Plugins
Durchsuche, filtere und installiere DeepSeek-Harness-Plugins.
141 Plugins gefunden
dsh-memory
furongjun-1999/dsh-memory
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.
dsh-infinite_canvas
ninkch/dsh-infinite_canvas
Knotenbasiertes Kreativstudio für DeepSeek Harness: Skripte, Storyboards, Referenzbilder und Mehrfachaufnahme-Videogenerierung auf einer unendlichen Fläche, stapelweise aus dem Chat steuerbar. Eigene Bild-/Video-/TTS-Anbieter erforderlich (OpenAI-artige Endpunkte oder Seedance-/Sora-artige Video-APIs); ohne Konfiguration läuft die Pipeline offline im Demo-Modus mit Platzhaltermedien.
dsh-imagegen-video
q253595422/dsh-imagegen-video
KI-Bild- und Videogenerierung für die DSH-Web-GUI. Kanalbezogene Modellkataloge und Familienanpassung (gpt-image, Grok Imagine, Nano Banana, Seedream, GLM-Image, Qwen-Image, MiniMax image-01, DALL-E 3), Generator-Seitenleiste, unendliche Node-Leinwand, Dateivorschau, Leinwand-Skills und Promptvorlagen. Video unterstützt Text-/Bild-zu-Video, ersten/letzten Keyframe und mehrere Referenzen, asynchrones Senden/Abfragen/Herunterladen, hostseitige Videotools, Videonodes sowie lokales Zusammenfügen von mindestens zwei Nodes zu einer MP4 mit ffmpeg.
dsh-quant
pengpengyi92/dsh-quant
Quantitatives F&E-Toolkit für DeepSeek Harness — 59 Tools in sechs Domänen für Marktdaten, Indikatoren, Faktorbewertung, walk-forward ML-Validierung, Risiko (VaR/CVaR/Drawdown/Beta mit Kupiec-POF), Optionen, Anleihen, FICC und Fondssimulation, mit einer End-to-End-Forschungs-Pipeline PDAT→PET.
qa-skills
fishzjp/qa-skills
QA-Pipeline als 10 Agent-Skills: Anforderungsanalyse, Teststrategie, Fallerstellung und Review, E2E (Playwright) und API-Automatisierung, explorativ, Regressionsumfang und Bug-Analyse, gestützt auf eine gemeinsame Wissensbasis mit Formatregeln, Risikomodell und Schema-Validatoren.
dsh-data-quality
perrylink/dsh-data-quality
Datenqualitätsprüfung für DeepSeek Harness – Profilierung, Bereinigung und Verifikations-Pipelines mit strukturierten Berichten.
Vibe-Mathematics
chongcyrus/vibe-mathematics
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.
minecraft-dev
sikadi233-hub/minecraft-dev
Minecraft-Entwicklung für DeepSeek Harness (dsh), für Minecraft 1.7.10 bis 26.3: neun Skills für Paper-/Spigot-Plugins, Fabric-/Forge-/NeoForge-Mods, Add-ons wichtiger Mods und Gradle-/JDK-Einrichtung je Versionsepoche. Mit mc_scaffold-Generator, mc_gradle-Runner und 18 Offline-API-Signaturindizes aus festgelegten Artefakten samt Herkunftsheadern. mc_arbitrate ist eine deterministische Shard-Pipeline mit Contract-Freeze, Shard-Briefings, 21 hochwertigen Auditregeln einschließlich 5 Shard-übergreifender Prüfungen, Manifest-Merge und Weiterleitung von Kompilierfehlern; die Engine ruft kein Modell auf. Apache-2.0 mit NOTICE.
deep-read-summarize
pensivefei/deep-read-summarize
Vertieftes Lesen und Zusammenfassen für DSH: Bücher, Papers, Videos und Web werden über Plugin-Parser, parallele MapReduce-Tiefenlese-Subagenten, JSON-Schema-Ausgaben und einen idempotenten Cache in strukturierte Obsidian-Notizen umgewandelt.
dsh-lowtide
kelaohu/dsh-lowtide
lowtide: menschlich adjudizierte Off-Peak-Batch-Task-Pipeline für dsh (Peak-/Tal-Pricing-bewusst)
dsh-academic-research-skills
nullptr-dzf/dsh-academic-research-skills
Portiert vom ARS-Claude-Code-Plugin (44k+ Sterne auf GitHub): akademische Research-Skills für DeepSeek Harness — ein Deep-Research-Agent-Team, eine Paper-Writing-Pipeline, ein Multi-Perspektiven-Peer-Review-Panel und ein End-to-End-Orchestrator, plus sechzehn /ars-*-Befehle.
dsh-prime-memory
drscrewdriver/dsh-prime-memory
Geschichtetes Gedächtnis für DSH mit 10 Agent-Tools: privilegierte Schreibvorgänge (memory_add, memory_delete, memory_import), Rumination-Steuerung (memory_ruminate und zugehörige Befehle) und Gedächtnisgraph. Eine L0-L3-Destillationspipeline ruft vor jedem Modellschritt relevante Erinnerungen ab und fügt sie ein.
