Plugins

Lokales IMAP-Rechnungsdownload, OCR, Archivierung und Excel-Zusammenfassungspaket für DeepSeek Harness

Codex-artiges automatisches Einklappen des Workflows: Abgeschlossene Runden werden zu einer einzigen Zeile „in Xs verarbeitet“ zusammengeklappt, sodass nur die endgültige Antwort übrig bleibt; Tool-Aufrufe und Denkblöcke werden zu Live-Zusammenfassungs-Chips zusammengeklappt, die dem Streaming folgen; stufenweise ausklappbar, bei der Deinstallation vollständig rückgängig zu machen.

DSH Knit sortiert Markdown/Code/Bilder/Videos im Workspace nach Gesprächsbezug in der Seitenleiste; Context Pack via knit_docs. Standard-BM25/IDF vergleicht lokal letzte Nachrichten mit Titel/Zusammenfassung/Inhalt: kein Modell/Netz, keine Übertragung; Index bleibt nach Neustarts/Sitzungen. Evidenz/Vorschau; Zuordnung beim Lesen fixiert; Anheften/Ausschluss vor Abruf rückgängig machbar. v0.23 Hybrid optional AUS, nur mit selbst konfigurierten Ollama/OpenAI-kompatiblen Embeddings. Sendet nur query+Titel/Zusammenfassung (Markdown: Anfang ≤60 Zeichen; Code: relativer Ordner; Medien: Name), nie Volltext/absolute Pfade; Loopback lokal. v0.24 verknüpft uncommittete Änderungen mit read-only git status (festes argv, keine Shell, env-Allowlist), AUS. Kein Realtest; kein Suchgewinn belegt.

Einstellungspanel für Nutzungsstatistik: 26-Wochen-Aktivitäts-Heatmap, täglicher Token-Trend mit Cache-Trefferquote-Kurve, pro Modell Donut und Aufschlüsselung, Zeitrang-Filter, Summary-Karten, einmaliges historisches Backfill und verlustfreier Neuaufbau.

Terminal-artiger Eingabeverlauf für den Web-Composer: kantenpriorisierter Abruf per Pfeiltaste mit exakter Wiederherstellung von Entwurf/Cursor, browserlokal persistenter Verlauf, Rückwärtssuche mit Ctrl+R und Bewusstsein für den gleitenden Kontext; Version 0.5.0 fügt eine intelligente Eingabeschicht hinzu — sitzungsübergreifende Snippets (/save, /load), Prompt-Vorlagen mit Variablen, Wiederverwendungs-Einblicke und Hervorhebung von Kompaktierungs-Zusammenfassungen.

Geschützte Kontextverdichtung für DeepSeek Harness (dsh): das LLM schlägt vor, die deterministic Wächter entscheiden — eager Per-Atom-Shrink (extract/summary/false unter Verbatim-Wächtern) + Lazy-Reference-Graph-Eviction (0-LLM) + byte-genaue Rückgewinnung aus einem Append-Only-Log.

Eine bessere Faltenleiste: faltet automatisch Tool-Aufrufe und Think-Segmente in Schritt-Faltleisten und reduziert jeden abgeschlossenen Turn zu einem einzelnen Turn-Header mit Live-Metriken (Dauer, TTFT, Token, tok/s, Cache-Treffer) – nur die abschließende Zusammenfassung bleibt sichtbar; anpassbare führende Icons mit animierten Pokerkarten integriert (Karten-Animation mit zyklischen Farben während des Laufs, ein Deck im gefalteten Zustand, ein Fächer im erweiterten Zustand), eine Einstellungszeile für den offiziellen Faltmodus, kompatibel mit neuen und alten DSH-Versionen. Keine Eingriffe in den DSH-Quellcode.

Kostengünstiges Video-Verständnis-Tool: Ein video_understand-Tool wandelt einen Bilibili-Link / BV / ein lokales Video in eine AVIS-Informationsschicht (ASR + Szenenstruktur + Objekt-Tracking + YOLO-Labels) um und liefert Zusammenfassung + Q&A. Fragegesteuertes dynamisches Routing über Ebenen hinweg (L0 ASR / L1 Objekt-Tracking / L2 Keyframe-VLM), Wiederverwendung der semantischen Schicht für Wiederholungsfragen, Budgetobergrenze pro Frage. Python-Engine: Die Kernschicht benötigt faster-whisper / opencv / yt-dlp (~200-300MB); die optionale semantische Schicht fügt ~2GB torch / transformers / ultralytics hinzu. Ein mitgeliefertes doctor --fix richtet das venv ein und installiert beide.

Teil einer Unterhaltung markieren und in einem rechten Side-Chat dazu nachfragen; KI-Antworten direkt oder als Zusammenfassung in den Hauptchat zurückholen.

Kapselt Arbeit in benannte Aufgaben und faltet beim Schließen einer Aufgabe den gesamten Nachrichtenbereich an der nächsten Schrittgrenze zu einer einzigen Zusammenfassung; der ursprüngliche Inhalt kann auf Wunsch wiederhergestellt werden.

Nutzungs- und Kostenstatistiken mit Spitzen-/Nebenzeittarifen nach der Tarifänderung vom 17.08.2026, ein schwebendes Übersichtspanel, Aufschlüsselungen pro Sitzung sowie eine Tag-/Wochen-/Monats-/Jahres-/Gesamtnutzungs-Heatmap.

