Plugins

Design-Treue-QA für textbasierte Modelle: Ein `deepseek_vision`-Tool leiht sich ein Auge von jedem OpenAI-kompatiblen Vision-Pfad, damit das Modell beurteilen kann, ob eine Implementierung zu seinem Mock passt — ausgeliefert mit dem Benchmark hinter diesem Urteil (vier Fixtures, 23 injizierte Defekte, Rohtranskripte) und der Fragedisziplin, von der es abhängt.

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.

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.

Steuert das wissenschaftliche Plotten mit OriginLab Origin aus dem KI-Chat über MCP: 62 Tools. Watchdog für modale Dialoge, LabTalk-Sicherheitsschleuse, release/reconnect, Fits mit anfänglichen/festen/gewichteten Parametern, feingranulare Plot- und Sheet-Bearbeitungen, Matrix-Tools, deklaratives FigureSpec-YAML (diffbar und replaybar), schreibgeschützter MCP-Ressourcen-Snapshot, matplotlib-figure-Bridge, PowerPoint-Assembly mit Panelbeschriftungen, Suche in der Graph-Gallery-Vorlagen, EPS-Export, Dateizugriffs-Whitelist, visuelle Regressionsbaseline und editierbares OPJU-Ergebnis mit deterministischer Rücklese-Verifikation.

Evaluierungs-Harness für DSH-Plugins: YAML-Fälle steuern echte Headless-Agent-Läufe, prüfen Tool-Aufrufe, Argumente, Ergebnisse und Token-Nutzung, mit einem Baseline-Gate gegen CI-Regressionen.

Fähigkeit zur Aussagenprüfung, die Designdokumente und Pläne gegen Code-Fakten abgleicht und Verhaltensaussagen auf ausführbare Logik-Primitiv-Verifikation für Zustandsmaschinen und Datenmodelle hochstuft, mit Vorher/Nachher-Regression, Domänenbeschränkungen und Mining von Nebenläufigkeitsrisiken.

Ein selbst-evolvierendes Plugin für DeepSeek Harness: Es beobachtet, wie der Agent arbeitet, schlägt über das LLM Verbesserungen seiner eigenen Assets vor, validiert jeden Vorschlag in einem sandboxed Test-Agenten und wendet nur verifizierte Mutationen an – mit versioniertem Journal und automatischem Rollback bei Regression.

Führt Stata über DeepSeek Harness aus: Der native Stata-AI-Skill-Dienst startet automatisch mit DSH (Binaries für macOS/Windows enthalten), sodass Regressionen, Do-Files und ökonometrische Workflows ohne manuelle Einrichtung ausgeführt werden können.

Berichte über Verhaltensdrift in DSH-Sessions: vergleicht zwei Session-Logs und meldet Übereinstimmung der Tool-Sequenz, Tool-Mix, Reasoning-Umfang, Timing, Wiederholungen und Dateiziele, mit optionalem CI-Schwellenwert-Gate. Keine Abhängigkeiten.

QA-Orchestrator-Plugin für DeepSeek Harness: ein Agent erkundet deine App und hinterlässt Belege, danach wird der erkundete Pfad deterministisch wiedergegeben. Steuert Treiber für Browser, macOS-Desktop, iOS und Android.

Entscheidungs- und Zielgedächtnis mit Linie: explizite Befehle und ein Modell-Tool erfassen Entscheidungen deterministisch, eine Status-Karte verankert sie über die Compaktion hinweg neu, ein verlustfreier Ereignisstrom mit BM25+jieba-Suche stützt dies, und eine Fidelity-Regressionssuite auf Szenarioebene schaltet Releases frei.

Stata über DeepSeek Harness ausführen: Der native Stata-AI-Skill-Dienst startet automatisch mit DSH (macOS-/Windows-Binärdateien enthalten), sodass Regressionen, Do-Files und ökonometrische Workflows ohne manuelles Setup laufen.

Mobiler Adapter für die DSH-Web-Shell: Overlay-Seitenleiste/-Detail-Schubladen, responsiver Composer und Einstellungen unter 768px, ohne Desktop-Regression.

Vertrags-Regressionsharness für Plugin-Autoren: Ein skriptgesteuerter LLM-Adapter treibt die echte Pipeline in isolierten Kindprozessen mit Sitzungsereignis-Assertions (Schichten load/contract/behavior/fault); ohne API-Schlüssel, CI-fähig.

Measure whether a dsh setup change actually helped: register repeatable cases, run them, and diff the results before and after you change rules, skills, or models.

Evidence-first frontend release checks: real-browser content, accessibility, runtime, network, and baseline regression reports with screenshots.

Adds a /dshpp slash command that reports session and token usage, cache-hit rate, and estimated cost from harness session logs; the repo also ships a CLI and local web console for lifecycle, provider, session, and plugin-security management.

Codex-style fuzzy skill search for the DeepSeek Harness Web GUI: /bug, /diag, /regression all find diagnosing-bugs in the / skill menu.