Plugins

Red-Team-Modus: Zielorganisation angeben; eine Planungssitzung startet fünf Rollen (Aufklärung, Asset-Triage, Schwachstellensuche, Ausnutzung, interner Pivot) mit einstellbarer Parallelität. Vorabprüfung von Skills/Ressourcen. Bewertung in vier Stufen (Aufklärung, Internet, Grenze, intern), mit Serverlimits und Deduplizierung zugunsten höherer Privilegien. Befunde in lokaler SQLite-Faktenbasis. Die persistente Seitenkonsole hat neun Seiten: Asset-Karte, Agents, Sitzungen/Tunnel, Befunde, Bewertungsziele, Berichte, POC-Wissensbasis, Skill-Bibliothek. v0.15.2 ergänzt automatische HTTP-Beleg-/Aktionsprotokolle, Batch-Import, Scope-Prüfung, Tunnel-Pivot-Test, Datennachweis, Bereinigungsprotokoll und Asset-Zulassung T0-T3 gegen Scope-Abweichung. 59 redteam_* Tools, 38 Skills.

Schutzmechanismus für wissenschaftliches Schreiben (zweisprachig EN/ZH): entfernt KI-typisches defensives Schreiben, schützt wissenschaftliche Belege (Zahlen, Zitate, Aussagekraft, nicht signifikante Ergebnisse, Geltungsbereich) beim Überarbeiten und richtet den Text auf eine Zielzeitschrift aus (Journal Profile + Journal Fit). Deterministische lokale Regex-/Statistikverarbeitung, ohne Netzwerk/LLM; enthält writing_rules / writing_audit / writing_style_profile / writing_journal_profile mit automatischer Prüfung beim Verfassen des Papers.

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.

Leitplanken für das Romanschreiben: 20 novel_*-Tools erzwingen Faktenbuch-Konsistenz, Phasen- und Kapiteltore, maschinelle Prüfung mit deterministischen Metriken und vorschlagsbasierte Revisionen; eine Werkbank im rechten Bedienfeld deckt Lesen, TTS-Wiedergabe, Feinschliff, Korrekturlesen, Kontinuitätsprüfungen und Batch-Entwurf ab, und eine Bypass-Engine führt interne Schritte außerhalb der Hauptkonversation aus.

Eine Web-Roman-Schreib-Engine für DeepSeek Harness: paralleles Entwerfen, Gliederung und Brainstorming mit einem separaten DeepSeek-Schlüssel, Verwaltung von Hintergrundwissen und Vorausdeutungen, semantische Vektorsuche, eine Korpusbibliothek, ein Nutzungsprotokoll, mechanisches Korrekturlesen und ein lokaler Serialisierungsplan.

Live-Sicherheits-Leuchtfeuer für DSH, das der Werkzeugaktivität folgt. Klicken Sie, um Aufrufstatistiken, Risikoherkunftsketten und blockierte Aktionen anzuzeigen, mit Read-Only-Aufgabenbeschränkungen und Erkennung von Werkzeug-Metadaten-Änderungen.

Math Agent Framework für DeepSeek Harness: Engine für symbolische Herleitung (CES / quadratische Formen / ODE / PDE), SymPy-Verifikation, vom Lean-4-Compiler verifizierte formale Beweise sowie QED-artige multi-agenten adversarische Verifikation, bereitgestellt als native DSH-Werkzeuge über eine TS-Shell, die eine Python-Engine anbindet. Erfordert das Klonen des math-agent-framework-Repositorys und `pip install -r requirements.txt`, wobei MATH_AGENT_HOME auf den Repository-Stamm zeigt. Jedes Ergebnis enthält Provenienzangaben (Engine-Versionen, Seed, Toleranzen) und ist als nicht vertrauenswürdige Daten gekennzeichnet.

Multilingual writing, chunked long-form collaboration and continuity review, with on-demand DSH delegation discovery. Requires Python 3.9+ on PATH.

Ein `/backstory`-Befehl und -Tool, das jede Zeile mit dem Git-Commit, der sie zuletzt berührte, und dem Agenten-Durchlauf + Prompt, der sie schrieb, annotiert – aus einem persistenten Zeilenjournal (dank Content-Hash vor Drift geschützt), DSH-*-Commit-Trailern oder dem Live-Sitzungsprotokoll.

Verifikations-Gates mit echter Berechnung: mathematische Vereinfachung, Logikbeweise, Regex-Validierung, E-Prover-FOL, Zustandsmaschinen-Prüfungen und Code-Reparatur, gestützt auf in Go kompilierte Binärdateien mit vorgefertigten Windows-Executables.

