSeek Harness (DSH): Datenbanken, Dokumente, Chunking, Embeddings (OpenAI-kompatibel / Ollama / lokal / lexikalischer Fallback), Abruf, modellorientierte Tools und ein Browser-Verwaltungsbereich.

Lokale semantische Suche im Code für DeepSeek Harness: symbolbewusste Indexierung auf Ebene der Fragmente, lexikalische Embeddings offline oder ein zu OpenAI kompatibler Endpunkt und hybrider Abruf aus Vektoren und BM25, fusioniert mit RRF – drei dsh-Werkzeuge plus eine CLI sema.

Geschichteter Langzeit-Gedächtnis-MCP-Server: rohe Turns → Aufgabenfragmente → tägliche Zusammenfassungen → Themenindizes, lokale MiniLM-384-dim-Einbettungen oder OpenAI-kompatibles API-Backend, semantische Suche mit Jaccard-Fallback, Installation des DSH-Plugins mit einem Befehl.

Tiny local vector memory via Ollama embeddings and ~/.dsh/vecmem (workspace namespaces; optional IM crumb via vecmemOnReply).

Per-project memory for DeepSeek Harness. Three Markdown files per workspace — PROJECT.md, DECISIONS.md and SESSIONS.md — are auto-created on the first step of any session in that workspace, re-read from disk and re-injected only when they change (and re-injected if compaction dropped them), and written back by classification through a memory_checkpoint tool, with a bounded end-of-turn nudge when a turn did work but recorded nothing. memory_read and memory_search read the live log and the archive, the latter over a zero-dependency BM25 index. The session log is capped at 200 entries with the overflow moved to SESSIONS-archive.md — never injected, but visible, readable and searchable, and restorable one entry at a time. Settings page: a workspace list with a path filter, read-only tabs for the three memory files plus the archive, reload, export/import of one workspace's memory as a JSON bundle, a two-step clear, a panel that rewrites or removes the AGENTS.md instruction block, and a PROJECT.md staleness reminder. A composer status chip shows that workspace's sync state and creates the files on click. Zero dependencies — no vector store, no embeddings, and no model calls.

Persistent, searchable, per-project memory for the DeepSeek Harness: decisions, rules, and sprint context in a queryable DuckDB file, rules enforced on every model request, with a full management UI in the Web Client