Plugins

Ermittelt in jeder Runde eine Stimmung für den Begleiter und zeigt sie als kurze Kontextnotiz; mit Panel für Stimmung, Emotionsdimensionen und Verlauf.

Sitzungsübergreifendes Langzeitgedächtnis als lokale SQLite-Datenbank: zwei Bereiche (Nutzer und Projekt je Git-Origin), hybride Suche mit FTS5 und lokalen Vektoren, per RRF zusammengeführt, eine Evidenzprüfung mit explizitem Urteil zur ausreichenden Beleglage, Herkunfts-Prüfketten, SM-2-Wiederholungslernen, Verdichtungs-Destillation und Vergessen durch Abbau sowie Memory-Palace-Seitenleiste mit neun Ansichten. 22 Tools mit eng begrenzten Parametern, kein externer Dienst, kein API key, kein Docker.

Log-Abfragekarte für die DSH-Weboberfläche mit Elasticsearch/OpenSearch: eine Abfragefläche mit Dialekt-Strings und anklickbaren Beispielen, Feldnamenvervollständigung, Filter-Chips, Zeithistogramm mit Zoom auf das jeweilige Balkenintervall, Facetten als Filter und Ergebnisliste mit Level-Farben, Stack-Fortsetzungszeilen, Spalten und Seitenwechsel. Docker-Containerlogs sind eine Sammelquelle, die das docker-Plugin wiederverwendet. Fünf nur lesende loglens_*-Tools (sources/search/fields/facets/context) teilen die Ausführungsschicht mit dem Panel. Ausgehende Anfragen erreichen nur konfigurierte Quellen, werden anhand der aufgelösten IP beurteilt, folgen keinen Weiterleitungen und haben Größen- und Zeitlimits.

Design-Treue-QA für textbasierte Modelle: Ein `deepseek_vision`-Tool leiht sich ein Auge von jedem OpenAI-kompatiblen Vision-Pfad, damit das Modell beurteilen kann, ob eine Implementierung zu seinem Mock passt — ausgeliefert mit dem Benchmark hinter diesem Urteil (vier Fixtures, 23 injizierte Defekte, Rohtranskripte) und der Fragedisziplin, von der es abhängt.

Auto-Thinking-Effort-Routing für dsh: ein lokal feinabgestimmter 7-Fragen-Klassifizierer (ModernBERT, 842 MB, <1 s CPU-Inferenz) wählt low/high/max für No-Intent-Nachrichten; In-Session-Retries eskalieren die Stufe (low → high → max) unter Ausschluss-Constraints; der Judge-Service fällt sicher auf low zurück, wenn nicht erreichbar. Ein Tier-Chip in der Input-Leiste zeigt die Live-Stufe und die letzten 20 Bewertungen. Alle Inferenz ist lokal — Aufgabentext verlässt niemals die Maschine.

Optimiert rohe Anweisungen mit einem Klick: drei Ausgabestile, kontextbezogene Rollen-/Aufgaben-/Zielanalyse, Auswahl mehrerer Beispiele durch einen Modellrichter und iterative Verbesserung mit Sitzungsgedächtnis, smarten Defaults und Nutzerüberschreibungen. /template für 22 Unterfälle ohne Modellaufruf. ✨ Optimieren/Rückgängig im Eingabefeld, prompt_optimize-Tool, Auto-Optimierungs-Hook, Laufzeitstatus, Settings-Panel (dsh 0.2.0) und automatische Erkennung von zh/en-Dokumenten.

Langzeitgedächtnis-Plugin für DeepSeek Harness. Jeder Turn wird bewertet und in einer lokalen SQLite-Datenbank gespeichert (Äußerung / Ereignis / Version / Phase / Entscheidung), mit durchsuchbarem Panel.

Persona und Tagebuch über Sitzungen hinweg für DeepSeek Harness. Ein lokaler Filter wählt zu merkende Gesprächsrunden; ein zusätzlicher Modellaufruf erstellt Ich-Tagebucheintrag und Nutzereindruck, jeweils mit konkretem Anlass. Spätere Gespräche erhalten ca. 2000 tokens eigene Erinnerung in drei Ebenen: Persona-Kern, vom Modell selbst verfasste Urteile und Tagebuch. Ein Tool lässt das Modell Urteile mit eigenen Worten festhalten. Die vom Menschen verfasste Markdown-Notiz liest das Plugin nur. Im Seitenpanel kann man das Archiv lesen, vergessen oder exportieren; Vergessen stuft Einträge herab, löscht sie nicht, und starke Themenübereinstimmung kann sie zurückholen. Lokaler, portabler Ordner. Geheimnisse werden vor dem Senden entfernt. Keine Runtime-Abhängigkeiten oder Builds.

OMK — Observe. Measure. Know. Evidenzgestützte Wissensänderungen für KI-Anwendungen.

Anforderungsgespräch vor Arbeitsbeginn: prüft, ob eine Anfrage klar ist, und stellt sonst gezielte Fragen. Im strict-Modus bleiben Bearbeitungstools gesperrt, bis der Nutzer eine vierteilige Zusammenfassung im Chat bestätigt. Bestätigte Präferenzen werden in einem zweischichtigen Memory gespeichert.

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.

Ein unabhängiges Genehmigungs-Subagent urteilt über jede Sandbox-Eskalation, mit konfigurierbarem Modell und Audit-Log.

