Plugins

Whole-PDF paper translation for DSH on top of a BabelDOC installation you provide (Python CLI, with an OpenAI-compatible API key in its config.toml): bilingual dual-page output, a token cost estimate before running, a per-domain glossary reused across papers, and the server-side thinking overhead disabled for translation.

Compiles a repository into a source-grounded code map: structured pages where every claim carries a verifiable path:line citation, an interactive dependency graph, knowledge cards, four model tools and the /codemap command. Deterministic, no model calls, zero dependencies.

Read PLC projects inside DSH — decode CoDeSys .project and Delta .dvp (both need Python 3.9+ on PATH) and Siemens S7-200 SMART .smart/.smartlib into readable reports and structured data, plus project diff, address audits, element-level read/write analysis and ladder-logic reconstruction.

GitHub Trending radar inside the Harness Web UI: fetches the daily, weekly or monthly board (optionally filtered by a language), analyzes each repository into description, star gain, tech stack, highlights and risks, renders the result as a filterable card panel with paging, and registers the github_trending tool plus the /github-trending command.

Drive the NI Multisim 14.3 install on a Windows machine through nine msim_* tools: open and save .ms14 designs, read and edit component values and circuit parameters, run DC operating point, AC sweep, single-frequency AC and transient analyses, export schematics, BOM and netlists. A Win32 channel drives the visible window to run the Analyses dialog and capture Multisim's own schematic view and waveform plot; a SPICE command-file engine handles designs that expose no probes; an offline reader unpacks the .ms14 container without starting Multisim at all. Requires Windows, NI Multisim 14.3, and a 32-bit Python 3.11-3.13 with pywin32.

Publishes and reads QQ Zone posts through SnowLuma's OneBot qzone_* actions (SnowLuma 2.2+ signed in to QQ), and lets the agent understand images with a local vision model (OpenAI-compatible gateway) or Windows OCR.

Whole-disk file search on Windows: ask for files or folders by name, path, extension, size or modified date and get matches from the local voidtools Everything index in milliseconds, with full paths, sizes and modified times. A second card reports whether Everything is reachable and how many items it indexes. Ships the official Everything SDK, so no es.exe or HTTP server is needed; Everything 1.4+ must be installed and running (the plugin can start it).

Indexes public AI-company job boards (Greenhouse, Ashby, Lever, Workable, SmartRecruiters), scores postings for AI relevance, extracts the requirements from each job description, and produces a scheduled daily Markdown digest.

Controla Siemens NX 2406 y 2506, además de NX 12, desde DeepSeek Harness. Incluye 16 herramientas tipadas sobre un NX batch residente y un ejecutor que evalúa el resultado del journal por el log, no por el código de salida (NX puede devolver 0 si ocultó una excepción y 0xC0000409 tras uno correcto), además de una sonda que distingue las tres versiones. Solo Windows; NX 2406 es la versión de referencia y se espera 2506. Requiere NX local y una licencia disponible; ejecuta una vez `dsh-nx install`. Las 16 herramientas MCP permanecen desactivadas hasta `NX_ENABLE_MCP=1` (la ruta de skill funciona sin ello).

Pasarela de solo lectura sobre un vault Markdown local, con cuatro herramientas. `wiki_recall` devuelve la sección coincidente completa, citas por página, estado del vault y un esquema para redactar la respuesta. `wiki_context` aporta un paquete de evidencias con extractos, veredicto y lagunas explícitas; `wiki_verify` contrasta el borrador e indica afirmaciones no respaldadas, también números; `wiki_observe` cuenta correcciones. Ajustes y panel lateral consultan igual que el modelo, por lo que la búsqueda manual coincide con su contexto. Las tres herramientas (`wiki_context`, `wiki_verify`, `wiki_observe`) requieren un puente local Python 3: `bridge.python` y `bridge.toolsRoot` con `wiki_bridge.py`; sin ellos devuelven `E_PYTHON_UNAVAILABLE`.

Memoria propia en cinco segmentos limitados (800 caracteres, no contexto completo): nota en primera persona del modelo, perfil del usuario de hechos aprobados, datos del entorno separados de su identidad, conclusiones priorizadas y hábitos. Cada hecho inyectado es rastreable y retirable por ID; perfil editable a mano y notas como líneas simples que se borran. Los hechos se atenúan con uso y tiempo sin cambiar su credibilidad. Detecta frases de preferencia como candidatas, nunca las aprueba; mantiene los conflictos lado a lado. Incluye recuerdo de chats con citas, índice incremental que decodifica solo tramas nuevas, capa cálida con puntero obligatorio, doctor que localiza fallos, heartbeat de inyección y export/import entre equipos.

Centro unificado de memoria a largo plazo: captura turnos como evidencia L0 y los destila en segundo plano en hechos L1, escenas L2 y perfil L3 (profundidad configurable). Incluye búsqueda híbrida BM25+fuzzy, 13 herramientas memory_*, trazabilidad hasta los turnos originales, backend Hindsight opcional y panel de memoria integrado con tres puntos de acceso.

