Plugins

Prüfungen zur Hygiene vor dem Einreichen von Pull Requests innerhalb von DeepSeek Harness: durchsucht den aktuellen Diff nach verbliebenen TODOs, hartkodierten Geheimnissen und nicht konventionellen Commit-Betreffzeilen.

Ingenieursdisziplin-Wächter: Anforderungsprüfung vor der ersten Bearbeitung, Rot/Grün-Testnachweis-Gates, verzweigte Adversär-Prüfung und ein Lieferbericht mit einem dimensionsbasierten Verifizierungsworkflow.

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

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.

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-native Integrationsschicht für die Minta-Speicher-Engine: setzt die offizielle dsh-mcp-client-Zeile zusammen, registriert die Skill minta-memory-governance sowie ein Speicher-Prewarm zu Sitzungsbeginn und liefert ein Minta-Agent-Preset mit; erfordert die separat bereitgestellte Minta-Engine (Python/Docker), die die 19 MCP-Tools bereitstellt — ohne diese nicht verwendbar.

Mehrdimensionale Qualitätsbewertung für DeepSeek Harness Plugins, die ein Repo oder npm-Paket anhand von Installationserfolg, Wartungsaktivität, Vollständigkeit der Dokumentation, Sicherheitsprüfung und Protokollkonformität auf Basis echter CLI-Belege bewertet und einen JSON- oder Markdown-Leaderboard-Bericht erzeugt.

Vorlagengesteuerte Code-Review-Fähigkeit: Fünf-Schritte-Review-Flow, Schweregrad-Einstufung (kritisch/mittel/gering), vierdimensionale Bewertung (Qualität, Sicherheit, Performance, Wartbarkeit), duale Text- und HTML-Berichtsausgabe und eine On-Demand-Referenzwissensdatenbank.

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.

Weckt den Haupt-Agent nach jedem DSH-Restart, sodass unterbrochene Arbeit automatisch fortgesetzt wird — fügt ein Restart-Tool und einen optionalen Canary hinzu, der den Boot validiert und mit Alarm abbricht, bevor ein fehlerhafter Restart erfolgt.

Bindet DeepSeek Harness in eine Hermes-Pipeline ein: Dispatch-Spec-Vorlage, Modell-Tier-Routing, Qualitäts-Gates für Orchestrator-Läufe, Git-Single-Writer-Regel, als SKILL.md-Paket (als Bundle installierbar).

Rollenbasierte KI-Schwärme für DeepSeek Harness: ein Architekt plant, parallele Builder führen aus, Reviewer sichern die Qualität, und ein Integrator liefert aus. Modell-Pinning pro Rolle mit Fallback-Ketten, Review-Schleifen, Evidenz-Verträgen, von Menschen gesteuerte Reviews, quotenbewusstes Pause/Resume sowie ein Live-Kanban + Flussdiagramm in der Web-GUI. 40 Tests; Installation von GitHub oder npm.

Finanzdaten-Toolkit für DSH-Agenten: Zahlen- und Währungsformatierung (einschließlich chinesischer wan/yi-Einheiten), Rendite- und CAGR-Berechnungen, Bewertungs- und Rentabilitätskennzahlen, PV/FV, Risikokennzahlen und eine Datenqualitäts-Checkliste.

Wissensdatenbank nach dem Karpathy-LLM-Wiki-Muster für DSH: wiki-write/wiki-search-Fähigkeiten, abhängigkeitsfreie Pipeline (Lint/Index/mnemon-Speichersync/Qualitätsfeedback), minimales Lebenszyklus-Plugin mit Schema- und Wissensvorschau, SiliconFlow-Semantikabruf über einen Ollama-kompatiblen Proxy.

