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`.

Team-Wissensdatenbank für Offline-Wissensaustausch (FDE-Box-Szenario): Einstiegspunkte zum Durchsuchen, Volltextsuchen und Verfeinern; Rohmaterial wird automatisch in die Warteschlange gestellt und von einer seriellen Bot-Session zu Wiki-Seiten destilliert (Karpathy-LLM-Wiki-Muster: unveränderliches Rohmaterial, zweistufige Verfeinerung, Log-Stream, monatlicher Lint).

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).

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

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.

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.

Registrierungshelfer für Daten-Assets: Vorabprüfung unzulässiger Szenarien und Eigentumsstreitigkeiten, passende Registrierungsstelle nach Datentyp/Region sowie Checkliste nach Dreifach-Audit-Standard mit siebenstufigem Ablauf.

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).

Geschichtetes Langzeitgedächtnis für DeepSeek Harness: Pro Runde Persona-Rahmen und Relevanzindex; vollständige Transkripte bleiben auf Datenträger und werden bei Bedarf geladen, ohne Kontextüberlauf. Fakten: slotgebunden, neue Werte ersetzen alte. Modell leitet Persona-Rahmen aus Erinnerungen ab. Drei Filter verwerfen Entwicklergeplauder, blockieren Echos eigener Einspeisungen und führen Umformulierungen anhand gemeinsamer Inhaltswörter zusammen. Konsolidierung vereint Beinahe-Duplikate, verdichtet lange Themen und archiviert wenig nützliche alte Einträge nur per Tag; Rohtext bleibt erhalten. Append-only-Speicher lokal kompaktiert (4,7 MB → 355 KB gemessen). Keine Fremdabhängigkeiten, kein Build. Einspeisung pro Runde senkt zwangsläufig Prompt-Cache-Treffer; nicht für Arbeit empfohlen.

Akustisches Feedback für die DSH-Weboberfläche: Schaltflächen werden nach Bedeutung klassifiziert (normal, primary, toggle, send, close, danger, link); Aufgabenübergänge der aktuellen Sitzung (started, finished, failed) und ausstehende Interaktionen lösen einen Signalton aus. Für jedes Szenario gibt es eine eigene Signalauswahl und einen Schalter auf einer Einstellungsseite. Alle 78 Signale und 12 Sound-Pakete werden im Browser mit der Web Audio API erzeugt; das Paket enthält keine Audiodateien und sendet keine Netzwerkanfragen. Community-Port von dsh-plugin-uisfx auf DSH 0.2.0; die Änderungen stehen in PROVENANCE.md.

Enthält fünf TIA-Portal-Skills (Siemens-PLC-Dokumentation suchen, Ladder-Logik generieren, SimaticML als PNG rendern, Scanzyklus mit PASS/FAIL-Szenarien simulieren und TiaLink-Gateway zur Steuerung eines echten TIA-Portal-Projekts) sowie fünf MCP-Endpunkte. Für echte Projekte wird das kostenpflichtige TiaLink benötigt (Windows + TIA Portal V19/V20 + Openness). Vier Cloud-Dienste benötigen API-Keys; je 100 Aufrufe sind kostenlos, danach kostenpflichtig. Rendering wird pro Aufruf berechnet, auch bei Fehlern. Benötigt Node 22+ und Netzwerkzugang; Programmausschnitte werden an tia.hubwiz.com hochgeladen.

Fünfschichtige Pipeline zur Absichtserkennung (Regeln, pgvector-Abruf, Jev-Bewertung, feinabgestimmte Vermittlung, LLM-Fallback) mit Szenarienverwaltung, PostgreSQL-Speicher und verteilbaren API-Diensten.

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.

Bewertet schreibgeschützt anhand von 16 Szenarien, ob sich eine Dameng-DM8-Datenbank wiederherstellen lässt und bis zu welchem LSN oder Zeitpunkt, und erstellt einen HTML-Bericht. Erfordert Java 8+ und einen selbst bereitgestellten Dameng-JDBC-Treiber (DmJdbcDriver8.jar).

Live-Tokenkosten je Chat, Subagent und gesamtem Sitzungsbaum. Nutzt einen gebündelten `models.dev`-Snapshot mit 7 Anbietern und 139 bepreisten Modellen, ergänzt veröffentlichte Cache-Lese-/Schreibraten und verwendet für DeepSeek die offizielle Spitzen-/Nebenzeittabelle. Zeigt den Preis jeder fertigen Antwort; geschlossene Chats werden aus Logs berechnet. Ein append-only JSONL-Kostenbuch im Projektordner erfasst Intervalle und bewahrt den damals berechneten Tarif. Enthält Budgetpläne, Routing-Szenarien für sinnvolle Modelle, Plandokumente auf Englisch/Chinesisch/Russisch und Warnungen zu nicht zugeordneten Ausgaben.

Spanisch-Übungspanel für DeepSeek Harness: sechs lokal bewertete Übungstypen (Verbkonjugation in 11 Zeiten, Genus, Plural, Vokabelerkennung, Lückensätze, Grammatik zu ser/estar und Subjunktiv), ein vom Modell bewerteter Tab für Szenariotexte, 8-stufige Wiederholung und vier Agent-Tools. Antworten werden im Plugin berechnet und bewertet; das Modell dient nur zum Unterrichten und Erklären.

Yijing-basiertes Plugin zur Entscheidungsprüfung für DSH: sechsstufige gewichtete Aggregation (von 384 Yao bis Taiji) mit Veto-Regeln für starke Assoziationen. Reines JS ohne Solver-Abhängigkeiten. Die kostenlose Stufe ist auf 9 Durchläufe pro Tag begrenzt; Aktivierungscodes erhöhen das Limit. Im Aktien-Trendszenario ruft das Plugin für die in der Anfrage genannten Aktiensymbole Live-Kurse von Tencent ab.

Bindet den semantischen tsm-core-dlr-Dienst (LanceDB-Vektoren und -Graph) als MCP-Tools ein, plus szenariounabhängigen DLR/TSM-Skill, Status-Overlay und Agentenregeln. Harte Abhängigkeit, muss vor Bundle-Aktivierung laufen.

Skill-Dossier und Arbeitsbericht für DSH: Skills samt Ausrichtung, Umfang, Grenzen und Szenarien durchsuchen und archivieren, prüfen oder löschen; Tagesbriefs zu Tages-, Wochen- und Monatsberichten bündeln.

Agent-Preset, das eine einzeilige Idee in Anforderungen, Technikplan und Wartungsbasis umsetzt. Jeder Schritt wird erneut formuliert und vor dem Fortfahren von dir bestätigt. Keine Szenario-Presets: 73 atomare Skills (6 Master-Skills, ein Verify-Dispatcher, 66 Sub-Skills) werden kontextabhängig geladen.

Leitet dsh-Anfragen je nach Gesprächsszenario weiter und versucht es bei Fehlern mit Fallback-Modellen erneut.

Szenario-Bundles für dsh-Plugins (die Dotfiles der Pluginwelt): Rezepttool zum Auflisten, Suchen, Anwenden und Kombinieren fertiger Plugin-Umgebungen mit geordneten Installationsschritten.

Starterpaket für DeepSeek Harness: Willkommensablauf, Lernpfad 0→1, szenariobasierte Pluginempfehlungen und Selbstcheckliste, zusammen mit dem chinesischen Tutorialrepository dsh-handbook-zh.