Plugins

Bridge zur ShiGuang Memory Engine (SGME): agentenübergreifendes gemeinsames Langzeitgedächtnis über HTTP — L0/L1/L1.5/L2-Destillation, szenariobasierte Injektion, einheitliche Suche und proaktive Care-Signale (memory_search / wiki_search / signal_pull / signal_claim / signal_ack), installierbar als `dsh-sgme`.

KI kann Lebenslauftexte schreiben, doch Vorlagen können weiterhin falsch aussehen, Seiten überlaufen, Leerraum kann bleiben und kleine Änderungen können das Layout destabilisieren. dsh-resume bietet einen durchgängigen DSH-Workflow für wahrheitsgetreue Inhaltsverfeinerung, Vorlagenauswahl, A4-Layout-Optimierung, visuelle Prüfung und maßgeschneiderte Lebenslaufversionen für verschiedene Jobsuchszenarien.

KI-Interviewtraining für DeepSeek Harness Web: erzeugt Fragen in vier Modi (Konzeptwiederholung, Mock-Interview, Szenario, LeetCode Hot 100), bewertet Antworten und liefert Erklärungen.

Learning-Mode-Agent-Preset: ein Coding-Agent, der beim Coden lehrt — konkrete szenariengestützte Erklärungen, sokratische Anleitung und TODO(你)-Übungs-Lücken, modelliert nach Claude Codes Learning-Output-Stil; installierbar über dsh plugin add (dsh-learning-mode auf npm).

Learning Mode Agent-Preset: ein Coding-Agent, der beim Coden lehrt — konkrete szenariobasierte Erklärungen, sokratische Anleitung und TODO(你)-Übungsblanks, modelliert nach Claude Codes Learning-Ausgabestil; installierbar via dsh plugin add (dsh-learning-mode auf npm).

Szenen-Konfigurations-Plugin: Unterschiedliche Plugin-Kombinationen ergeben unterschiedliche Szenen, einheitliche Verwaltung des Ein-/Ausschaltens von Plugins (die Konfigurationsseite erkennt installierte Plugins automatisch und schaltet pro Szene hot um); das Modell wird vom Benutzer im Sitzungsfenster nach Bedarf ausgewählt.

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.

Team knowledge base for offline knowledge sharing (FDE box scenario): browse, full-text search and refinement entry points; raw material is queued automatically and distilled into wiki pages by a serial bot session (Karpathy LLM Wiki pattern: immutable raw, two-step refinement, log stream, monthly lint).

DeepSeek Harness plugin that aggressively saves tokens without affecting task quality: lossless head/tail truncation of tool results (default), grep-result folding, pressure-triggered dsh-compaction-basic delegation, and an LLM-summary CompactionEngine subclass for the aggressive mode. Saves 97.6% of input tokens on an 8-scenario synthetic suite, with all reductions routed through dsh event flow so model-visible = logged stays intact.

Live token cost for every chat in the DSH Web UI: the chat, its subagents and the whole session tree, priced from a bundled models.dev snapshot of seven providers and 139 priced models, with cache read and write rates wherever the provider publishes them and DeepSeek from its own peak and off-peak table. Every finished answer carries its own price in the transcript, and a chat that is not currently open is priced from the log instead of disappearing. Spend is costed per interval from an append-only JSONL ledger in the project folder, so logged work keeps the tariff it was billed at. On top of it: budget-aware work plans packed against a money limit, routing scenarios that show which models are worth connecting, a generated plan document in English, Chinese or Russian, and a warning when spend belongs to no plan unit.

Skill dossier + work report for DSH: browse, search and archive each skill (direction, scope, boundaries, scenarios), review or delete it, and roll daily briefs into daily, weekly and monthly reports.

An agent preset that turns a one-line idea into requirements, tech plan and maintenance baseline — every step is restated and confirmed by you before proceeding. No scenario presets: 73 atomic skills (6 master skills + a verify dispatcher + 66 sub-skills) load by context.

Routes dsh requests by conversation scenario and retries with fallback models when requests fail.

Scenario bundles of dsh plugins (插件界的 dotfiles): a recipe tool that lists, searches, applies and composes ready-made plugin environments with ordered install sequences.

Beginner starter pack for DeepSeek Harness: welcome flow, 0→1 learning path, scenario-based plugin recommendations and a self-check checklist, paired with the dsh-handbook-zh Chinese tutorial repo.