Plugins

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.

Exporta eventos de turno, modelo, herramienta, aprobación, reintento y error de DSH (solo metadatos) a Tuning Engines para trazas gobernadas, evaluación de políticas, análisis de costos y revisión de Work Session, con una cola de reintentos respaldada en disco.

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.

Plugin de memoria Honcho de Plastic Labs: inyecta el perfil de usuario, resumen de sesión y conclusiones relevantes al inicio de la sesión, sube cada turno a Honcho en segundo plano con los secretos redactados, y añade las herramientas honcho_search / honcho_chat / honcho_remember más el comando de estado /honcho; se configura mediante ~/.honcho/config.json compartido con las demás integraciones de Honcho, contra honcho.dev alojado o una instancia autoalojada.

Plugin proactivo de planificación multimodelo: ingesta de señales multisource con deduplicación y clasificación de urgencia, un motor de decisiones de cuatro vías ejecutar/aplazar/desestimar/preguntar al usuario, generación de planes DAG con ejecución paralela de modelos, reflexión de calidad con reintento automático y cambio de modelo, memoria a largo plazo para patrones y lecciones de tareas, y evolución de estrategia mediante algoritmos genéticos con evaluación en sandbox y despliegue canary.

Completa tareas de 头歌 (EduCoder) mediante la API JSON de la plataforma, sin automatización del navegador. `educoder_sweep` revisa todos los cursos, pero omite sin leerlas las tareas ya completas, por lo que el barrido de toda la cuenta no consume tokens de modelo. Las preguntas de opción múltiple tampoco consumen tokens: la plataforma devuelve la clave de respuestas en cualquier envío. El modelo genera el código, que se sube con `evaluate:0` y se califica una vez por reto; después se reintenta con el informe de errores recibido. Herramientas: `educoder_sweep`, `educoder_homework`, `educoder_account`.

Chat lateral nativo junto a la conversación principal: una sesión DSH archivada independiente con interfaz nativa completa, recuperación del contexto padre bajo demanda, citación de selecciones y un ciclo de vida de conservar o eliminar.

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.

Memoria y reflexión para agentes DSH: extrae automáticamente lecciones candidatas tras las tareas y recupera las revisadas por el usuario en tareas posteriores pertinentes. Incluye procedencia, recuperación por proyecto, gestión de conflictos, feedback de uso y revisión de caducidad. Captura y recuperación tienen controles separados; escribir en AGENTS.md exige vista previa y aplicación explícita.

Sistema de memoria persistente de cinco capas con inyección por relevancia, extracción automática mediante LLM, rotación de perfiles y seis herramientas de agente.

Drives a locally installed Moli headless browser from DeepSeek Harness with two tools: rendered fetch, JavaScript evaluation, Markdown, semantic trees, screenshots and PDFs. Installs Moli when it is missing; verified on Windows and Linux.

Combina el esqueleto de código de Headroom (Apache-2.0) y el estimador de TokenPilot (arXiv:2606.17016). Cifras publicadas: Headroom, 20 % menos tokens para agentes de código y 60–95 % para JSON con las mismas respuestas; TokenPilot, hasta 60 % menos coste en sesiones largas. Son datos de esos proyectos, no mediciones ni benchmarks de este plugin. En DSH configura perfil, umbral Auto Compact y esqueleto de código. Mide con el tokenizer exacto de DeepSeek V4 y verifica el recuento en la misma revisión; ante modelos incompatibles, fail-open conserva resultados originales. Comprime con esqueletos durante el turno y resume la intención al final dentro de la compresión JSONL oficial.

Conecta un servidor MCP local de MATLAB a DSH para evaluar código MATLAB, ejecutar scripts y pruebas .m e inspeccionar toolboxes instalados con mcp__matlab__*. Requiere MATLAB y el binario MathWorks MATLAB MCP Server, además de editar una ruta tras instalar. El plugin por sí solo no registra herramientas.

Archivo de lectura para dsh: tras leer código abierto, captura notas rápidas o escribe notas profundas que se agrupan en una tarjeta por repo / archivo / símbolo, guardadas como un log de solo adición de notas Markdown que puedes abrir en Obsidian; consulta tu historial, explora lecturas recientes o busca en tu propia bóveda de Obsidian y enlaza notas relacionadas a un registro de lectura. Nueve herramientas, un comando /codevault y una skill de lectura de código.

Ejecuta 3 o 5 candidatos de coding-agent en Git worktrees detached, valida sus patches con comandos del proyecto, clasifica solo candidatos que pasen, y requiere aprobación separada antes de aplicar el ganador.

Motor de equipamiento de plugins orientado a tareas: recuperación dual (reglas curadas + semántica LLM), puntuación combinada (sinergia/conflicto/coste/confianza), detección de conflictos y exportación de comandos de instalación.

Sistema de base de conocimientos estilo Cherry Studio para DeepSeek Harness (DSH): bases, documentos, fragmentación, embeddings (compatible con OpenAI / Ollama / local / reserva léxica), recuperación, herramientas orientadas a modelos y un panel de gestión en el navegador.

Runtime de visión auditable y Computer Use multiplataforma para DeepSeek Harness con evidencia que preserva la fuente.

Consultor de evaluación y mejora de PR: evalúa la probabilidad de éxito de un PR según antipatrón históricos y patrones de éxito, con puntuación en un clic y sugerencias prácticas.

Programación proactiva: un latido adaptativo y una red de valor (urgencia, relevancia, coste de interrupción) deciden cuándo el agente debe hablar sin que se le pida.

Controla el navegador real del usuario a través del demonio Kimi WebBridge local: herramientas de navegación, búsqueda de pestañas, snapshot, clic, relleno, evaluación, CDP, captura de pantalla, red, carga, exportación a PDF y gestión de pestañas que reutilizan las sesiones de inicio de sesión existentes.

Recuperación del historial de conversación para DSH: recuperación en tres capas (literal/difusa/semántica) sobre el texto original de cada sesión pasada, totalmente local y sin conexión: la IA nunca olvida lo que le dijiste. Instalación con un solo comando mediante `dsh.bundle.patch`, la capa semántica se ejecuta en un hilo de trabajo.

RAG de doble grafo de conocimiento para notas Markdown con decaimiento de memoria half-life: grafos de prerrequisitos y similitud (recorrido P/S-Agent), fragmentación por párrafos, búsqueda híbrida n-gram/embedding y bucle explícito de retroalimentación de pesos — plugin nativo de Cordis, instalable vía npm como @eqman00003/knowlp-rag.

Pestaña de dsh-better-sidebar que analiza estáticamente archivos Qoder Canvas *.canvas.tsx y los presenta como páginas estructuradas en la barra derecha de DSH. Nunca ejecuta el código fuente: sin eval, bundler ni iframe sandbox. También sustituye el visor .tsx e incluye un Skill para crear el formato.