Plugins

Sitzungsübergreifende Speicher-Engine für DeepSeek Harness: SQLite-Speicher + von Menschen editierbarer Markdown-Spiegel, autoDream-Konsolidierung, Offline-Semantiksuche (lokale Vektorisierung/Reranking/Clustering), Entität-Attribut-Zeitachse, Sleep Mode, autoSummarize mit benutzerdefiniertem Modell und 7 Speicherwerkzeuge.

Multitask-Agenten-Preset: Das Hauptgespräch plant, briefet Subagenten und fasst Ergebnisse zusammen; Dateizugriffe, Befehle, Suche und Builds laufen in Subagent-Kontexten. Vier Worker-Arten, Freigabe für gefährliche Aktionen und keine Änderungen am DSH-Quellcode.

Vertieftes Lesen und Zusammenfassen für DSH: Bücher, Papers, Videos und Web werden über Plugin-Parser, parallele MapReduce-Tiefenlese-Subagenten, JSON-Schema-Ausgaben und einen idempotenten Cache in strukturierte Obsidian-Notizen umgewandelt.

Projektgedächtnis für dsh mit nativer Task-System-Integration: Session-To-dos und Dateilesevorgänge werden automatisch zu sitzungsübergreifenden Task-Datensätzen verdichtet (Task↔Datei-Links), sodass Workflows umschalt- und fortsetzbar sind, ohne erneut Kontext aufzubauen. Gedächtnis zur Lesezeit (kein Vorab-Scan): extrahiert Codesymbole, fasst Dokumentation zusammen und verknüpft Doku↔Symbole; optionale TS-Semantik-Erweiterung (automatisch aktiv, wenn TS installiert ist). Erfahrungsnotizen werden automatisch dedupliziert. Jeder Abruf enthält eine nachvollziehbare Zitierung. Reines JS, eine Abhängigkeit, sofort einsatzbereit, stiller Betrieb, null Overhead.

Intelligente Sitzungstitel für DSH: nach jedem Gesprächs-Turn fasst ein unabhängiger Hilfs-LLM-Aufruf das vollständige Nutzer+Assistent-Transkript zu einem Titel zusammen, der dem echten Thema der Sitzung folgt statt die erste Nachricht zu wiederholen; die erste Nachricht wird sofort betitelt, fehlgeschlagene integrierte Titel werden in späteren Turns erneut versucht, manuelle Umbenennungen nie überschrieben und Subagenten-/Fork-Sitzungen übersprungen.

Ersetzt den eingebauten DSH-Kompaktierungs-Summarizer durch eine Übergabezusammenfassung mit fünf Abschnitten und hält jede verdrängte Nachricht in einem Segmentverzeichnis lesbar.

Multi-agent roundtable discussion: each member runs as a subagent on its own model and speaks in turn, a host summarizes each round, and termination writes meeting-minutes Markdown.

Melden Sie sich bei DeepSeek Harness mit einer Claude-Pro/Max-Mitgliedschaft an (kein API-Schlüssel), verkleinern Sie Anthropic-Anfragebilder auf eine lange Kante von 2000px, verschlanken Sie die Nutzlast des /compact-Zusammenfassers und zeigen Sie die 5-Stunden-/Wochen-Planauslastung sowie DSH-Nachrichtenzahlen an.

Sprach-Chat im Doubao-Stil für DSH: Gedrückthalten des Mikrofons im Composer wandelt Sprache in Text um und sendet automatisch, und KI-Antworten werden vorgelesen. Optionale LLM-Verdichtung (lange Antworten werden zu kurzen gesprochenen Zeilen zusammengefasst, gemäß dem Modell der aktuellen Konversation), TTS-freundliche Textbereinigung, wählbare Edge-TTS-Stimmen, einstellbares automatisches Stoppen bei Stille, und Einstellungen direkt in den DSH-Einstellungsdialog eingebettet.

Select text in any Windows app to explain, summarize, translate, or read it aloud with DeepSeek Harness — answered in a streaming always-on-top overlay with a horizontal capsule menu.

Preview conversation context and selectively keep, summarize, or omit exchange groups before applying persistent compaction through Harness session services.

Formatiert dsh-Session-Titel als „Datum | Typ | Thema“ um (Typ und Thema werden von einem Modell aus der gesamten Konversation zusammengefasst) und blendet ungenutzte Sessions ohne Löschung aus der Seitenleiste aus.

Kontextmanager für DeepSeek Harness: fasst jeden Turn automatisch in nach Priorität sortierten Einträgen zusammen, spielt sie zusammen mit angehefteten sitzungsübergreifenden Notizen und eigenem Text in jede Anfrage an das Modell ein und faltet echte Unterhaltungsbereiche beliebiger Größe in Zusammenfassungen, um Tokens zu sparen. Persistent und neustartsicher. HINWEIS: manuelle Installation in mehreren Schritten – die drei Paketordner nach profiles/node_modules kopieren und die angegebenen Zeilen aus cordis.patch.yml ergänzen, dann DSH neu starten; keine standardmäßige Installation mit einem Befehl.

Eine grüne interrupt button neben dem Sende-Feld: stoppt lautlos einen laufenden Agenten, der dann seinen Fortschritt zusammenfasst und nach neuen Anforderungen fragt, mit anpassbarem interrupt prompt.

Windows only. Bilibili video summarizer: downloads the audio track, transcribes it locally with faster-whisper (Python + faster-whisper, about 725 MB of models on first run), then writes the analysis markdown and renders a one-page infographic PNG.

Model-callable compact_agents tool that force-compacts context in every live session (main session, ordinary sub-agents and AgentTeams members alike), queues busy targets and compacts them when the turn ends, reports the shadowed node count and estimated tokens per target, and ships a browser form for the trigger ratio, retained ratio, controlled-phase output budget, auto-continue budget and an end-of-turn pre-compaction ratio that compacts near the trigger line once a turn ends, so a reply no longer opens with a wait for the summarizer.

Single-file persistent companion memory: interests, preferences, tasks, and past works summarized into the system prompt, with read/update tools.

Lange Sitzungen an eine frische übergeben: /handoff fasst die Konversation per LLM zusammen, legt im selben Workspace eine neue Sitzung samt Agent an, fügt das Übergabedokument als erste Nachricht ein und öffnet sie automatisch; die Ursprungssitzung bleibt unverändert.

Tab „轨迹解读“ (Trajektorien-Interpretation), der jede Nutzerrunde zusammenfasst – was gewünscht war, wie der Assistent dachte und ausführte, Dateien/Befehle/Fehler – über eine Regel-Engine plus optionale LLM-Erzählung; Nutzernachrichten bleiben unverändert.

Fokussierten Kontext übergeben, ohne auf den aktiven Agenten zu warten oder ihn zu unterbrechen: begrenzten Session-Snapshot einfrieren, asynchron mit einem isolierten No-Tool-LLM zusammenfassen und eine Provenienz-tragende Kapsel an eine andere Session oder einen autorisierten Room liefern — standardmäßig still für Sessions, mit explizitem Wakeup verfügbar.

Saves architecture and validated plans, runs native AgentTeams workers with approval, parallel coding and independent review, and summarizes progress and verification results.

Notes-backed context compression for DeepSeek Harness: replaces LLM-summarized compaction with a model-written persistent notebook plus recoverable raw history, so the rollover boundary itself costs zero model calls.

Chunked compaction for oversized sessions: takes over only when the live context exceeds 85% of the model window (or the request exceeds 4 MB), summarizes the history in 1.5 MB chunks and merges them; smaller sessions keep the built-in compaction.