Findet Regeldateien aus allen von OMP unterstützten Konventionen und fügt sie als stets geltende Ebene plus Regelbuchindex in den Systemprompt ein. Streaming-Regeln können regelwidrige Ausgaben mitten im Turn abbrechen, passende Tool-Aufrufe verweigern, eine Erinnerung in deren Ergebnis einfügen oder ein Bewertungsmodell zur fertigen Antwort befragen. Dasselbe Tool lässt das Modell neue Regeln schreiben; ein Auditpanel unter Plugins erklärt, warum jede Regel gilt.

Ordnet lokal analysiertes System-Audio musikreaktiven Konversationseffekten, Rhythmusspiel-Bewertungen, Punkte- und Combo-Feedback sowie optionalen RGB-Spektrumbalken in DSH Web zu.

Laufzeit-Firewall nur für Sitzungen, die über den Launcher gestartet wurden; nicht in DSH Desktop injizierbar und dort nicht abgedeckt. Ordnet Datei-, Netzwerk- und Subprozessaufrufe dem verursachenden Plugin zu und prüft sie gegen dessen Angaben: Deklariertes bleibt still, Abweichungen werden protokolliert. Zuordnung ist best-effort, keine Garantie; nicht klassifizierte Aufrufe fallen an den Host, nie an ein anderes Plugin. Enthält eine Vorabkarte (Fähigkeiten, kritische Kombinationen, PASS/WARN/BLOCK), Grenzprüfung, optionales und standardmäßig deaktiviertes Blockieren vor Ausführung (Regel gegen Zugangsdaten-Exfiltration), Update-Test in isoliertem Kindprozess, SARIF/CSV-Auditexport und Quellenaggregation. Nur lokale Speicherung, keine Telemetrie; optionaler Webhook standardmäßig aus.

Automatische Genehmigung und Prüfung für Tool-Aufrufe, die eine Genehmigung brauchen: Keyword-Buckets treffen rote Linien ohne Kontext, dann klassifiziert ein Judge-Modell die Anfrage und leitet sie je nach Trefferzeile und Risikostufe an allow, reject oder einen Menschen; ein Urteil, das nie lief, geht immer an einen Menschen, und Ablehnungen nennen dem Modell den Grund.

Setzt einen Agenten-Turn fort, der endete, nachdem er seine nächste Aktion geschildert, aber kein Tool aufgerufen hatte: der Wächter spielt das Turn-Log bei agent/turn-stopping erneut ab, stellt einem Richter-Modell eine Wahr/Falsch-Frage und steuert denselben Turn zu einem weiteren Schritt.

Startet 3 oder 5 Coding-Agent-Kandidaten in entkoppelten Git-Worktrees, validiert deren Patches mit Projektkommandos, rankt nur passende Kandidaten und verlangt eine separate Freigabe, bevor der Gewinner angewendet wird.

Dreistufiges Agenten-Gedächtnis-Harness: immer aktives L1 CLAUDE.md, L2-Index, L3-Detail-Skelett mit Vorlagen, ein Gate, das Schreibzugriffe auf geschützte Dateien ohne einmaliges Freigabe-Token blockiert, urteilsfreies Event-Logging, wöchentliche Destillation und eine TDD-Execution-Loop-Skill.

Feynman-Lernmodus-Plugin: Der Zyklus Lehren → Zurücklehren → Bewerten → Neu erklären wird als reichhaltige HTML-Lektionskarten dargestellt (Mermaid-Diagramme + Shiki-Code-Highlighting).

Multi-Modell-Roundtable für DeepSeek Harness: mehrere konfigurierte KIs debattieren mit eigener Persona und gemeinsamem Kontext in mehreren Runden dasselbe Thema. Ein Schiedsrichter gewichtet sechs Kriterien: Angriffslust, Logik, Persona-Treue, Unterhaltungswert, Strategie und Tiefe. Preis-Leistung erscheint separat aus dem echten Ledger von dsh-cost-meter. Ausgabe als Markdown-Bericht und docx.

KI-Begleiter mit gelerntem Tagesrhythmus, echtem Offline-Schlaf und eigenem Speicher; meldet selbstberichtete Affekte, bewertet mit derselben Judge-Logik wie die pi-Version.

Gedächtnis-Aufbauteam für DeepSeek Harness: Jede Nachricht löst einen fünfstufigen Zyklus aus (judge, retrieve, assemble, feedback, calibrate), getragen von subagents als judge, retriever, archivist, advocate, editor und scribe. BM25-Suche, chronologisches Material und LLM-Zusammenstellung erzeugen nützliche Pakete für linghun. Funktioniert mit dsh-linghun.

Gepflegter Fork von dsh-approval-gate. Hat ein neutraler Vorgang die Bestätigungsgrenze erreicht und ist der Judge nicht verfügbar, wird automatisch genehmigt statt erneut ein Mensch gefragt. Hinweise für Genehmigende werden aus realem Sandbox-Modus, Befehl und Pfaden auf Chinesisch erstellt. Zusätzlich: deterministische Sperre für Zugangsdaten-Exfiltration und Zerstörung von Systempfaden, Maskierung der Judge-Eingabe, Judge-Modellkette, fingerprintgebundene Freigaben sowie Ansicht mit Unified Diff und Ein-Klick-Rücknahme.