Plugins

Ersetzt die Dateisystem- und Bash-Provider durch einen virtuellen mirage-Arbeitsbereich: Datei-Tools und Shell-Befehle laufen über eingebundene Ressourcen (RAM, S3, Redis, Slack, Gmail, Notion, Postgres) anstelle der Host-Festplatte, mit Lese-/Schreib-/Ausführungsmodi je Mount, Sandbox-Routing je Befehl (monty, pyodide, quickjs im Prozess; docker, e2b, daytona remote) und installierten CLIs (git, gh, slack, linear, ntn, gws oder eine selbst registrierte) als Kopfwörter im virtuellen Terminal.

LLM-überwachtes persistentes Gedächtnis für KI-Agenten — graphbasierter Abruf, sitzungsübergreifendes Wissen, einzelne Binärdatei. Funktioniert mit DeepSeek Harness, Claude Code, OpenClaw und jeder Agent-Runtime.

Skills, Agenten, Prompts, Code und Plugins direkt in DeepSeek Harness weiterentwickeln – mit AgentDescent.

Stellt die kostenlosen OpenCode-Zen-Modelle für DeepSeek Harness bereit, ohne API-Schlüssel.

Ausführungs-Labyrinth für DSH-Sitzungen: der reale Weg des Agenten — Hauptfortschritt, gescheiterte oder Sackgassen-Umwege, Rückschritte, erneute Anfragen und Subagenten-Zweige — auf einer gemeinsamen Wall-Clock-Zeitlinie dargestellt, mit drei Tracks unter jedem Lane, die diese Achse teilen (Tool-Call-Dichte, Token-Puls, Kontextdruck) und einem deterministischen Analysepanel darunter (Tool-Result-Matrix, Fehler-Wiederherstellungs-Ketten, Dauerverteilung); beobachte, wie es live in einem Sitzungstab wächst, oder lade bis zu 5 Sitzungsprotokolle für einen Vergleich auf derselben Achse hoch.

Kausaler Speicher für dsh: eine abhängigkeitfreie MCP-stdio-Brücke, die die 17 Tools des causal-memory-Servers unter klaren Namen (ohne Präfix mcp__) einbindet — Entscheidung-→-Ergebnis-Kanten mit typisierten Beziehungen (caused / enabled / prevented) in einem lokalen SQLite-Speicher, der Kompaktierungen übersteht — plus ein angehefteter System-Prompt-Abschnitt. Erfordert die Binärdatei des causal-memory-Servers im PATH (pip install causal-memory oder ein vorkompiliertes Release).

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.

Agent Context Editor ist ein Agent-übergreifendes Plugin zum manuellen Ausschließen, Bearbeiten und selektiven Komprimieren des KI-Gesprächskontexts. Es unterstützt außerdem das Suchen, Filtern, Auswählen, Verbergen, Wiederherstellen und Rückgängigmachen von Gesprächsänderungen unter Beibehaltung der ursprünglichen Sitzung.

Trace Compare & Live Maze: Zeichnet die tatsächliche Erkundung des Agenten – Hauptpfad, fehlgeschlagene oder Sackgassen-Umwege, Rückverfolgungen und Subagent-Zweige – auf einer einzigen Wanduhr-Zeitachse; laden Sie 1–2 Session-Logs hoch, um einen Vergleich auf derselben Achse durchzuführen, oder beobachten Sie das Wachstum live in einem Session-Tab.

DeepSeek Harness-Paket: der AgentRouter-Relay als eine pi-ai-Route mit Umschaltung zwischen inländischen und internationalen Endpunkten in den Einstellungen, plus die vom Relay benötigte Kompatibilität für ausgehende Anfragen.

Anatomie-Panel für die Agent-Body-Organe: liefert ein Live-Vitalwerte-Dashboard unter /anatomy direkt im Harness selbst – Organe, Herzschlag, Heilungsjournal, Selbsttrainings-Zähler und der echte Pulsstrom – direkt aus den Laufzeitdateien gelesen statt neu eingetippt. Nur Host, kein Client-Bundle und kein Build-Schritt.

Zero-residence-Kontext-Engine: Große Tool-Payloads werden aus dem aktiven Kontext in einen abfragbaren Speicher ausgelagert, sodass nur deterministische Zeiger zurückbleiben und die Prompt-Tokens pro Turn nicht mehr mit dem Transkript wachsen. Maskierte Inhalte werden auf Anforderung wörtlich aus dem Sitzungsprotokoll rekonstruiert – anhand der Tool-Call-ID oder der Session-Seq.

