Plugins

Integración mcp-unity de un solo disparo para DeepSeek Harness: servidor MCP incluido sin configuración manual permite al agente controlar el editor de Unity mediante 34 herramientas: escenas, objetos de juego, transformaciones, materiales, prefabs, elementos de menú, modo de juego, pruebas y registros de consola, con reconexión automática.

Añade los modelos gratuitos de OpenCode Zen a DeepSeek Harness como un único proveedor, con un runtime OpenCode administrado y aislado. La página de ajustes lista y prueba cada modelo.

Sustituye el botón de modelo del compositor DSH por un panel de dos niveles (lista de proveedores y lista de modelos con búsqueda) con un control deslizante continuo y arrastrable de esfuerzo de razonamiento: relleno azul-violeta, nebulosas y estrellas en niveles altos, color distinto por nivel. Al elegir un modelo, el panel sigue abierto y el control pasa al nivel medio de ese modelo. Parte de Microqian2th/dsh-codex-effort-slider 1.0.0 (crédito en README); el panel, la toma del slot, la suite de pruebas offline y la documentación son nuevos.

Arnés de evaluación para plugins de DSH: los casos en YAML impulsan ejecuciones reales del agente en modo headless, verifican llamadas a herramientas, argumentos, resultados y uso de tokens, con una puerta de referencia para regresiones en CI.

Ejecuta pruebas aisladas de instalación y smoke test para plugins de DSH en perfiles desechables, devolviendo registros estructurados de aprobado/fallido y matrices por lotes sin tocar tu perfil real.

Plugin de DeepSeek Harness (dsh) para análisis de acciones, cribado y backtesting de estrategias en los mercados A/HK/US/JP/KR/TW

Prepara cualquier proyecto para agentes de IA con un solo comando. Detección adaptativa del stack tecnológico (7 lenguajes × 14 frameworks × 61 componentes); genera automáticamente AGENTS.md, el esqueleto de la documentación, CI/CD e infraestructura de pruebas.

Reductor de resultados de herramientas consciente del contenido: 13 reductores recortan la salida excesiva por significado en tools/post-execute (se conservan las pruebas fallidas, se elimina el contexto de diff, se muestrean JSON y CSV, los problemas de lint se agrupan por regla, los marcos de pila de dependencias se colapsan y los directorios saturados se contabilizan), volcando los originales completos al disco tras un localizador.

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.

Genera Functions, herramientas MCP, Skills de flujo de trabajo y paquetes de prueba sin conexión a partir de código fuente autorizado por el usuario.

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.

Interfaz de gestión del ciclo de vida para el proveedor de modelos llm-pi-ai: cree, edite, elimine, active y desactive proveedores con encabezados personalizados y claves API cifradas con AES-GCM; restauración segura ante desinstalación de proveedores aparcados, descubrimiento de modelos remotos con escritura por lotes, enrutamiento inteligente con cinco estrategias, compuestos de unión/intersección, pruebas de conectividad por modelo y observabilidad de solicitudes.

Un conjunto de habilidades de modelado matemático con compuerta para DeepSeek Harness: una canalización de cinco etapas con compuertas, patrones de redacción de artículos premiados, análisis de sensibilidad, diagnóstico estadístico y un preset de concurso.

Sección About para la configuración de DeepSeek Harness: información de versión, comprobación de actualizaciones npm latest/next con instalación en un clic y reinicio automático, e historial de lanzamientos de GitHub.

Coordina la planificación de Codex y una revisión independiente mientras la sesión DSH original implementa y prueba los cambios.

Puente de tutoría DeepTutor: explicaciones profundas, preguntas de autoevaluación, planificación de ruta de aprendizaje, búsqueda en base de conocimiento personal (RAG), y archivo de notas mediante las herramientas deeptutor_run / deeptutor_kb / deeptutor_note.

Drag a session out of the DSH sidebar and it opens in its own native OS window, showing the full standard conversation UI (Markdown, toolbar, settings) with only the sidebar trimmed away, so several sessions can be watched side by side instead of switching back and forth. Windows verified; macOS and Linux untested. Runs in the DSH desktop app (Electron).

Suite de desarrollo HarmonyOS para DSH: inspector HiLog en la barra lateral derecha (flujo en vivo con filtros de nivel, logger y texto) e inspector ArkUI (captura seleccionada, árbol de componentes plegable, propiedades de nodos con búsqueda y modelo de caja); dos fuentes de árbol —canal de depuración DevEco y árbol de accesibilidad uitest—, visor .ets con resaltado ArkTS, gestión de toolchain y dispositivos DevEco Studio/CLT, y herramienta de agente harmony_ui_tree. 21 métodos remotos y 82 pruebas unitarias.

Dispatcher del modelo principal: seis pools (economy/mechanical/main/hard/vision/review), ranking y pins de reasoning-effort por ruta. Watermarks de contexto 50k/90k/130k: delegación temprana; forzado: fork de sesión backup → handover → compactar → seguir sin perder trabajo en curso de subagentes. /ctx-pause, /ctx-resume y /ctx-handover controlan el ciclo. Agent Teams opc.: teammates persistentes y tablero compartido. /vision: imágenes para modelos solo texto vía pool vision. Diffs grandes: tester + reviewer independiente (verificación escalonada). Settings UI/READMEs/idioma (conversación/code-comment/document): 11 códigos (en,zh,zh-TW,ja,ko,de,es,fr,it,pt,ru); UI sigue locale DSH salvo override. 3 skills: MySQL/Redis solo lectura, mensajes de commit, docs de requisitos/diseño.

Registra el servidor MCP de MathWorks MATLAB/Simulink en un perfil dsh, de modo que las sesiones de agente obtengan herramientas mcp__matlab__* para ejecutar código MATLAB y leer, editar y probar modelos Simulink.

Detecta qué modelo de conversación se está sirviendo a una cuenta: lanza conversaciones de sondeo concurrentes desechables, puntúa cada cadena de pensamiento en streaming por cómo abren sus párrafos, y cancela los sondeos que se leen como el modelo antiguo en cuestión de segundos. Incluye un self-check offline que reproduce 13 cadenas de pensamiento etiquetadas a mano a través del mismo clasificador.

12 habilidades de ingeniería probadas (git commit, revisión de código, test-first, desarrollo de plugins, depuración, changelog, revisión de PR, descomposición de tareas y más): cada SKILL.md pasa un validador de formato alineado con las reglas oficiales de habilidades más una prueba de humo de carga aislada.

Seis skills de ingeniería para Claude Code y DSH: investigación, exploración de arquitectura, coordinación de implementación, revisión de diff en tres ejes, auditoría de complejidad y pruebas de mutación. Delegan mediante las herramientas genéricas de subagentes del host cuando están disponibles.