Plugins

Infraestructura de fiabilidad neutral respecto al harness para agentes de codificación con IA: acciones destructivas reversibles, censura previa a la emisión, evidencia de recuperación y un Decision Protocol compartido con adaptadores nativos opcionales.

Haz que la IA recuerde cómo piensas, no lo que dijiste: captura activamente tus principios, líneas rojas y hábitos de trabajo entre sesiones, con capacidad de memoria, decaimiento gradual y un razonamiento legible para cada entrada. La 0.7.0 trae un retrato de persona intuitivo con trazabilidad de evidencias.

Da a los agentes de DeepSeek Harness solo de texto comprensión de vídeo: muestreo de fotogramas consciente de la escena + VLM + transcripción ASR opcional fusionados en evidencia de línea de tiempo. / Complemento de comprensión de vídeo para modelos solo de texto (muestreo de fotogramas consciente de la escena + VLM + transcripción de voz opcional).

Vigila los lanzamientos de DSH y complementos, vuelve a probar los artefactos publicados exactos en runners desechables, publica evidencia de compatibilidad legible por máquina y reconcilia los problemas gestionados tras las correcciones.

Búsqueda web multi-motor para agentes de programación — un núcleo SearchBoost (búsqueda fusionada, fetch, X) con adaptadores MCP (Cursor, Codex, Claude Code, Grok Build, Antigravity), extensión pi y bundle de DeepSeek Harness

Puntuación de calidad multidimensional para plugins de DeepSeek Harness que evalúa un repositorio o paquete npm en éxito de instalación, actividad de mantenimiento, completitud de la documentación, análisis de seguridad y cumplimiento del protocolo usando evidencia real de CLI, y genera un informe de clasificación en JSON o Markdown.

Escáner de seguridad para plugins de DSH: análisis estático y semántico del código fuente del plugin, reglas de superficie de ataque específicas de DSH, npm audit, escaneo por lotes e informe HTML con gravedad y evidencia por hallazgo.

Disciplina de ejecución modular de frontera para DSH: enrutamiento basado en evidencia a través de 26 habilidades, planificación de archivos estilo Manus, puertas de verificación, recuperación tras rachas de fallos y un panel web interactivo.

Controlador de autoevolución con prioridad en la evidencia: generación acotada de candidatos Cordis, admisión de Loader real de un solo intento, evaluación Harbor y un linaje con registro reanudable tras fallos.

El paquete DeepSeek Harness registra una habilidad que convierte producción larga (artículos académicos, análisis sectorial, comentarios empresariales) en pipeline de 9 roles: scouts T1 literatura / T2 datos / T3 casos en paralelo, T4 analista, T5 redactor, T6 compañero crítico, T7 auditor, T8 finalizador, T9 revisor par ejecutados por el coordinador. A través de 6 fases con verificación triangular de evidencias, M-gate de 23 comprobaciones, auditoría G0-G14 incluido gate de rastro IA chino, puntuación peer-review con matching de revistas, y 4 checkpoints humanos. Instala con `dsh plugin add lunheng-article-pipeline` (package.json#dsh.bundle.patch más lib/index.js); envía tarjetas de rol T1-T9, plantillas y 11 scripts de verificación sin dependencias, con READMEs en cinco idiomas.

Visión para DeepSeek de solo texto mediante Doubao Web de forma predeterminada (sin costo, sin clave de API: controla tu Chrome con sesión iniciada a través de un puente CDP de Windows), con cuota de Antigravity IDE (flash/pro) o alternativa a Gemini; escalado automático de detalle, memoria de evidencia visual con rehidratación tras compactación, caché por hash de contenido y un panel de cliente bilingüe.

Inspector basado en evidencia para las capacidades integradas de DSH Web: procedencia de tiempo de ejecución/configuración, diagnósticos de compatibilidad y desviación (drift), además de controles de fallo cerrado (fail-closed) para nueve hojas de UI revisadas.