Organkern von Agent-Body: Plugins als ein einziger Körper. Jeder Befehl wird ein Nervenimpuls, der deterministisch das zuständige Organ innerviert und die Fähigkeit benennt; ein Herzschlag mit variablem Intervall pumpt Betreiber-Direktiven, Propriozeption und Homöostase-Warnungen systemweit; Reflexbögen feuern ohne Modellaufruf; Fehler folgen einer deterministischen Zuordnung (Tool, Argumente, Berechtigung, Timeout, Netz), einem Rezept und einer Nachprüfschleife, Argumentfehler werden nie automatisch wiederholt. Ein fehlendes Organ kompensiert das mit der größten Fähigkeitsüberschneidung, und Tool-Schemata werden nach der aktuellen Absicht gefiltert (gemessene Reduktion 84,7 %, im Repo reproduzierbar). Dies ist das Kern-Plugin-Paket im agent-body-Repository.

Das Gedächtnisorgan von Agent-Body: Nach 2 Minuten Stille geht es in leichten Schlaf, nach 5 Minuten in Tiefschlaf, wo deterministische Regeln echte Erfahrung zu Gedächtniskarten destillieren (Fallstricke, Playbooks, Hotspots, ungelöste Probleme, Fakten). Eingehende Befehle rufen verwandte Karten per Schlüsselwort ab und injizieren sie in den Kontext; lange ungenutzte Karten verfallen mit einer Halbwertszeit und werden archiviert statt gelöscht. Außerdem entrauscht es körperweite Homöostase-Warnungen: Wiederholungen innerhalb eines Fensters werden gezählt statt erneut ausgegeben, und eine Warnung, die immer wiederkehrt, ohne je zu heilen, konvergiert zu einem bekannten Steady-State-Offset und verstummt. Konsolidierung und Abruf machen keine Modellaufrufe.

Plugin-Koordinationsschicht: Plugins deklarieren ihre Fähigkeiten, Befehle werden ohne Model-Aufruf an das zuständige Plugin geroutet, Tool-Schemas werden bei Bedarf geladen, um Prompt-Tokens zu sparen, die Run-Historie verdichtet sich im Leerlauf zu Langzeitgedächtnis, und Fehler werden vor jedem Retry klassifiziert.

DSH-native Integrationsschicht für die Minta-Speicher-Engine: setzt die offizielle dsh-mcp-client-Zeile zusammen, registriert die Skill minta-memory-governance sowie ein Speicher-Prewarm zu Sitzungsbeginn und liefert ein Minta-Agent-Preset mit; erfordert die separat bereitgestellte Minta-Engine (Python/Docker), die die 19 MCP-Tools bereitstellt — ohne diese nicht verwendbar.

Verlustfreies Falten des Kontexts für DeepSeek Harness: der älteste Abschnitt wird durch eine Kurzfassung ersetzt, die Originale bleiben im Sitzungsprotokoll erhalten.

Intelligentes Subagent-Routing und -Evolution: Rollen an jeden in DSH registrierten Provider/Modell binden, einschließlich Modellen, die von Codex- und Claude-Code-Provider-Plugins bereitgestellt werden, mit Workspace-Lernen.

Superselfs self-CLI als modellseitige Tools (Projekt-Kontext, Work-Units, Reports, Decisions) plus ein /self-Befehl – sitzungs- und projektübergreifender Projektzustand außerhalb des Code-Repos.

Kimi-Code-Stil-Schwarm: Batch-parallele Subagent-Dispatch mit adaptiver Planung, ein /swarm-Befehl und Live-Fortschrittszeilen im Chat.

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.

Fügt dauerhafte Ausführungsverträge, rekursive Arbeitsgraphen, kritische Klärungen und Evidenz-Gates für lange oder unzureichend spezifizierte Harness-Aufgaben hinzu.

Führt den Kontext anderer Sessions in den aktuellen Turn zusammen: evidenzgewichtete Konfliktauflösung, Rücknahme von Aussagen, deren Prämissen zurückgenommen wurden, Vertrauens-Kennzeichnung, die sessionübergreifender Prompt-Injection widersteht, und budgetbegrenztes Packing. Enthält einen Benchmark.