Memoria a largo plazo para dsh con defensas por capas. Dos niveles: `.dsh-memory/` del proyecto y `$DSH_HOME/memory/` del usuario; cada uno es JSON editable con límites de entradas y etiquetas. Escrituras atómicas (temporal único + rename), `history/` limitado y bloqueos por nivel entre procesos, con recuperación de bloqueos caducados. Rechaza revisiones de disco divergentes para evitar pérdidas. El texto se envuelve en límites explícitos de datos no confiables (los envoltorios falsos se eliminan al guardar); valida límites al cargar y bloquea escapes por symlink con MEMORY_STORE_ESCAPE. Sin filtros heurísticos de contenido ni confirmación: mantiene la consolidación automática sin interfaz. Instalar: `dsh plugin --profile web add github:RocoFish/deepseek-memory`

Lingshu (灵枢) es un sistema de memoria persistente, persona y crecimiento inspirado en el cerebro para agentes de programación con IA. Solo usa la biblioteca estándar de Python, sin dependencias y con prioridad local; requiere Python 3.9+. Incluye memoria por capas hipocampo/corteza, curvas de olvido, consolidación de sueños, recuerdo asociativo difuso, sistema emocional, protección contra la deriva de persona, base de conocimiento, skills autoescritos y panel web local. Se distribuye como skill incluido en DSH. El plugin cordis instalable por separado inyecta sesiones automáticamente solo si (Lingshu está en ~/.dsh/skills/lingshu o se configura brainPy) y hay Python 3. La comprobación opcional de actualizaciones contacta con GitHub/Gitee.

Memoria persistente compatible con Claude Code: el anfitrión inyecta el índice MEMORY.md al iniciar la sesión y el modelo mantiene los archivos con herramientas normales de lectura, escritura y edición. Una página de ajustes enumera los recuerdos guardados. Usa el mismo formato en disco que Claude Code; el modo claude comparte exactamente el mismo directorio de memoria.

Memoria a largo plazo para DeepSeek Harness: tras cada turno destila preferencias duraderas del usuario y datos del proyecto, inyecta un resumen de memoria en sesiones posteriores y mantiene un diario diario de hábitos. Añade las herramientas memory_search, memory_save y memory_forget.

Inyecta la hora por sesión y registra de forma persistente los intervalos de inactividad. Indica al agente cuánto tiempo lleva sin hablar esa conversación concreta, algo que el contexto horario del anfitrión (solo el último mensaje) no puede hacer.

Organiza las conversaciones del espacio de trabajo por categorías, con ordenación mediante arrastrar y soltar, grupos plegables, indicadores de actividad y registro del espacio por ruta de directorio.

Estado de persona y evolución gradual para DSH. Cinco dimensiones —valencia, activación, energía, intimidad y enfoque— cambian tras cada turno y decaen hacia su base con el tiempo. Cuatro escenas (work, tech, support, chat) modulan la longitud y calidez de la respuesta sin alterar el estado. El panel Soul guarda una tarjeta de persona y entradas de evolución ponderadas, y las inyecta primero como persona en el prompt del sistema dentro de un presupuesto de 4000 caracteres. El panel del navegador permite editar la tarjeta y ver los cinco valores y los seis últimos eventos; añade un registro JSONL al disco y crea una persona predeterminada utilizable en la primera instalación.

Tema Windows XP Luna para la interfaz web de DeepSeek Harness: barra lateral azul tipo barra de tareas, títulos Luna, ventanas translúcidas de conversación y plugins con opacidad y desenfoque ajustables, y página de ajustes para importar fondo de pantalla. Solo modo claro; se quita cuando el host cambia a oscuro.

Añade una píldora de coste al extremo derecho de las estadísticas del compositor, con el coste estimado del turno actual y del total de la sesión. Al pulsarla, un panel de dos columnas muestra gasto de entrada, caché y salida por turno/sesión, turnos de diálogo, gasto de hoy y acumulado, y tasa/ahorro de caché de esta sesión. Sigue la tabla oficial de precios de DeepSeek, incluidos precios punta (dobles de lunes a viernes, 09:00–12:00 y 14:00–18:00, hora de Pekín; excluye festivos oficiales). Cada mensaje usa la tarifa de su liquidación y prices.json se recarga sin reiniciar.

Pestañas nativas de conversación /side de DSH, con historial limpio y contexto heredado mediante forks Session independientes y la interfaz de chat oficial, ocultas de la lista principal de sesiones. Incluye marcas de tiempo, uso de tokens, streaming y menú de comandos. Extraído de dsh-better-sidebar 0.29.0 (MIT). No lo actives junto con la entrada /side de dsh-better-sidebar: ambas entradas entran en conflicto, así que detén una. Requiere Windows DSH Desktop 0.2.1-rc.5 y dsh-delete-session para confirmar la limpieza permanente.

Dibuja un resplandor ambiental en el borde de la ventana y una banda de luz móvil alrededor del compositor. Comparten una tabla de colores, pero cada efecto tiene su propio interruptor.

Notebook estilo JupyterLab para DSH: código y salida lado a lado con divisor arrastrable; la salida queda fija en la ventana al desplazarse por una celda larga. Atajos Jupyter (a/b/dd, m/y, Shift+Enter frente a Ctrl+Enter), tijeras para eliminar celdas y chip para alternar código/Markdown. Fork modificado de @beihaizb/dsh-notebook; ambos registran las mismas herramientas nb_*, así que elimina el original antes de instalarlo. El kernel Python elegido necesita ipykernel, jupyter_client y nbformat.