Plugins

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

Prompt-Verbesserung für den Composer: Die Schaltfläche „✨ Enhance“ schreibt den Entwurf anhand von First-Principles-Denken in eine klarere, strukturiertere Version um, basierend auf Sitzungskontext, Gedächtnis und dem letzten Gespräch. Bei fehlenden Schlüsselinformationen werden in einer Karte Rückfragen gestellt; anschließend lässt sich das Ergebnis vor der Übernahme in das Eingabefeld in der Vorschau ansehen.

Überarbeitet grobe DSH-Composer-Entwürfe zu klaren, strukturierten Prompts; mit Ein-Klick-Rücknahme, geschützten Referenz-Chips, drei Modellquellen und trennungssensitivem Abbruch.

Ergänzt den Composer um eine Schaltfläche, die einen ungesendeten Entwurf klarer und spezifischer formuliert; mit Ein-Klick-Wiederherstellung, Einstellungsseite und optionalem Modell-Override pro Anfrage.

Verbessert Prompts mit Leitfragen und bearbeitbaren Vorschauen über Harness AI oder natives Codex in Web, Desktop und TUI; Entwürfe werden erst nach Bestätigung angewendet.

Schreibt den DSH-Composer-Entwurf über die eigenen LLM-Routen des Harness in einen klareren, ausführbaren Prompt um und zeigt vorher den Original-/Optimiert-Vergleich.

„Prompt verfeinern“-Plugin für das DeepSeek-Harness-Eingabefeld: Wandelt vage Entwürfe mit einem Klick in strukturierte Prompts (Ziel/Hintergrund/Schritte/Anforderungen/[Annahmen]) um. Kosten sind routbar (Standardmodell kann durch ein günstigeres Optimierungsmodell ersetzt werden); Ergebnisse werden gecacht, Tokenverbrauch gespeichert. Die statische Version enthält den Hauptumfang, die dynamische lässt sich ohne Installation testen.

Begrenztes Agentenbewertungs-Plugin für DSH: Vergleicht das Original anhand nutzerdefinierter Prüfungen mit einem Kandidaten-Prompt oder unterstützten Konfigurationsänderungen, protokolliert Belege und Kosten und überlässt die Übernahme dem Nutzer.

Fügt dem DSH-Composer eine Ein-Klick-Schaltfläche zur Promptoptimierung hinzu, mit Rückgängig und optionalem eigenem Optimierungsmodell.