Rendert Wallpaper Engine-Szenenhintergründe in Echtzeit im Browser (three.js-Player plus Rust/WASM-CPU-Partikelsimulation) und spielt Video- und Web-Hintergründe ab, mit Rückfall auf das Vorschaubild, ohne dass eine Wallpaper-Engine-Laufzeit nötig ist. Durchsucht die lokale Steam-Workshop-Bibliothek (431960) per Autoerkennung oder manuellem Pfad und bietet ein Einstellungspanel für Hintergrundauswahl, Bibliotheks- und Engine-Verzeichnisse, Leuchten, Pause und Qualität.

DeepSeek-Harness-Plugin, das aggressiv Tokens spart, ohne die Aufgabenqualität zu beeinträchtigen: verlustfreie Kopf-/Endkürzung von Tool-Ergebnissen (Standard), Falten von grep-Ergebnissen, druckausgelöste Delegation an dsh-compaction-basic und eine CompactionEngine-Unterklasse mit LLM-Zusammenfassung für den aggressiven Modus. Spart 97,6 % der Eingabe-Tokens in einer synthetischen Suite mit 8 Szenarien, alle Kürzungen laufen über den dsh-Ereignisfluss, damit modellsichtig = protokolliert erhalten bleibt.

Proaktives Multi-Modell-Scheduling-Plugin: Multi-Source-Signalaufnahme mit Dedup und Dringlichkeits-Ranking, eine Vier-Wege-Execute/Defer/Dismiss/Ask-User-Entscheidungsmaschine, DAG-Plan-Generierung mit paralleler Modell-Ausführung, Qualitäts-Reflexion mit automatischem Retry und Modell-Switch, Langzeit-Gedächtnis für Task-Muster und Lektionen und Strategie-Evolution über genetische Algorithmen mit sandboxed Evaluation und Canary-Rollout.

Vom Engine erzwungene Leitplanken für DeepSeek-Harness-Agenten-Schwärme: Qualitätsgates weisen halbfertige Arbeit zurück, absturzsichere Checkpoints setzen an Ort und Stelle fort – KI-Teams laufen nicht nur, sie brechen nicht.

Plugin-Store: maßgeblicher npm-Katalog + kuratierte Awesome-Liste (550+ Plugins, 11 Kategorien), Qualitätsprüfung über das dsh-Feld, offizielle Ein-Klick-Installation via `dsh plugin add/remove`, Zugang über Sidebar und Einstellungen.

Orchestriert dauerhafte Multi-Agent-Teams aus einer DSH-Session: ein Kapitän spawnt Mitglieder-Subagenten, steuert einen abhängigkeitsbewussten Task-DAG mit Qualitäts-Gates und koordiniert über persistente Mailboxen, mit einem Live-Aktivitätspanel.

Sechsstufiger Workflow zur Inhaltsveröffentlichung für WeChat Official Accounts mit Qualitäts-Gate-Tools und einer gebündelten Fähigkeit.

Technische Dokumentations-Agent-Voreinstellung für DeepSeek Harness: vorlagengesteuertes Schreiben mit selbstlernender Vorlagenbibliothek, KI-Geschmacks-Entfernung für technische Dokumente und Qualitätssicherungs-Werkzeugkasten (Dokumentenprüfung, dokumentübergreifende Konsistenz, Nummerierungs-Neuanordnung, Versionssynchronisierung, PDF- und Word-Export, Screenshot-Automatisierung).

Registriert den commercial-ui-ux-Skill für DSH: aufgabenbewusstes Design, Review, Reparatur und Implementierung kommerzieller UI/UX/GUI (SaaS, Dashboards, Admin-Panels, Formulare, Tabellen, Designsysteme) mit Referenzdokumentsystem und Qualitätsprüfungen.

Folio (兰亭) @nyantused/folio-dsh-tools: 15 schema-validierte Werkzeuge (Speicher + Qualitäts-Gates) sowie ein L0-Schutz der Beratungsdokument-Generierungs-Engine; kombinierbar mit @nyantused/folio-dsh-events für das vollständige Sitzungsprotokoll.