Plugins

LoopX, ein anbieterneutraler Local-First-State-Kernel und eine Control Plane für langfristig arbeitende Agenten: hält Goal-, Todo-, Gate-, Evidence-, Quota-, Recovery- und Handoff-Status oberhalb von DeepSeek Harness, während das Plugin CLI und Skills bootstrappt, begrenzte Fortsetzung in derselben Session zulässt und eine Loopback-GoalBar für die exakt gebundene Schleife hinzufügt.

AgentTeams — Multi-Agent-Teams.

Verbindet DeepSeek Harness mit Avernets Bot Collaboration Network über WebSocket V2, mit automatischem Onboarding, isolierten Agentensitzungen, Tool-Call-Ereignissen und Routing-Tools für mehrere Bots.

DeepSeek Harness-Kanalpaket für das Avernet Bot Collaboration Network.

Verleiht DeepSeek Harness eine echte Büroumgebung. Das Univer Office-Plugin vereint Tabellen, Dokumente, Folien, Leinwände, relationale Tabellen und mehr in einer Laufzeit – mit verbundenen Daten, Validierung, versionierten Änderungen und isolierten Worktrees für die Multi-Agent-Zusammenarbeit.

Agentenübergreifendes, local-first persistentes Gedächtnis-Plugin für DeepSeek Harness (DSH), unterstützt von Mnemon. Es teilt Langzeitgedächtnis zwischen Mnemon-fähigen Agents und fügt Laufzeitgedächtnis, durchsuchbare Projektdokumente, semantischen Recall, Knowledge Graph und eine Seitenleisten-UI hinzu.

Mnemotechnik-Ebene.

White-Box-AGI-Architektur-Erkundung: Metakognition (Selbsterkennungsschleife), kontinuierliches Lernen (Wissens-Schwungrad), Weltmodell (Bedingungsraum, räumlich-zeitlicher Speichergraph), Selbstverbesserung (Bootstrap-Disziplin), Zero-LLM-White-Box-Pipeline und überprüfbare Vertrauens-Leitplanken.

Persistente Multi-Modell-Trupps, die in den Einstellungen konfiguriert und im Composer ausgewählt werden, mit Modell- und Tool-Richtlinien pro Mitglied. Standardmäßig erledigt der leitende Agent einfache Arbeit selbst und delegiert nur, wenn der gespeicherte Trupp gebraucht wird; delegierte Arbeit läuft als begrenzter DAG mit optionaler Prüfung und Reparatur. Run Center verfolgt Wiederholungen und Tokens pro Mitglied aus offiziellen Harness-Nutzungsereignissen.

Drei-Schichten-Speichersteuerungsebene für DeepSeek Harness: persistenter Laufzeitkontext, durchsuchbare Projektdokumente, austauschbarer Langzeitspeicher, intelligentes Routing, überwachte Agent-Workflows, WebUI und Headless-Werkzeuge.

Multi-Agent-Orchestrierung im UltraCode-Stil: eine generierbare, speicherbare, steuerbare, beobachtbare und fortsetzbare Workflow-Schicht.

Multi-Agent-Orchestrierung im UltraCode-Stil: eine generierbare, speicherbare, steuerbare, beobachtbare und fortsetzbare Workflow-Schicht.

Dynamischer Workflow für DSH (Platzhalter).

baro als Subagenten-Anbieter für DeepSeek Harness: ein Ziel mit mehreren Storys delegieren, parallele Ausführung, unabhängige Prüfung und ein verifiziertes Ergebnis zurückbekommen – mit Live-Bereich für den Lauf in der Seitenleiste

Gemeinsames Multi-Agent-Task-Board (Erstellen/Beanspruchen/Statuswechsel/Abfrage) über einen Cordis-Service-Key.

DSH-Benachrichtigungs- und Fernsteuerungsebene: eine `notify()`-API über 28 ausgehende Kanäle, sechs eingehende Steuerkanäle, Freigaben/Fragen/Task-Steuerung per Telefon, eine native DSH Notify & Control UI, Live-Hot-Apply für ausgehende Kanäle, Multi-Agent-Routing und null Runtime-Abhängigkeiten.

Ein persistentes Agententeam für langfristige Zusammenarbeit in DeepSeek Harness: dauerhafte Agentenidentitäten, projektbezogene Workspaces, verantwortungstragende Channels und Task Threads, die Sitzungsagenten verketten.

Multi-Agenten-Teamkollaboration für DeepSeek Harness mit assistentenspezifischen Modellen, Skills, MCP-Servern, unabhängigen Kontexten, gemeinsamen Workspaces, Aufgabenkoordination und Gesprächsverwaltung.

PTES-basiertes Penetration-Testing-Plugin mit Root-Orchestrator-Architektur für DeepSeek Harness.

Multi-Agent-Workflow für Mathematikmodellierungs-Wettbewerbe: das "UltraMath"-Preset führt ein Problem vom Lesen über Framework, Ableitung, Coding, Verifikation, Paper und Review aus, plus 4 einstufige Rollen-Presets (Mathematiker, Ingenieur, Writer, Reviewer) und 33 Model-Library-Skill-Docs.

Multi-Modell-Rat für DeepSeek Harness: unabhängige Antworten, anonyme Peer-Reviews und eine nachprüfbare Endentscheidung.

Installiert vier Multi-Agent-Presets für mathematische Forschung in DSH: v2 (wahrscheinlichkeitsgetriebene Pipeline mit Debatte mehrerer Prüfer), v3 (Markdown-Wissensbasis im Paper-Stil mit Planer-Agent und wiederverwendbarer Methodenbibliothek), v4 (persistente, selbstorganisierte Bewohner, die sich Nachrichten schreiben und treffen) und v5 (ein Forschungsinstitut mit einem Akademiker, der Arbeit zerlegt und verteilt, abstimmenden Forschern, Aushilfen, Gruppenchat und einem Compare-and-Set-Task-Board); alle vier unterstützen Checkpoint-Fortsetzung, menschliches Eingreifen und einen optionalen Lean-Formalverifizierungs-Schalter (off/encourage/require), dessen bestandener Beweis die Abstimmung in eine Treueprüfung der Lean-Aussagen verwandelt.

Installiert eine Multi-Agent-Voreinstellung zum Romanschreiben für DeepSeek Harness: Ein Dirigenten-Agent verteilt die Arbeit an fünf spezialisierte Subagenten — Weltenbau, Plotentwicklung, Charakterverwaltung, Prosaschreiben und QS-Review.

DeepSeek-Harness-Cordis-Tools für All in Flash, angetrieben von All in Luna.