Plugins

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.

DSCODE für Harness Desktop: gemeinsame Programmierung, Sitzungsspeicher, Browser-Workflows und Aufgabenverwaltung.

Integriert TypeSafe Jev in DeepSeek Harness für die Auswahl von Skills und Dateien, Aufgabenaufsicht, Korrektur gemeinsamer Erkenntnisse, Filterung von Tool-Ausgaben, Genehmigungsunterstützung und Navigation durch protokollierte Phasen. Alle Funktionen sind standardmäßig deaktiviert.

Klassifiziert anstehende Tool-Aufrufe mit Jev (dem nicht-generativen Entscheidungsmodell von TypeSafe AI) auf tools/pre-execute — sicher hochriskante Aufrufe werden abgelehnt, unklare zur Freigabe eskaliert — und genehmigt klar erlaubte, reversible Aufrufe auf approval/request automatisch, hinter Argument-Evidence-Gating. Erweitert außerdem den Session-Reference-Resolver per Subclassing, damit Snapshots Jev-bewertete Nachrichten behalten statt älteste zuerst zu verwerfen. Fällt bei jedem Provider-Fehler auf Standardverhalten zurück; Shadow-Modus mit /jev-stats-Befehl; TypeSafe- oder OpenRouter-Endpunkte; 64 Tests.

Jev DSH-Entscheidungsmaschine｜Strukturiertes Entscheidungs-Plugin für Agent Harness. Native Unterstützung für DeepSeek Harness, Unterstützung für OpenCode und Codex Harness über iPolloWork.

Jev-gestütztes Entscheidungsschicht-Plugin für DeepSeek Harness

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.

Intelligente Token-Optimierung durch Jev-System-One-Triage, dynamisches Entfernen von Tools und Weiterleitung an Subagenten.

Klassifiziert DeepSeek-Harness-Sitzungen automatisch mit Jev-Entscheidungsmodellen oder Agent-Tools und versieht Titel mit Status-Emoji (in Arbeit 🚧, blockiert ⏸️, Review 👀, erledigt ✅, Plan 💡, Fehler 🐛). Mit nahtloser Wiederherstellung des Lebenszyklus, optionaler Jev-Inferenz (Jev-API-Schlüssel erforderlich), Pflege der Modell-Tools und visueller Einstellungsseite.

AX-first Computer Use für macOS in DeepSeek Harness: Accessibility-Snapshots mit stabilen Refs, Hintergrund-Eingabe, Unicode-Tippen, Menüs und Apps, Set-of-Mark-Screenshots, On-Device-OCR und verifizierte Aktionen — 11 Tools, angebunden an die macos-cu CLI.

Fügt pro Runde eine vom lokalen JEV-Modell des jev-decision-kit-Arbeitsbereichs gewählte Skill-Auswahlpräambel ein, damit der Agent genau diese Skills lädt, statt zu suchen. Benötigt einen separat eingerichteten jev-decision-kit-Arbeitsbereich (Python .venv, host/preface_worker.py, models/jev/head.json); ohne ihn wird nichts eingefügt.

AX-first Computer-Nutzung unter macOS für DeepSeek Harness: Barrierefreiheits-Snapshots mit stabilen Referenzen, Hintergrundeingabe, Unicode-Tippen, Menüs, Apps, Set-of-Mark-Screenshots, OCR auf dem Gerät, verifizierte Aktionen und optionale semantische Jev-(TypeSafe-System-One-)Wächter – 1

Skill zur Prüfung von Behauptungen anhand des offenen Webs statt des Modellgedächtnisses. Zerlegt Aussagen in unabhängig prüfbare Fakten, ordnet sie einer domänenspezifischen Primärquellen-Hierarchie zu, sucht parallel national und international, ruft Primärseiten ab, bewertet Quellentypen und sucht mit Widerlegungsbegriffen erneut. Liefert zuerst das Fazit, für jede Aussage vollständige URL und Belegstelle, und trennt unbestätigte/unentscheidbare von bestätigten Punkten. Mit Schlüssel können drei Urteile optional an TypeSafe Jev (System One) gehen; ohne Schlüssel gelten deterministische Regeln. Das Modell darf die Vertrauensstufe nur senken.