Sitzungsübergreifendes Markdown-Gedächtnis mit LLM-Wiki/SOUL.md. Standard: erst nach erster Nutzernachricht, nur aktive Sitzung. remember/recall/consolidate/forget, Skill, pack/unpack-Migration, persönliche Erinnerungen im Leerlauf. Dateibudget schützt Index vor Trunkierung; last_access ermöglicht Relevanzabnahme. Nur-Lese-Dashboard: Größe/Aktualität/lint. Index via summary:, ziehbarer Seiten-/Tag-Graph mit Zoom, Filter tag/type/salience/hot/stale, Linkvorschläge, checkup mit priorisierten Maßnahmen. Skill bei Bedarf senkt Start-Payload ~23%. Eigenes Icon und Repo-Feedback. Erfordert DSH-Format v4, offizielles DeepSeek Harness 0.1.7+; Nachrichtenquelle plugin:memory.

Inline-Badges +N −M auf Zeilen von Edit-/Write-Tools und eine einklappbare Zusammenfassungskarte pro Durchlauf für Dateianpassungen mit ausgerichteten Diffs, Review und Undo — deckt native edit/write-, str_replace_editor- und Code-Dispatch-Subaufrufe ab, kein Git erforderlich.

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

Kombiniert Headrooms Code-Skeleton-Verfahren (Apache-2.0) mit dem Estimator von TokenPilot (arXiv:2606.17016). Veröffentlichte Werte: Headroom meldet 20 % weniger Tokens für Coding-Agenten und 60–95 % für JSON bei gleichen Antworten; TokenPilot bis zu 60 % geringere Kosten bei langen Sitzungen. Das sind Angaben der Projekte, keine Messungen oder Benchmarks dieses Plugins. In DSH lassen sich Profil, Auto-Compact-Schwelle und Skeleton-Komprimierung einstellen. Exakte Messung mit DeepSeek-V4-Tokenizer und Abgleich derselben Revision; bei nicht unterstützten Modellen bewahrt fail-open die ursprünglichen Tool-Ergebnisse. Skeleton-Komprimierung im Turn und abschließende Intent-Zusammenfassung innerhalb der offiziellen JSONL-Komprimierung.

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.

Honcho-Memory-Plugin von Plastic Labs: Injiziert zu Sessionbeginn das Benutzerprofil, die Session-Zusammenfassung und relevante Schlussfolgerungen, lädt jeden Turn mit geschwärzten Geheimnissen im Hintergrund zu Honcho hoch und fügt die Tools honcho_search / honcho_chat / honcho_remember sowie den Statusbefehl /honcho hinzu; konfiguriert über die mit den anderen Honcho-Integrationen geteilte ~/.honcho/config.json, gegen gehostetes honcho.dev oder eine selbstgehostete Instanz.

Turn another computer into a remote Agent teammate: the worker runs its own DSH and a full Agent loop locally, so dispatched tasks keep running when the link drops and its model credentials never leave that machine. The hub dispatches through 8 remote_* tools, receives only a handoff summary plus an artifact manifest, and pulls finished products on demand — intermediate artifacts stay on the worker. Pairing-code onboarding, direct or relay transport for NAT, Web panel on both sides.

Fügt abgeschlossenen Turns eine Zusammenfassungszeile der geänderten Dateien hinzu und setzt die Dateiänderungen des letzten Turns der Session zurück oder wendet sie erneut an.

ACP-Adapter, der DeepSeek Harness aus dem Obsidian Agent Client (und anderen ACP-Clients) steuert: Sessions auflisten, fortsetzen, forken und löschen, das Modell pro Session wechseln, eine einzeilige Zusammenfassung als Vorschau, externe ACP-Sessions importieren und Obsidian-Agent-Client-Konversationen in den nativen dsh-Session-Speicher ziehen. Erfordert DSH >= 0.1.5-rc.3.

Vergessenskurven-In-Place-Dialogkomprimierung für DeepSeek Harness: Aktuelle Turns bleiben wörtlich, mittlere Turns werden strukturell dehydriert (ohne LLM), alte Turns werden in ein begrenztes Zusammenfassungspaar gefaltet — unbegrenzte Gespräche auf begrenztem Speicherbudget.

Requirements interview before work starts: judges whether a request is clear, asks focused questions when it is not, in strict mode denies editing tools until the user confirms a four-part summary in chat, and keeps confirmed preferences in two-layer memory.

Arbeitsplatz zum Lesen von Papers: Bibliothek, PDF neben Markdown-Notizen und eine eigene KI-Sitzung je Paper. Markierungen und Bereichsscreenshots landen direkt in Notizen; Auswahlfragen enthalten die Seite. Notizen lassen sich inline bearbeiten und autospeichern, Sitzungen zu Summary verbinden.

Simulierter Lebenskontext für DeepSeek Harness: In jedem Zug werden die letzten 24 Stunden aus .life/ im Workspace als eingeklappter Hinweis injiziert, mit gleitendem Zeitfenster, sitzungsbezogener Deduplizierung/Deltaupdates und Weltzusammenfassung. life_react schreibt Gefühle, Gedanken und Handlungen ins Lebenslog für die nächste Weltentwicklung – für eine Rollenspielfigur mit dauerhaftem Alltag.