Plugins

Ein Repository, drei Teile: ein Laufzeit-Injektor für DSH-Plugin-Pakete (Injizieren, Hot-Reload, Entladen, ein Entwicklungswerkzeug nach vorne holen, Selbstheilungs-Routing sowie ein Plugin-Manager auf der Einstellungsseite, der auflistet, entlädt und Ordner zum Internalisieren per Drag and Drop aufnimmt), ein aufgabenbewusster Reasoning-Mode-Router als agent preset (router-standard / router-spec / router-react) und ein abgestuftes zweistufiges Aufgabenprotokoll, dessen sechs Werkzeuge (commit_star, lock_stage, revise_do, edit_plan, mark_task, redteam_verdict) den Aufgabenstatus auf der Festplatte fixieren. Die Injektor-Implementierung liegt im Baum bei, die Installation bringt also ihr eigenes Verhalten statt einer Abhängigkeitsliste mit.

Inoffizieller Command-Code-LLM-Provider: registriert eine `commandcode`-Route mit einem Live-Modellkatalog und Unterstützung für Reasoning-Effort.

Adaptiver Reasoning-Slider-Skin, der die verfügbaren Reasoning-Effort-Stufen jedes Modells auf eine visuelle Intensitätsskala von 0 bis 30 abbildet, mit synchronisierten Porträts, Hintergrund und Oberflächenfarben.

Desktop-Feature-Sammlung, die die DSH-Web-UI-Kollektion, dshmarket, Codex Connect und die Reasoning-Effort-Steuerelemente in festgelegten Versionen installiert.

Basis-Sammlung für DeepSeek-Harness-Desktop-Funktionen: Web-UI-Kollektion, Plugin-Markt, Codex Connect und Reasoning-Steuerelemente.

Schreibgeschützter Beobachter des Sitzungs-Arbeitspfads: faltet Turns zu Zusammenfassungen aus Phase, Lauf, Dauer und tok/s und klappt dann parallele Zweige, Werkzeugergebnisse und anbieter-sichtbares Reasoning aus.

Eine ruhigere Leseansicht für DeepSeek Harness: native Prozessdetails, laufende Schlussfolgerungen und übersichtliche endgültige Antworten.

Codex-artiger Reasoning-Intensitäts-Slider für DSH, sowie ein Slider für den „dicken laufenden Fisch". Codex-artiger Modell- und Reasoning-Effort-Slider für DeepSeek Harness.

Tencent-CodeBuddy-Modellanbieter für DeepSeek Harness, der sich per Browser-OAuth statt mit einem API-Key anmeldet: listet den CodeBuddy-Modellkatalog mit den Kontext-, Ausgabe-, Tool-Calling-, Reasoning- und Bild-Fähigkeiten jedes Modells auf, verwaltet mehrere Konten mit automatischem Failover auf das nächste nutzbare, zeigt das Restkontingent im Composer mit einem Panel zur Token- und Guthaben-Nutzung und erledigt pro Konto automatisierbare CodeBuddy-Growth-Aufgaben mit Ausführungslog. Installation über npm mit `dsh plugin --profile web add @tnnevol/dsh-codebuddy`.

ChatGPT-Konto-Anmeldung für DeepSeek Harness über einen Codex-Browser-OAuth-Flow ohne API-Key und ohne Workspace-Auswahl: meldet den Login beim Codex-Anbieter von pi-ai an, ermöglicht das Setzen des globalen Standard-Codex-Modells und des Standard-reasoning effort für neue Sitzungen, aktualisiert die Modellliste über den Katalog-Endpoint des angemeldeten Kontos und zeigt im Composer die Nutzungszeitfenster von fünf Stunden und pro Woche.

Per-Modell-Konfiguration für Reasoning-Aufwand und Eingabemodalität für Drittanbieter-Provider: Vorschläge, fusioniert aus einer Modell-Wissensbasis und Roh-/models-Endpoint-Evidenz mit Konfidenz-Labels, bearbeitbar innerhalb der offiziellen Models-Seitenkarte.

Reasoning-Effort-Stufen und Sub-Agent-Standards für benutzerdefinierte DSH-Modelle konfigurieren.

Text in einer committeten DSH-Antwort auswählen, um ein unabhängiges, persistentes, schreibgeschütztes Multi-Turn-Topic zu öffnen, das an Source-Session-Evidenz und Projektdateien gebunden ist, während der Quell-Agent weiterläuft.

Reasoning-Effort-Schieberegler im Claude Code-Stil für die DSH-Web-UI: stufenloses Ziehen, Einrasten beim Loslassen, WebGL-Feuerspur und echte, funktionierende Denk-Aufwand-Steuerung für jedes benutzerdefinierte Drittanbieter-Modell oder Anbieter.