lunheng-article-pipeline-dsh
zuoyunlai/lunheng-article-pipeline-dsh
DeepSeek-Harness-Bundle für lange Texte (Fachaufsätze, Branchenanalysen, Wirtschaftskommentare) als 9-Rollen-/6-Phasen-Pipeline: T1 Literatur, T2 Daten und T3 Fälle parallel; T4 Analyst, T5 Autor, T6 kritischer Begleiter, T7 Auditor, T8 Finalisierer durch Koordinator, T9 Peer-Reviewer. Enthält trianguläre Evidenzprüfung; M-gate: 26 Checks (25 Skripte + 1 Mensch); G0-G16-Audit mit Prüfung von KI-Schreibspuren in chinesischen Texten; Peer-Review-Bewertung mit Journal-Abgleich; 4 menschliche Checkpoints. Installation: `dsh plugin add lunheng-article-pipeline` (`package.json#dsh.bundle.patch` und `lib/index.js` registrieren den Skill). Rollen-Karten T1-T9, Vorlagen, 36 abhängigkeitsfreie Prüfskripte und READMEs in 5 Sprachen.
dsh-webui-mobile
bbtssama/dsh-webui-mobile
Mobile Web-Shell für die DSH Web GUI: Overlay-Schubladen, ziehbarer FAB, mobile Composer-Korrekturen und ein schwebender Bild-Upload-Button oberhalb des Composers (native Galerie/Kamera, integriert in die validierte add-images-Pipeline), ohne Desktop-Regression. Auf npm als dsh-webui-mobile veröffentlicht.
dsh-reel
eileenes/dsh-reel
Promo-Studio für DSH-Plugins: Pluginname eingeben, einer Fallakte zuordnen und lokal einen 28-Sekunden-Film mit echter UI plus Poster rendern. V0.1 rendert in lokalem Chrome mit eigenem Frame-Renderer (Shutter-Intervall-Sampling für Bewegungsunschärfe, harte Schnitte) und liefert Kompositions-Assets mit; npm install reicht ohne Onetake-Runtime. Benötigt Node.js 22+, Chrome/Chromium und ffmpeg; python3 für den Tonmix.
dsh-plugin-teamflow
michaelshii/dsh-plugin-teamflow
Macht aus einer einzeiligen Anforderung eine geprüfte Lieferung. TeamFlow durchläuft Triage, PRD, Design, technischen Plan, parallele Entwicklung, QA mit Fehlerbehebung und Abnahme. Enthält 12 `teamflow_*`-Tools sowie eine Werkbank mit Live-Pipelinegrafik und Backlog-Kanban. Für jede Anforderung gibt es einen Ordner mit PRD, Design, technischem Plan, QA-Bericht und Abnahmeprotokoll.
dsh-plugin-image-workbench
guohwa/dsh-plugin-image-workbench
Bildwerkbank in der DSH-Seitenleiste mit Illustrations-/Fotografie-Pipelines, lokalem Kontenpool und beliebigen OpenAI-kompatiblen Endpunkten.
dsh-pipeline-kernel
not-big-dog/dsh-pipeline-kernel
dsh-expert-team
yangdcm/dsh-expert-team
Rollenbasiertes Multi-Agent-Team für DeepSeek Harness: Produkt, Architektur, Frontend, Backend, Review und QA arbeiten in neun Phasen mit Prüftoren; dauerhaftes Team möglich. Keine Laufzeitabhängigkeiten, kein Build.
dsh-harvest
toustifer/dsh-harvest
Multi-Plattform-Recherche- und Deep-Search-Pipeline: harvest_scout für parallele Entdeckung über GitHub, Web, Twitter, Reddit, Xiaohongshu, Bilibili und YouTube; harvest_deep_research für automatisch erstellte umfassende Rechercheberichte; dazu Extraktion, Quellenübergreifende Verifikation und Glaubwürdigkeitsprüfung.
dsh-craft-your-textbook
xx-hub/dsh-craft-your-textbook
Macht aus Lehrbuch-PDFs Unterrichtspläne für einen KI-Tutor oder lesbare Lehrbücher. Sechs Stufen mit Bestätigungspunkten. DSH prüft den Zugriff auf die HTTP-Routen nicht; Webseiten im Browser können sie aufrufen.
dsh-novel-solo
tkingxiao/dsh-novel-solo
„Single-Core Writing“-Plugin für DeepSeek Harness: Werkzeuge gründlich verschlankt und Ausgabe gehärtet für quantisierte kleine Modelle, geeignet für lokale Langroman-Pipelines mit On-Device-Modellen.
dsh-expert-mode
asher-2000/dsh-expert-mode
Expert-Preset für DeepSeek Harness (v0.9.2, npm dsh-expert-mode, EN/ZH): Chefkoordinator + 17 Domänen-Subagenten mit Auto-Delegation. Funktionen: Taskboard (Zustände pending/ready/running/done/failed, DAG, atomare Beanspruchung, Retry, Wiederherstellung), Quality Gates (5-stufige Pipeline: Anforderungen, Implementierung, Verifikation, Prüfung, Integration; 2 Überarbeitungen), Five-Anchor (Prüfung/Konvergenz/Anti-Drift/Zusammenarbeit/Ressourcen), Near-distance (Vorlage Identität/Aufgabe/Ausgabe), progressive Offenlegung (~28 % Token-Einsparung), Persistenz, P2P-Bus, Kreuzprüfung, Erfahrungspool, Schnellweg, Auto-Retry. 17 Experten: Daten, Redaktion, Recht, PM, Frontend, UI/UX, Architekt, Social, Growth, Quant.-Finanzen, Backend, DevOps, DB, QA, Sicherheit.
dsh-progressive-tools
everclear077/dsh-progressive-tools
Cache-stabile progressive Werkzeugentdeckung: eine feste tool_search- und tool_dispatch-Oberfläche bei jeder Anfrage, Katalogsuche im Speicher, verschachtelter Dispatch durch die Harness-Pipeline und eine byte-stabile native Werkzeugliste über die Entdeckung hinweg.