Plugins

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.

Anatomie-Panel für die Agent-Body-Organe: liefert ein Live-Vitalwerte-Dashboard unter /anatomy direkt im Harness selbst – Organe, Herzschlag, Heilungsjournal, Selbsttrainings-Zähler und der echte Pulsstrom – direkt aus den Laufzeitdateien gelesen statt neu eingetippt. Nur Host, kein Client-Bundle und kein Build-Schritt.

Heads-up-Training (1 gegen 1) in Texas Hold’em mit unabhängigem KI-Gegner, dauerhaftem Gedächtnis öffentlicher Aktionen und Entscheidungsanalysen.

Nächtliche Selbstverbesserung für Ihren DeepSeek-Harness-Agenten: Vergangene Sitzungen offline auswerten, wiederkehrende Aufgaben mit eigenem API-Budget wiederholen und validierte Skills hinter einer zurückgehaltenen Prüfschranke zusammenführen. Bringt die SkillOpt-Sleep-Engine von microsoft/SkillOpt als native Tools plus gebündelten Skill zu dsh – kein Weight Training. Erfordert Python 3.10+ und die SkillOpt-Sleep-Engine (pip install skillopt).

Englische Ausgabe von Weiwens Gesetz (KISS's Law): die erste und einzige domänenunabhängige Whitebox-Middleware zur kausalen Urteilsfindung für KI-Agenten. Anders als domänenspezifische Kausalitäts-Toolkits oder Agenten-Firewalls beurteilt sie *jeden* Tool-Aufruf vor der Ausführung entlang einer deterministischen strukturellen Kausalkette (R->S->D->H->M) – in jeder Domäne, ohne Training oder domänenspezifische Anpassung. Sie blockiert destruktive Operationen und Credential-Dateien, eskaliert wiederholte Grenzverletzungen, kappt fehlerhafte Verbindungen bis zur verifizierten Behebung und gibt Risikourteile bei nicht auditierbarer Ausführung; läuft vollständig lokal ohne API-Kosten.

Liest Agent-Berichte mit einer gewählten Stimme vor und kürzt lange Berichte vorher. Für einen Stimmenklon genügt ein 3–10-Sekunden-Referenzclip; Community-Modelle werden ebenfalls unterstützt. Keine 6,4-GB-GPT-SoVITS-Installation: Das Plugin installiert eigenes Runtime und Stimme. Vorhandenes GPT-SoVITS kann genutzt werden; das Stimmenmodell ist identisch.

Endurance-coaching skill bundle that defaults to Intervals.icu for training data (activities, intervals, streams, training load, HRV, resting heart rate, sleep in-bed hours, eFTP) and uses COROS only for training-plan read/write and for fields Intervals.icu lacks (sleep score, recovery score), with iGPSPORT as a fallback for ride details. It turns that data into readiness gating, VDOT pace and heart-rate zones, periodized weekly plans, session reviews, race-day pacing and fueling, and weather-adjusted workouts. The bundle registers the endurance-coach skill in the profile, ships deterministic helper scripts, reads an athlete profile created by its init script, and requires the agent to state when data is unavailable instead of inventing it. Data comes through separately installed MCP servers — the Intervals.icu MCP server for training data, the dsh-coros plugin for training-plan read/write and sleep/recovery scores, an iGPSPORT MCP server only as a ride-detail fallback — and its bundled scripts need Python 3.10+; with none of them it works only from numbers you type in.

Bridges the official COROS MCP server into DeepSeek Harness with a self-contained local stdio-to-HTTP bridge and on-device OAuth login, exposing 34 COROS tools on the current endpoint for sleep, HRV, resting heart rate, recovery, training load, activities and FIT files, plus workout and training-plan CRUD and scheduling.

Local LoRA and QLoRA fine-tuning in a panel: import JSONL, see a VRAM estimate before training starts, evaluate, and export an adapter. One-click Python venv setup, but you must supply your own Python 3.10+ and an NVIDIA GPU (6 GB or more). Verified end to end on Windows 11 with an RTX 3060 6 GB; the installer refuses non-Windows hosts, so Linux, macOS and other GPUs are unsupported for now.

COROS Sport panel for DeepSeek Harness: sign in to COROS inside the panel, read the account, bound devices, recovery, fitness, recent workouts, daily health and the training schedule in one dashboard, and get a plan from the model with /coros-plan. The plan page writes a fixed four-week, 16-session plan to the account only after a two-step confirmation.

Prüft ein Sicherheitsqualifikationsregister der Baustelle auf Schulungsstunden, die vier erforderlichen Aufzeichnungselemente und die Gültigkeit von Spezialarbeitszertifikaten im Abgleich mit den Arbeitstagen.

Chinesischer Multi-Agent-Debattensimulator: acht Debattierende, Live-Diskussion in zwei Spalten mit Entwurfsnotizen, Jury/Scoreboard, Einzel-Seiten-Uhren und ZIP je Runde. Trainingsseite mit Endbedingung Siegesraten-Schwelle oder fester Rundenzahl. Word-Vorbereitungspaket.

Lokales TensorBoard-Skalar-Dashboard mit wählbaren Metriken, expliziter Verbesserungsrichtung, optionaler EMA-Glättung und chinesischer/englischer UI. Python-Umgebung und TensorBoard müssen vorhanden sein.

Selbstverbesserungsschleife mit drei Rollen: Data-RSI tägliche Querschnittsbereinigung (winsorize→Standardisierung→Medianfüllung) plus Erfahrungsgewinn; Harness-RSI entwickelt Prompt/Memory/Skills; Model-RSI entwickelt Alpha-Training-Rezepte per framework-nativem Walk-forward mit 2-Tage-Lücke und Multi-Seed. Offline-Ein-Befehl, GPU-Erkennung, ein Skill.

Arbeitsbereich für juristisches Lernen: Eine akademische Oberfläche mit drei Bereichen liest das Lernprofil „Minglü“ (lawagent-Voreinstellung: Falldossiers, Lernkarten, Fehlerheft und Notizen) und sendet Anweisungen mit einem Klick an die Minglü-Sitzung.

AlphaRSI: Selbstverbesserungsschleife mit drei Rollen zur Weiterentwicklung des Trainingsrezepts für Alpha-Sequenzmodelle. Operator führt Walk-forward aus, Evaluator bewertet mit OOS RankIC, Refiner schlägt per TPE-Bayessuche Hyperparameter vor; behalten werden nur strikt bessere Rezepte. Offline-Ausführung mit einem Befehl, Datenpaket mit sha1-Abgleich, automatische GPU-Erkennung. Eine Skill enthalten.

Schulungsnachweis für standardisierte externe Asset-Preis-Schulungen: reproduzierbar, zuordenbar und auditierbar. Sperrt vier Fehlermodi strikt: Teilaktualisierung, Hash-Abweichung, unbekannter Lesezugriff als bestanden und Verschmutzung des Masters. Ein Skill enthalten.

Analyse-, Modelltrainings- und Schätzphase für Asset-Pricing- und Machine-Learning-Forschung. Enthält einen Skill.

Algorithmus-Lernwerkzeug: Synchronisiert Codeforces- und AtCoder-Einsendungen, analysiert Schwächen, erstellt KI-Trainingspläne und verfolgt verteilte Wiederholungen über einen Lehrplan mit 114 Lektionen.