Ordne deine Modelle und Token-Budgets jeder Rolle zu und lass dann DSH spezialisierte Subagents nach Aufgabentyp delegieren. Deckt Architektur-Analyse, UI/UX, Implementierung, Codebasis-Erkundung und Dokumentationsrecherche ab, mit automatischem Setup sowie Reasoning-Aufwand und Tool-Berechtigungen pro Rolle.

Lass die KI merken, wie du denkst, nicht was du gesagt hast: sie erfasst aktiv deine Prinzipien, roten Linien und Arbeitsgewohnheiten über Sitzungen hinweg — mit Gedächtniskapazität, sanftem Verfall und menschenlesbarer Begründung für jeden Eintrag. 0.7.0 bringt ein intuitives Persona-Porträt mit Nachweisverfolgung.

Codex-artiges Turn-Folding für die DSH-Web-UI: lässt endgültige Antworten sichtbar, gruppiert aufeinanderfolgende Schlussfolgerungen und Werkzeugaktivitäten und zeigt konfigurierbare Live-Dauer-, Werkzeugaufruf- und Token-Metriken mit mehrsprachigen Zusammenfassungen.

Einstellungsseite für pro-Modell-Fähigkeiten: Reasoning-Effort-Stufen mit ihren Wire-Spellings, Eingabemodalitäten und Token-Kapazitäten, geschrieben als Deklarationen oder sparse Katalog-Overrides.

Auf Chinesisch denken: injiziert einen System-Prompt, damit Gedanken und Antworten auf Chinesisch bleiben, klappt den Denkblock standardmäßig auf (interaktiv einklappbar) und lokalisiert UI-Beschriftungen (npm: `dsh-think-zh-expand`).

Eine Peitsche für DeepSeek V4 Pro: Sie beobachtet den Reasoning-Fingerabdruck jedes Thinking-Blocks und zieht das Modell zurück, wenn es vom fokussierten „We will / I will"-Modus in einen verstreuten „let me"-Modus abgleitet.

Reasoning_effort-Optimierer pro Runde für dsh — senkt automatisch die Reasoning-Stufe bei einfachen Werkzeugaufrufen und hebt sie bei schweren Aufgaben wieder an, wodurch die Denkzeit zwischen Werkzeugaufrufen verkürzt wird.

Analysiert die Nutzung über Modelle, Anbieter, Arbeitsbereiche und Zeiträume — mit eigenen Start-/Enddaten über die gesamte Historie — inkl. Cache-Hit-Einblick und Aufschlüsselung nach Modell und Anbieter. Enthält stündliche/tägliche Trends, 53-Wochen-Heatmap im GitHub-Stil, Serien, Token-Quota-Ringe pro Modell und Arbeitsbereich (Tokens, Kosten, %), kombinierbare Filter, Cache-Effizienz, DeepSeek-Guthaben, Bereichs-Aliase, CSV-Export und ein dauerhaftes Journal, das Nutzung nach Sitzungs- oder Bereichslöschung bewahrt (Deleted-Zeile) und inkrementell neu aufbaut. Die Bereichs-Registry wird über die DSH-domain/changed-Sonde frisch gehalten; nur registrierte Bereiche zählen. Getrennte Buchhaltung für Eingabe, Cache und Reasoning. Chinesisch: Ortszeit; Englisch: UTC; API nur Loopback.

Rundenweise Steuerung des Thinking-Levels (reasoning_effort) für DeepSeek Harness: Auto plant low/high/max anhand der jüngsten Tool-Call-Historie, oder ein Wire-Level (off/on/minimal/low/medium/high/xhigh/max) wird manuell gesetzt, mit benutzerdefiniertem Wire-Mapping, modellbewusstem Fähigkeits-Guard und Kontextfenster-Presets (64K–1M); die Modell-Capability-Card arbeitet mit [dsh-llm-openai-completions](https://github.com/drscrewdriver/dsh-llm-openai-completions) (aus dsh-market installierbar), damit OpenAI-kompatible Gateways (vLLM / LM Studio / self-hosted) Reasoning testen können. Die Card schreibt llm-pi-ai-Fähigkeiten, der Adapter treibt das Wire (compat.thinkingFormat) an und das Plugin pflegt die Takeover-Liste.

Einstellungs-Karte für die DSH LLM-Autowiederholungs-Engine: Wiederholungsanzahl, Backoff und Jitter live unter Settings -> General anpassen, mit konfigurierbaren retryableCodes-Chips – die Standardwerte fügen INVALID_REQUEST hinzu, sodass OpenAI-ähnliche HTTP-400-reasoning_text-Fehler im thinking mode automatisch erneut versucht werden.