Enjambres de IA basados en roles para DeepSeek Harness: un arquitecto planifica, constructores paralelos ejecutan, revisores controlan la calidad y un integrador publica. Fijación de modelos por rol con cadenas de respaldo, bucles de revisión, contratos de evidencia, revisiones con control humano, pausa/reanudación consciente de la cuota y un kanban en vivo + diagrama de flujo en la GUI web. 40 pruebas; se instala desde GitHub o npm.

Añade lectura local de PDF, una biblioteca de artículos duradera, registros de evidencia trazables y herramientas de comparación y síntesis entre artículos.

Plugin de verificación de objetivos basada en evidencia para DeepSeek Harness. Bloquea objetivos con /ultragoal y verifica la finalización según los códigos de salida de comandos y los artefactos generados, evitando que el modelo informe falsamente de la finalización de tareas.

Un enjambre gobernado de seis agentes DSH especializados — orquestador, planificador, puente de base de conocimiento, desarrollador y dos revisores — convierte un requisito en una canalización estricta por fases donde cada entrega debe demostrar su validez con evidencia estructurada antes de que pueda empezar la siguiente fase; los revisores son solo lectura, los merges de código solo ocurren tras una revisión, y un registro de eventos de solo anexado ofrece reproducción completa y auditoría en un tablero kanban en vivo. Su diseño se inspira en el kanban de Hermes Agent.

Captura automática sin LLM y un índice simbólico \[ENGRAM\] con divulgación progresiva, un protocolo de tareas/evidencias ESR-lite (esr_task / esr_node / esr_close / esr_link) y telemetría de uso por workspace con un benchmark de recuerdo sin conexión (npm run eval).

Memoria de grafo local en vista previa técnica para DSH y Codex: recuerda evidencias globales del propietario y del proyecto actual antes de cada turno, escribe registros de USER y ASSISTANT por separado, y preserva la procedencia de proyecto, sesión, actor y fuente para un atlas visual y páginas de conocimiento citadas.

Memoria de grafo local en vista previa técnica para DSH y Codex: recupera evidencia global del propietario y del proyecto actual antes de cada turno, escribe registros de USUARIO y ASISTENTE por separado, y conserva la procedencia de proyecto, sesión, actor y fuente para un atlas visual y páginas de conocimiento citadas.

Puerta de conclusión con evidencia primero: contrasta las afirmaciones de primera mano con un índice duradero de actividad de herramientas por sesión, bloquea conjeturas no verificadas y registra métricas de bloqueados frente a convertidos.

Revisión de trayectoria de solo lectura en una barra lateral de conversación redimensionable, con análisis de reglas, explicaciones opcionales del modelo, navegación por evidencias y comparación de ejecuciones del mismo rango.

Agent Experience Network local-first para DeepSeek Harness, destilando experiencias a nivel de tarea desde trazas y manifiestos en vivo, calificando con evidencia H0-H4, descubriendo por compatibilidad, y promoviendo solo tras revisión explícita.

Captura de pantalla sin dependencias para DSH: Lightweight — cero dependencias, cero binarios; Stage & shoot — captura en un clic de pantalla completa, disposición de ventanas y ventanas ocluidas con hover-snap; Agent self-service — entrega solo por ruta; las rutas son universales, combínalo con modlens (opcional) para evidencia estructurada en una sola llamada.

Plugin para DSH Desktop: inyecta restricciones solo cuando son relevantes, por capas —texto estable en el prompt del sistema, volátil al final— sin invalidar la caché del prompt. Por turno (pregunta / investigación / discusión / diagnóstico / ejecución) limita: no editar archivos en pregunta, arreglos no pedidos en diagnóstico, citar código no abierto, hablar de símbolos no vistos o disfrazar «no lo comprobé» de «espero tu decisión»; explica en palabras simples código, campo o id. Memoria: avisos al 75%/90% de contexto, resumen de sesión exportable y conocimiento del proyecto por directorio. Artefactos: contrato de tarea, registro de cambios, hipótesis con puerta de evidencia y decisiones de diseño. Panel: lume-metrics.jsonl vía lume_metrics; personas destiladas de chats o novelas.