TypeSafe Jev (System-One-Entscheidungsmodell) als Tool jev_decide für DeepSeek Harness: noul-, Choice- und Score-Fragen liefern kalibrierte Wahrscheinlichkeiten; Credentials nutzen dieselbe Schnittstelle wie in DSH; 429/529-Backoff-Retry eingebaut.

Nutzt das Entscheidungsmodell-Paradigma Jev (System One) mit jedem OpenAI-kompatiblen LLM – kein TypeSafe-Schlüssel nötig. Registriert ein jev_decide-Tool, das in einem Aufruf wahrscheinlichkeitsverteilte Antworten auf typisierte Fragen (choice/score/boolean) liefert.

TypeSafe Jev als erstklassiger Cordis-Dienst und drei modellsichtbare Tools für DeepSeek Harness — standardmäßig offline, Egress offengelegt, nie standardmäßig aktiv.

Zeigt von JeV gewählte Aufgabenpläne, Fortschritte und Phasenzusammenfassungen im DSH-Chat, mit nativer Übersetzung oder kurzen Zusammenfassungen. JeV-Schlüssel nötig; der Jev-Dienst wird extern aufgerufen und kann Kosten verursachen. Enthält hierarchische serielle/parallele Aufgabenabläufe.

Chinesischer Multi-Agent-Workflow für DeepSeek Harness mit Modell-Fallback je Rolle, versionierten Mermaid-Aufgabenplänen, unabhängigen Agent-/Jev-Prüfungen, dauerhafter Expertenzusammenarbeit und reinen Berechnungsfunktionen.

Ergänzt DSH-Auswahlfragen um menschenorientierte TypeSafe-Jev-Ratschläge. Standardmäßig auf Abruf, automatische Anfragen optional. Mit Empfehlungen, Wahrscheinlichkeiten, Konfidenz, Knappheitswarnungen, kopierbaren Vorschlägen, Übernahme mit einem Klick, profilbezogenen Kartenlayouts und temporären Entscheidungspräferenzen. Optionale Anfragevorschauen maskieren gemeinsame Zugangsdaten; außerdem lokale Gesundheitsprüfungen und bereinigte Diagnoseexporte.

Fünfschichtige Pipeline zur Absichtserkennung (Regeln, pgvector-Abruf, Jev-Bewertung, feinabgestimmte Vermittlung, LLM-Fallback) mit Szenarienverwaltung, PostgreSQL-Speicher und verteilbaren API-Diensten.

Browser-Provider für DeepSeek Harness: erledigt Webaufgaben Schritt für Schritt im echten Browser anhand einer indexierten Aktionstabelle statt HTML oder Screenshots. Pro Schritt eine gebündelte Jev-Entscheidung statt eines ganzen Modellturns; Repo-Benchmark: Median 1,1 s gegenüber 2,8–3,6 s pro Chatmodell-Turn. Die Unterhaltung erhält nur das Fazit und wächst nicht mit Seitenkontext. Ziele stammen aus der gerade gelesenen Seite; bei Änderung wird neu gelesen. Nutzt den Session-eigenen Browser und lässt dein normales Chrome unangetastet, außer im attach mode.

DeepSeek Harness (DSH)-Plugin zur automatischen Wahl des Reasoning-Grads: Das Jev-System-One-Modell entscheidet, wie viel Denkaufwand jede Nachricht verdient, die Stufe wird aus den vom Modell deklarierten Graden abgeleitet, ein Kontext-Umschlag lässt Rückfragen wie „weiter“ die Gesprächstiefe erben, bei geringer Konfidenz wird nach oben aufgerundet, und bei jedem Fehler bleibt die vorherige Stufe still erhalten. | Jev-gesteuerter Reasoning-Aufwand pro Nachricht: modellspezifische Stufenleitern aus den Angaben jedes Modells, ein Kontext-Umschlag fester Größe, damit Rückfragen die Gesprächstiefe erben, Gleichstand bricht nach oben, stilles Zurückfallen auf jedem Fehlerpfad.

Entscheidungsebene für dsh: anbieterunabhängige typisierte Urteile (zuerst Jev) hinter Tool-Schutzplanken, Modellrouting, Ergebnisbewertung und maschineller Freigabe.

Jev-bewertete Kontextkomprimierung für DeepSeek Harness: wichtige Nachrichten erhalten, unwichtige komprimieren.