Plugins

Memoria por capas para DSH con 10 herramientas para agentes: escrituras privilegiadas (memory_add, memory_delete, memory_import), controles de reflexión (memory_ruminate y sus controles) y grafo de memoria. Una canalización L0-L3 recupera e inyecta recuerdos relevantes antes de cada paso del modelo.

Equipo Multi-Agent por roles para DeepSeek Harness: producto, arquitectura, frontend, backend, revisión y QA trabajan en nueve fases con controles; permite un equipo persistente. Sin dependencias ni compilación.

Inicia sesión en Huawei Cloud CodeArts y registra CodeBuddy, WorkBuddy, LobsterAI, Qoder (global y China), TRAE, Cline, Loomy, Raccoon Work, MiniMax Code, TeleAgent, ZCode, Step Code y Antigravity como proveedores LLM, con grupos de cuentas por proveedor. Algunos también muestran saldo de cuota y check-in diario en el mismo panel.

Plugin de DeepSeek Harness que convierte los juicios de Jev en tres acciones automáticas — podar la salida de herramientas sobredimensionada a los segmentos relevantes para la solicitud, filtrar las páginas obtenidas en busca de instrucciones dirigidas al modelo y elegir qué skill encaja con el siguiente paso — además de las herramientas jev_ask y jev_gate, un libro de juicios que sobrevive a los reinicios y un informe /jev-status. Requiere una clave de API de TypeSafe; sin ella queda inerte y no envía nada.

Una barra de plegado mejorada: pliega automáticamente llamadas a herramientas y segmentos Think en barras de plegado por pasos, y contrae cada turno finalizado en una cabecera de turno única con métricas en vivo (duración, TTFT, tokens, tok/s, acierto de caché): solo queda visible el resumen final; iconos principales personalizables con cartas de póker animadas integradas (animación de cartas con ciclos de palos en ejecución, una baraja al plegarse, un abanico al expandirse), una fila de ajustes para el modo de plegado oficial, compatible con versiones nuevas y antiguas de DSH. Cero intrusión en el código fuente de DSH.

Reproduce sesiones en una línea temporal reproducible con uso de tokens por paso, audita operaciones sensibles, estima costes, visualiza linaje de bifurcaciones, compara sesiones y exporta repeticiones HTML autónomas.

Documentos del proyecto y memoria a largo plazo como Markdown plano en una bóveda dedicada de Obsidian: seis herramientas mem_* (search, read, write, log, brief, admin), una inyección de recuerdo con presupuesto en el primer paso de una sesión y destilación automática de los turnos completados. Obsidian no necesita estar en ejecución y la bóveda sigue siendo legible con el plugin desinstalado.

Auth de DeepSeek Harness Web UI: protege páginas, /api, /plugins y WebSocket. PBKDF2/salt por usuario, cookies HttpOnly SameSite, bloqueo IP, invitaciones, TOTP/passkeys (WebAuthn) y step-up antes de cambiar factores. Usuarios gestionan perfil y factores propios; admins, cuentas, invitaciones y contraseñas. Los ajustes privados de modelo/API por usuario se cifran con clave derivada de su contraseña y son ilegibles para admins. Admins comparten con usuarios elegidos: uso permitido, saldo visible, clave oculta, revocación inmediata. Sin configuración, el usuario queda bloqueado, sin fallback. REST/listas y WS aislados por usuario; sesiones persisten tras reinicio; auditoría JSONL; fail-closed. DSH 0.2.0 requerido (transporte 0.1.1-rc.2 retirado en 0.7.0). Passkeys: HTTPS/localhost.

Skill de revisión de código basada en plantillas: flujo de revisión en cinco pasos, clasificación por severidad (crítica/media/menor), puntuación en cuatro dimensiones (calidad, seguridad, rendimiento, mantenibilidad), salida dual en texto y HTML, y base de conocimiento de referencia bajo demanda.

Modo de aprendizaje que explica cada paso del agente (en desarrollo).

Envuelve el trabajo en tareas con nombre y, cuando una tarea se cierra, pliega todo el tramo de mensajes en un único resumen en el siguiente límite de paso; el contenido original puede restaurarse bajo demanda.

Sincronización multi-máquina: mantiene coherentes múltiples réplicas de dsh a través de un único repositorio privado de GitCode: skill, sesiones, ajustes y manifiestos de plugins, cada uno con un interruptor independiente; los cambios pasan por rama, PR y fusión, las incorporaciones presentes solo en el remoto se recuperan antes de cada push para que nada se elimine, y una etapa de alineación inteligente con IA fusiona semánticamente los archivos modificados por ambas partes (más resolución de conflictos en un clic); se exigen repos privados y el pull nunca sobrescribe las ediciones locales.

