Plugins

Memoria de proyecto para dsh con integración nativa del sistema de tareas: los todos de sesión y las lecturas de archivos se condensan automáticamente en registros de tareas entre sesiones (enlaces tarea↔archivo), de modo que los flujos de trabajo son conmutables y reanudables sin recontextualizar. Memoria en tiempo de lectura (sin escaneo previo): extrae símbolos de código, resume documentos y enlaza documentos↔símbolos; mejora semántica opcional para TS (activa automáticamente si TS está instalado). Las notas de experiencia se desduplican automáticamente. Cada recuperación incluye una cita trazable. Solo JS, una dependencia, funciona listo para usar, operación silenciosa, cero sobrecarga.

Convierte documentos locales en markdown y texto en una base de conocimiento consultable con búsqueda híbrida semántica y por palabras clave, verificación de citas e inyección de fuentes.

🌊 Panel acoplado persistente y totalmente personalizable de saldo/uso para DeepSeek Harness — mapa de calor de actividad, comparación de doble canal, solo local y centrado en la privacidad.

Optimización con un clic de una instrucción en bruto en un prompt profesional: tres estilos de salida, perfilado de rol/tarea/objetivo consciente de la situación, aprendizaje autoiterativo (memoria de sesión + valores predeterminados inteligentes + anulaciones del usuario), /template para 22 sub-escenas con cero llamadas al modelo, ✨ optimización/deshacer con un clic en el cuadro de entrada, herramienta prompt_optimize, hook de auto-optimización y documentos zh/en autodetectados.

Skill Smart Charts: convierte archivos de datos CSV/TSV/TXT/XLSX/XLS/JSON en HTML interactivo autónomo con ECharts: 32 tipos de gráfico, incluidos mapas offline, 3 temas, sin CDN. Un perfil de datos --profile (dtype por columna, cardinalidad, ausencias, muestras, estadísticas, granularidad de entidad, señales) permite al agente leer los datos y elegir el gráfico; cada gráfico incluye una ficha de hechos (plot_stats + data_preview) cuyos números son los únicos citables. El código de transformación del LLM se ejecuta en un sandbox restringido (lista negra + lista blanca de AST + builtins seguros); --doctor autocomprueba el entorno de Python. Totalmente offline, con ECharts incluido.

Puente de dispositivos HarmonyOS: bucle de automatización de UI con hdc (capturas, instalación, logs, fallos) con read_image, conocimiento de API versionado priorizando lo oficial (SDK .d.ts + documentación sin conexión), y un carril de build/firma/lint con la CLI de DevEco.

Saldo de la cuenta DeepSeek y coste de la sesión en la barra del compositor, con precios oficiales obtenidos automáticamente y soporte para tarifas de hora punta/valle.

Empareja tus modelos y presupuestos de tokens con cada rol, y luego deja que DSH delegue subagentes especializados según el tipo de tarea. Cubre análisis de arquitectura, UI/UX, implementación de código, exploración de la base de código e investigación de documentación, con configuración automática más esfuerzo de razonamiento y permisos de herramientas por rol.

Análisis de documentos DSH independiente del proveedor, impulsado por MinerU, con trabajos en segundo plano nativos, resultados inmutables y coalescencia segura de solicitudes.

Generador de galgame: proporciónale un documento de guion más recursos de personaje/fondo/BGM/animación en el espacio de trabajo (img_human/, img_bg/, audio/, img_cg/) y genera una página web de novela visual jugable con ranuras de guardado configurables ([存档 N], 9 por defecto), sprites que siguen al hablante con cambio de variante multi-pose ([表情]), animaciones de apertura/cierre/CG ([op]/[ed]/[cg]), control de reproducción/detención/volumen de BGM y ramificación por líneas if.

Herramienta de comprensión de video de bajo coste: una herramienta video_understand convierte un enlace de Bilibili / BV / video local en una capa de información AVIS (ASR + estructura de escenas + seguimiento de objetos + etiquetas YOLO) y devuelve un resumen + Q&A. Incluye enrutamiento dinámico entre capas guiado por preguntas (L0 ASR / L1 seguimiento de objetos / L2 VLM de fotograma clave), reutilización de la capa semántica para preguntas repetidas y un tope de presupuesto por pregunta. Motor Python: la capa principal necesita faster-whisper / opencv / yt-dlp (~200-300MB); la capa semántica opcional añade ~2GB de torch / transformers / ultralytics. Un doctor --fix incluido configura el venv e instala ambos.

¡El trío ofimático! Herramientas de documentos de oficina para DeepSeek Harness (dsh): genera, lee y edita hojas de cálculo (.xlsx), PDF y presentaciones (.pptx).

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.

Habilidad y herramientas de presentación: convierte una sola frase o un documento en una presentación HTML y un PPTX editable, con siete diseños (incluidas citas y tablas PPTX nativas), notas del presentador (panel HTML con la tecla S y diapositivas de notas nativas), cinco temas integrados, configuración predeterminada de tema/idioma y compatibilidad bilingüe.

Saldo de la cuenta de la API de DeepSeek en tiempo real en el panel del compositor, con actualización manual o automática a intervalos personalizados.

Capa de integración nativa DSH para el motor de memoria Minta: compone la fila oficial dsh-mcp-client, registra la skill minta-memory-governance más un precalentamiento de memoria al inicio de la sesión, e incluye un preset de agente Minta; requiere el motor Minta desplegado por separado (Python/Docker) para proporcionar las 19 herramientas MCP — no utilizable sin él.

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.

Uso de la suscripción de OpenCode Go (ventanas móviles/semanales/mensuales con cuenta regresiva de reinicio) en el panel del editor, con un editor de credenciales integrado.

Revisión offline de esquemáticos para EasyEDA Pro, expuesta a dsh como cuatro herramientas: informes de comprobación puntual, esqueletos de arquitectura, un diagnóstico de instalación y un puente al editor en vivo que prioriza acciones de solo lectura, todo impulsado por la CLI local boardwise.

FormatForge: forja más de 30 formatos de archivo (PDF, DOCX, PPTX, XLSX, EML, EPUB, TOML, archivos comprimidos) en texto legible por IA mediante una bandeja de arrastrar y soltar, las herramientas ff_translate/ff_formats/ff_result y una CLI; los PDF escaneados recurren a OCR local o a una pista de mejora para el modelo de la sesión.

Inteligencia de documentos local para PDF, Office, imágenes y OCR para DeepSeek Harness.

Una mascota ikun (meme de baloncesto) que llena el dock bajo la fila de estado "Deep diving..." durante las respuestas: una mascota de hoja de sprites camina por una barra de progreso de 0→100%, cambiando animación y texto cada 20%, y reproduce un aviso de voz a nivel de sistema "nǐ gàn ma~" al completarse.

Barra de uso de OpenCode Go en el panel del compositor: anillos de cuota renovable/semanal/mensual, estadísticas de tokens y costo de la sesión DSH calculadas con tarifas oficiales en tiempo real, desgloses por modelo y por el alcance de la sesión actual con actualizaciones en vivo por sesión, copia del API key con un clic.

Portero de redacción de patentes para dsh: primero criba la idea frente al estado de la técnica chino, luego realiza entrevistas de alineación entre cinco partes, redacción de divulgación en ocho capítulos, figuras y ejecuciones de simulación, revisión en siete dimensiones y exportación a docx/PDF. Las skills funcionan de inmediato; las herramientas de búsqueda, exportación y experimentación provienen de un servicio MCP de Python incluido que se entrega desactivado: una línea en ~/.dsh/patent-services.yaml lo habilita y uvx descarga el wheel desde PyPI.