Plugins

Fügt DeepSeek Harness eine bearbeitbare Gesprächsleinwand hinzu, bei der Graphverbindungen den Kontext für Leinwandanfragen auswählen, mit Verzweigung, Zusammenführung und Importen lokaler Agent-Sitzungen.

ThoughtDAG für DeepSeek Harness: verwandelt die aktuelle DSH-Sitzung in einen bearbeitbaren Denkgraphen auf einer unendlichen Leinwand.

Bindet 88 paketisierte Forschungs-, Social-Intelligence-, Marketing- und Business-Agent-Skills über den Dateisystem-Skill-Provider in dsh ein.

Forschungs-Skills für 3D Gaussian Splatting / NeRF / Computergrafik: 18 KI-Skills (Paper-Leser, Methodenvergleich, Versuchsplanung, Code-Review, Trainings-Debugger, Visualizer, MCP-Renderer usw.) für einen kuratierten Katalog mit 1011 Methoden sowie ein stdio-MCP-Server für agentengesteuertes 3DGS-Rendering.

Forschungsassistent-Plugin-Suite (Literaturrecherche, Forschungs-Wiki, LaTeX-Kompilierung, unabhängige Subagent-Überprüfung) für DeepSeek Harness.

Tiefgehendes Lesen von Büchern und Artikeln in fünf Modi (Schnell, Tief, Wissenskarte, Feynman, Vollständiges Buch) mit Aussage-Beleg-Daten-Berichten, Mermaid/XMind-Mindmaps, Stapelvergleich, Budget-Vorabprüfung, transparentem Fortschritt von Hintergrundaufgaben sowie MD/HTML-Exporten aus URLs, Dateien oder eingefügtem Text.

Zotero als Evidenzspeicher für Agenten: Durchsuchen Sie Ihre Bibliothek, inspizieren Sie Metadaten und Notizen, rufen Sie Evidenzpassagen ab, öffnen Sie Quell-PDFs und generieren Sie Zitate und Literaturverzeichnisse.

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.

DSH-Gelehrten-Workbench: lokale Aufsatzbibliothek + Idea-Bücherregal + Wissensgraph

Research-Debt-Wächter für DeepSeek Harness: ermutigt Coding-Agenten, vor wiederholten lokalen Trial-and-Error-Versuchen Dokumentation, GitHub und das Web zu durchsuchen.

Wissenschaftliche Abbildungen als Code: Agents erstellen ein versioniertes Figure-IR und ändern es schrittweise, jeweils einen Knoten; unveränderte Objekte bleiben an Ort und Stelle. Export als echte vektorbasierte, publikationsreife SVG/PDF/PPTX. Sieben papercanvas_*-Tools (create/get/patch/layout/lint/render/inspect), deterministische Engine, Qualitäts-Lint FC001–FC008 und CJK-Schriftauflösung. Mit DSH 0.1.5-rc.3 bis 0.2.2-alpha.2 verifiziert; vom Autor von dsh-sessionflow. PaperCanvas-Engine separat erforderlich: Python 3.11+ und papercanvas-CLI (noch nicht auf PyPI); aus diesem Repository installieren, in PATH ablegen oder papercanvasBin setzen. Das Plugin ist nur ein Adapter und enthält die Engine nicht.

Unofficial DeepSeek Harness port of the Academic Research Skills plugin (CC-BY-NC-4.0, non-commercial): 5 skills, 16 /ars-* commands, 4 agent roles, write-scope guard, and deterministic Python gates.

Zweisprachige, belegverknüpfte Lesematrix für wissenschaftliche Arbeiten in DeepSeek Harness. Lokale SQLite-Bibliothek, PDF-Seitenzitate und manuelle Bearbeitung.

Wählt eine Aussage aus einer KI-Antwort, sucht Belege im früheren Chat und Tool-Protokoll, ordnet die Unterstützung ein und springt zur Prüfung zur Originalstelle.

Paper-Bibliothek und Leseplatz: arXiv-Suche, lokale Sammlung einfacher Dateien mit Metadaten, PDF und extrahiertem Volltext sowie dreistufige Markdown-Lesenotizen (Überblick, Verständnis, Kritik) neben den PDFs. Dazu sieben Modellwerkzeuge und ein Webpanel.