Plugins

Desktop-Pet für die DSH Web UI mit 25 transparenten Animationen, Umherwandern auf dem Bildschirm, Klick-Reaktionen und Ziehen, plus einer reproduzierbaren Asset-Generierungs-Pipeline.

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.

Datenqualitätsprüfung für DeepSeek Harness – Profilierung, Bereinigung und Verifikations-Pipelines mit strukturierten Berichten.

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.

lowtide: menschlich adjudizierte Off-Peak-Batch-Task-Pipeline für dsh (Peak-/Tal-Pricing-bewusst)

Portiert alle 38 opencode-Themes (33 TUI + 4 Desktop 2.0 + system) in DeepSeek Harness: datengetriebene Pipeline (JSON → color resolve → DSH override), Persistenz pro Browser, Wahl zwischen Monospace und proportional, fünf Code-Schriftarten sowie einen system-Fallback, der nur die Typografie behält.

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.

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.

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.

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.

Token-Kosten-Pipeline für DeepSeek Harness: druckabhängige, geschichtete Kompaktierung (verlustfreie Projektion unter 40 % Kontextdruck, darüber LLM-Zusammenfassung), Tool-Allowlisting pro Agent, Langtext-zu-Bild mit Vision-Zusammenfassung und ein /token-status-Befehl, der Druck, Stufen und eingesparte Tokens verfolgt.

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.

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.

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.

Rollenbasiertes Multi-Agent-Team für DeepSeek Harness. /team versammelt bis zu 12 Subagenten (Produkt, Architekt, Recherche, UI, Backend, Frontend, DB, Security, Reviewer, QA, DevOps, Docs) und führt einen Pipeline mit 9 Phasen und Gates aus (klären, recherchieren, entwerfen, Spec-Review, Plan-Freigabe, umsetzen, Review, Test, Ausliefern) über gemeinsame Artefakte. Qualitäts-Gates erzwingt der Code, nicht der Prompt: eine unfertige Aufgabe lässt sich nicht als abgeschlossen markieren, Befunde entscheidet die Reviewer- oder QA-Rolle, und Abdeckungslücken oder Rework erscheinen live im Overlay und in /team status. Enthält ein Live-Overlay (Phasen, Roster, Task-DAG, Artefakte, Entscheidungen), einen persistenten Team-Modus und Token-/Zeitabrechnung. Keine Laufzeitabhängigkeiten, kein Build.

Vom Chat zur Leinwand zum Werk: steuere ComfyUI als visuelle Workflow-IDE in DSH. Bette ComfyUI (lokal oder Cloud) als geteilte Leinwand in DSH Web ein: Der Agent schreibt Prompts und Skripte im Chat, wendet sie live an und erzeugt Bilder, Musik, Video und 3D. Operationen: Pipelines bauen, Workflows lesen/schreiben, Knoten bearbeiten, Links verdrahten, ausführen, justieren und debuggen. Produktion: Batch-Parameter-Sweeps (batch_run) und automatischer Abruf der Ausgaben in den Chat (get_outputs). Pflege: Ein-Klick-Start und -Upgrade von ComfyUI, Kern und Custom Nodes. Dieses Paket ist das DSH-seitige Plugin und liefert den ComfyUI-seitigen Brückenknoten mit.

„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.

Cordis-/hongtou-Befehl: zweiphasige Pipeline (strukturiertes LLM-JSON + deterministisches Word-2003-XML-Template-Rendering)

Geschichtete Token-Optimierungspipeline für DeepSeek Harness: Ausgabe-Leiter, MCP Lazy Loading, Kompaktierungs-Treiber, Cache-Treffer-Bericht. Auf echten DSH-Plugin-APIs aufgebaut; in langen Sitzungen werden etwa 40–60 % der Eingaben gespart.

AI Company Framework: aus einem Satz eine Multi-Agent-Firma machen — 15 flache Skills (boss/pipeline/role-template/11 roles/generic customer-memory), 7 Workflow-Vorlagen, AgentTeams-Runtime + Aktivitätspanel, Mitarbeiter-Sidebar mit Isolation pro Session, Feishu-Bot-Bridge (Boss- und pro-Mitarbeiter-Bots, Group-Routing, autonomer Push, Human-Decision-Gate, External-Contact-Guide), SQLite-Memory pro Kunde mit Drei-Schichten-Memory (gruppenübergreifender Merge), /company-Modusumschaltung; kein RAG.

Eine abgestufte Mathematik-Modellierungs-Skill-Suite für DeepSeek Harness: eine fünfstufige Pipeline mit Stufen-Gates, Schreibmustern für Award-Paper, Sensitivitätsanalyse, statistischer Diagnose und einem Wettkampf-Preset.

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.

Das DeepSeek Harness-Bündel registriert eine Fertigkeit, die lange Produktionen (wissenschaftliche Arbeiten, Branchenanalysen, Wirtschaftskommentare) in eine 9-Rollen-Pipeline verwandelt: T1 Literatur- / T2 Daten- / T3 Fall-Scouts parallel, T4 Analyst, T5 Autor, T6 kritischer Begleiter, T7 Prüfer, T8 Finalisierer, T9 Peer-Reviewer vom Koordinator ausgeführt. Über 6 Phasen mit dreieckiger Evidenzprüfung, 23-Prüfungen-M-Gate, G0-G14-Audit inkl. chinesischem KI-Tracing-Gate, Peer-Review-Bewertung mit Journal-Matching und 4 menschlichen Checkpoints. Installation mit `dsh plugin add lunheng-article-pipeline` (package.json#dsh.bundle.patch plus lib/index.js-Eintrag); liefert Rollenkarten für T1-T9, Vorlagen und 11 Verifizierungsskripte ohne Abhängigkeiten, mit fünfsprachigen READMEs.