Plugins

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.

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.

Urteilskern für DeepSeek Harness: Ein Erkenntniszyklus ordnet jeder Entscheidung Quelle und Zuschreibung zu und führt die Planung zum Abschluss; hippocampus-Speicher verdichtet Erfahrungen zu Wissen (Journal, Episodenarchiv, Abwertung geringer Sicherheit); die Architektur verankert Verantwortung und einheitliche Kriterien; ein A2A-Team verwaltet den Speicher mit dsh-linghun-assembler. Erfordert DSH ^0.1.0-rc.7 (rc.2 unterstützt).

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.

Ein akkumulierter Design-Geschmacks-Korpus für DSH-Agents: Füttern Sie ihn mit guten und schlechten Beispielen, destillieren Sie Prinzipien und prüfen Sie neue Designs anhand gelernten Urteils statt eines festen Regelsatzes.

Project workspaces for multi-session collaboration, conversation handoffs, searchable chat records, and editable shared memory; automatic memory curation and handoff judgment require two background models (memoryModel and sessionManagerModel) configured in the plugin config.

Bewertungsschicht für DeepSeek-Harness-Plugins: Ermittelt, warum ein Plugin unbemerkt verschwunden ist, beurteilt Kandidaten in deiner konkreten Umgebung und führt ein Funktionsregister. Offline, schreibgeschützt, evidenzbasiert.

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

Audit-Workspace für DeepSeek Harness: Multi-Agent-Konsultation mit einem Agent je Review-Sitz, Weiterleitung jedes Urteils an ein benanntes Review-Gesicht und nachvollziehbarer Aufzeichnung des gesamten Laufs. Sofort nutzbar: integrierter Service-Endpoint, Workspace beim ersten Start automatisch angelegt, Reviewszenen mit Sitzen und Agenten.

Fügt die TypeSafe/Jev-(System-One)-Skill zur globalen Skill-Ebene von DeepSeek Harness hinzu. Alle Sitzungen können mit typisierten Urteilen statt prompt-and-parse klassifizieren, routen, bewerten, extrahieren und nach Konfidenz filtern. Kein API-Key enthalten; der Nutzer stellt `OPENROUTER_API_KEY` bereit.

v0.8.6 behebt einen Startabsturz: Host-Runtime ist optionaler Peer, keine installierte Abhängigkeit. TypeSafe Jev/System One bietet 7 Tools: `jev_decision` (1–25 parallele typisierte Urteile, keine Prosa), `jev_choose` (ordnet 2–10 Optionen), `jev_batch` (1–20 Texte, 1–5 Urteile, echter Aufruf je Text bei begrenzter Parallelität; Rohfehler, kein Raten), `jev_usage`, `jev_overview`, `jev_guard_status`, `jev_verify` (26/27 im festen 27-Fragen-Test, Parallelität 6). Ledger speichert standardmäßig dauerhaft in `$DSH_HOME/jev-usage.json`. Remaining=`quota.declaredBalanceUsd` minus lokale Ausgaben seit `quota.balanceSince`; kein Guthaben-Endpunkt, nichts erfunden. Fehlender API key: expliziter Fehler; Fehler je Oberfläche isoliert. Client nach refresh, Server nach Host-Neustart.

Brain-inspired cognitive architecture for DeepSeek Harness: hippocampal episodic memory, cortical semantic memory, spreading-activation recall, appraisal-based emotion, neuromodulator state, Big Five personality and dual-process judgment.

Structural scaffolding for DSH agent continuity: layered memory (hot/index/judgments), judgment cards, handoff packs (compact mode), compaction review. Zero-dependency, pure files, portable — rebuild the 'self' across model changes. Not a memory engine; the skeleton of continuity.

Runs an approved OpenSpec change to completion while the model stays a mechanical forwarder: a bundled Python CLI computes the ticket DAG frontier, claims tasks atomically, prepares one git worktree per assignment, and returns exact actions. The session delegates each action with the DSH subagent tool and reconciles the completion notice against a hash-bound receipt produced by re-running verification commands on a clean, advanced HEAD, so free-text "done" never counts. Runtime scope changes are plain tasks.md edits. Liveness is observable, not guessed: status returns a relay block (elapsed and lease budget, receipt presence, heartbeat and activity age, a suggested action); abandoning a plausibly-still-working attempt is refused with the judgment data unless --force; a late sealed receipt is revived by adopt after full re-verification instead of rebuilding the ticket; dispatched subagents refresh a progress heartbeat outside the worktree. Requires Python 3.10+ on PATH and a git project that uses OpenSpec.

Look up Chinese companies inside the conversation: name a company and get its business registration, shareholders, executives, outbound investments and registration changes, plus judicial and operating-risk records such as enforcement, dishonest judgment debtor, consumption restriction, abnormal operation, serious illegality and administrative penalties (11 dimension groups). Results render as conversation cards with fields and the raw payload on expand, and the API key is saved from the plugin page into the Harness credential store.

Three ledgers for a model that loses context between restarts. Self-note: what I have become — capped at 40 entries, and every eviction first leaves a one-line crease recording which entry was dropped and why. Judgment ledger: record a claim together with how to verify it, come back when it is due, and mark it right or wrong; wrong ones stay in a mistakes book so you stop assuming you were always correct. Handoff: where this run stopped and what the next one should read first — a baton, not a memory. Three tools each taking an action parameter instead of a dozen separate ones (the prompt is paid every turn). Data lives in ~/.dsh/*.jsonl and is shared with the same-named CLI scripts. Zero dependencies.

Social-Deduction-Spiel gegen die eigenen Modellkonfigurationen. Der Tisch hat N Plätze (standardmäßig sechs, einer davon gehört dir); einige weitere spielen Agenten mit unterschiedlichen Einstellungen für Anbieter, Modell, Temperatur, System-Prompt und Tarnung. Durch Befragen und Abgleichen der Antworten findest du heraus, welche Plätze nicht menschlich sind. Platzidentität und Agentenmodell bleiben bis zur Beurteilung im host state verborgen; danach werden die Tarnparameter aufgedeckt. Jede Runde exportiert ein sitzbezogenes Gesprächs-JSONL samt Urteil. Gleicher Seed und gleiches Zugskript ergeben eine byte-identische Wiedergabe, sodass Läufe mit anderen Modellen oder Tarnstärken verglichen werden können.

Führt Jev-(TypeSafe-System-One-)Bewertungen an den Agent-Loop-Gates von DeepSeek Harness aus: pre-step, pre-execute, post-execute und Turn-Stopp. Keine UI-Abhängigkeiten; in jede Harness-Komposition integrierbar.