Mueve sesiones entre espacios de trabajo mediante arrastrar y soltar con migración real in situ; recupera sesiones huérfanas o no registradas; reasigna espacios de trabajo obsoletos tras renombrar carpetas. Los ID y el historial se mantienen intactos, con copia de seguridad y reversión por paso.

Motor de persona para DeepSeek Harness: un config.json rige el nombre propio de la IA (por modelo y nivel), cómo te llama, su postura relacional, el texto de carácter, contratos de trabajo por ítem con interruptores, el idioma de la cadena de pensamiento y el tono de respuesta, y memoria a largo plazo condicionada a confirmación humana: la IA solo añade candidatos, una línea de confirmación los activa, y el registro solo admite añadidos y es reproducible. Las entradas confirmadas se inyectan como bloque citado de datos, no de instrucciones; las etiquetadas con un kind van a archivos arbitrarios y no llegan al prompt. El prompt se reevalúa desde disco en cada ensamblado: las ediciones aplican sin reiniciar. Presets: instantáneas JSON compartibles. Sin dependencias, red ni shell.

Flujo de trabajo estilo Trellis para DeepSeek Harness: breadcrumbs de fase por turno mediante agent/pre-step, proveedor de skills empaquetado y estado nativo de tarea/fase de DSH con barandillas de limpieza de git.

Estadísticas de tokens en vivo bajo el compositor DSH Web: tokens/segundo en streaming, latencia de token de salida y primer byte, más reconciliación por paso de estimado frente a real con el tokenizador BPE oficial, para distinguir un flujo lento de uno estancado.

Memoria de persona y diario entre sesiones para DeepSeek Harness. Un filtro local elige qué turnos recordar; una llamada adicional al modelo genera diario en primera persona e impresión del usuario, cada uno vinculado al momento concreto. Las conversaciones posteriores inyectan unos 2000 tokens de memoria propia en tres capas: núcleo de persona, juicios escritos por el modelo y diario. Incluye una herramienta para registrar juicios con palabras del modelo. El plugin solo lee el Markdown escrito por la persona. Desde la barra lateral se lee, olvida o exporta el archivo; olvidar solo baja la prioridad, no borra, y una coincidencia temática fuerte puede recuperarlo. Archivo local, editable y portable. Elimina secretos antes del envío. Sin dependencias de ejecución ni compilación.

Kit de estilo css-in-js (styled / Token / Styling) para la UI de conversación bifurcada: consume los tokens de diseño oficiales --dsw-*, por lo que no se necesita ningún paso de precompilación de CSS Modules.

Base de conocimiento de equipo para compartir conocimiento sin conexión (escenario FDE box): puntos de entrada de navegación, búsqueda de texto completo y refinamiento; la materia prima se pone en cola automáticamente y se destila en páginas wiki mediante una sesión de bot en serie (patrón Karpathy LLM Wiki: materia prima inmutable, refinamiento en dos pasos, flujo de registros, lint mensual).

Memoria de experiencias y reflexión para agentes DSH: extrae automáticamente lecciones candidatas tras las tareas y recupera en tareas posteriores las que el usuario revisó. Incluye procedencia de fuentes, recuperación por proyecto, gestión de conflictos, feedback de uso y revisión de caducidad. Captura y recuperación tienen controles separados; escribir lecciones en AGENTS.md requiere vista previa y aplicación explícita. La guía inicial de 4 pasos se abre en ajustes.

Memoria local integral: archivos JSONL por ámbito (session, project, global o nombre personalizado) con deduplicación por ámbito; cinco herramientas de modelo (memory_save, memory_search, memory_list, memory_get, memory_forget), recuerdo automático, reglas estrictas inyectadas en el pre-step del agente y panel de configuración. La recuperación combina IDF léxico con un backend local de embeddings, que el panel puede instalar y administrar.

kimi-tide (月汐) es un enrutador de modelos por presets y reglas para DeepSeek Harness. Los presets con nombre y las reglas ordenadas de imágenes y grupos de palabras clave enrutan cada paso del agente a cualquier provider/model conectado (candidatos de todo el catálogo del host, sin lista permitida).

Compactación autónoma del contexto por el modelo para DeepSeek Harness. mind_map inspecciona el contexto del agente (seq IDs estables, roles, peso de tokens, límites de borrado y guía clear-mind); clear_mind sustituye un tramo elegido del historial por un checkpoint redactado por el modelo mediante la transacción nativa. Cada pareja llamada/resultado se reduce a un tombstone de una línea; un aviso anticipa contextos largos o turnos con demasiados pasos.

model router por paso: preajustes con nombre y reglas ordenadas de grupos de imagen/palabras clave que enrutan cada paso del agente a través de cada proveedor y modelo montado, añadiendo flujos de colaboración para transcripción de imágenes, un protector de imagen, un panel de cuotas multiplan y observabilidad de decisiones por paso.