Pins the first prompt you sent in the current session in a scroll-proof bar above the conversation, with one-click copy, a collapsible panel listing every prompt you sent, and eight switchable looks you can pick from inside the panel.

Herkunftsbewusste Ausführungssicherheit für DeepSeek Harness. Verfolgen Sie sensible Daten über Tool-Aufrufe hinweg und stoppen Sie riskante Nebenwirkungen vor der Ausführung.

Modellseitiges image_describe-Werkzeug (识图) über die OpenAI-kompatible DashScope-API (qwen3.7-flash), plus eine Einfüge-Brücke: In Text-only-Sitzungen werden eingefügte Bilder beim Senden automatisch in Dateipfade umgewandelt und im Transkript zurückgerendert, sodass sie nie an der Bildannahme scheitern. Eigenen DASHSCOPE_API_KEY mitbringen; Endpunkt/Modell/Budgets konfigurierbar, redirect-fester HTTP-Client, funktioniert in jedem agent preset.

Unabhängige, schreibgeschützte Abnahmeschicht: startet vor jedem Abschluss einer übergeordneten Runde einen schreibgeschützten Prüfer und lenkt nicht bestandene Lücken zurück an den Agenten.

Auditable mathematical proving for DeepSeek Harness: a local stdio MCP server with 23 machine-checking tools, a bundled workflow skill, and the /prove and /audit-proof commands. proven, refuted and inconclusive are never conflated, and unproven steps are reported instead of hidden. Needs Python 3.10+ with pip install -r requirements.txt on first run; the 23 tools are unavailable until then.

Session-scoped research evidence ledger with sources, linked claims, open questions, and explicit user review; provides a tool, slash command, and conversation panel, with selected-claim Markdown export that omits excerpts, review notes, and local paths by default; does not fetch sources or verify their truth.

Session-scoped delivery receipts for local artifacts: compare current file hashes with a recorded baseline, keep agent claims separate from explicit user acceptance, flag changed or unavailable files, and export a Markdown receipt through a tool, slash command, and conversation panel.

Prove that a local image edit left every pixel outside its mask untouched. Original, generated and mask PNGs go in; a greppable `MASK_PIXEL_LOCK=PASS|FAIL|EMPTY` verdict, a difference heatmap, per-channel statistics, a bounding box and the largest changed pixels come out, plus a self-contained HTML report and `report.json` with a SHA-256 file hash, a canonical protected-pixel digest and a proof digest binding both to the policy. Supports edit and lock mask polarities, a mask threshold, tolerance and alpha-ignoring; PNG color types 0/2/3/4/6, bit depths 1-16, all five filters and Adam7. Zero dependencies, local only — no model call, no network, no upload.

Turn English audiobooks (MP3) and documents into listening lessons: transcribe every sentence locally with the speech model DSH voice input already downloaded (about 241 MB, fetched on first use if missing; ffmpeg required), proofread and explain each sentence with your DSH model, then drill with blind listening, intensive listening and spaced repetition, with Chinese-dubbing export and offline Kokoro voices; ships a sidebar panel and four AI tools.

Session-scoped research evidence ledger with sources, linked claims, open questions, and explicit user review; provides a tool, slash command, and conversation panel, with selected-claim Markdown export that omits excerpts, review notes, and local paths by default; does not fetch sources or verify their truth.

Session-scoped delivery receipts for local artifacts: compare current file hashes with a recorded baseline, keep agent claims separate from explicit user acceptance, flag changed or unavailable files, and export a Markdown receipt through a tool, slash command, and conversation panel.

DSH plugin: cross-session call center for agents. session_message delivers messages between DSH sessions (idle: visible full-text wake; busy: mid-turn-safe notice; plus runtime-context notes) and resolves targets by registered contact name (stale-id-proof

Multi-instance ComfyUI orchestration: probes every configured ComfyUI endpoint for its GPU, free VRAM and queue depth, then dispatches a generation job to the idlest eligible instance. Ships three tools (comfyui_farm_status, comfyui_farm_pick, comfyui_farm_run). An instance is eligible only if it is reachable, has at least the requested free VRAM, and its queue is no deeper than the configured ceiling; eligible instances are ranked by free VRAM minus queue depth times a weight, so an idle shallow queue wins over a busy large one. Zero runtime dependencies. Optional retry on probe failure, because a single timeout across an SSH tunnel is not proof that an instance is down.

Verifiable authorization, execution evidence, and offline delivery verification for DeepSeek Harness