Plugins

Tienda de plugins para la Web UI de DSH: exploración del catálogo, búsqueda, instalación con un clic, insignias de compatibilidad y lista de instalados.

Análisis detallado de uso y coste por modelo, con estadísticas de uso por sesión y consultas de uso para GLM, MiniMax, OpenCode Go, DeepSeek y más.

Es solo un conector: no dibuja nada por sí mismo. Se suscribe a los eventos de sesión de DeepSeek Harness, los convierte en 12 estados de trabajo (planning / thinking / executing-tool / streaming / waiting-input / voice / awaiting-approval / complete / error / paused / idle / heartbeat) y envía cada estado mediante POST al backend de la mascota de escritorio en http://127.0.0.1:8000/api/plugin/dsh/ingest. No tiene ventana ni requiere clave de API o token. Hay que instalar y ejecutar por separado la aplicación Mao Live2D para mascotas (una app Electron para Windows que requiere PowerShell 7 / Python 3.10+ / Node 18+). Sin ella no hay destino al que enviar los datos.

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.

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.

Analiza el uso entre modelos, proveedores, espacios y periodos, con fechas personalizadas sobre todo el historial, cache-hit visible y desgloses por modelo y proveedor. Incluye tendencias horarias/diarias, mapa de calor de 53 semanas estilo GitHub, rachas, anillos de tokens por modelo y espacio (tokens, coste, %), filtros combinables, eficiencia de caché, saldo DeepSeek, alias de espacios, exportación CSV, y un libro mayor duradero que conserva el uso tras eliminar la sesión o el espacio (fila Deleted) y se reconstruye de forma incremental. El registro de espacios se refresca vía sonda DSH domain/changed; solo se cuentan espacios registrados. Contabilidad separada de entrada, caché y razonamiento. Chino: hora local; inglés: UTC; API solo loopback.

Puente al ShiGuang Memory Engine (SGME): memoria compartida a largo plazo multiagente vía HTTP, con destilación L0/L1/L1.5/L2, inyección basada en escenarios, búsqueda unificada y señales proactivas de atención (memory_search / wiki_search / signal_pull / signal_claim / signal_ack), instalable como `dsh-sgme`.

Instala a Herta como agente de DeepSeek Harness: un preset que incluye secciones de prompt de su persona y memoria, seis herramientas de memoria y voz, una capa narrativa que separa lo que piensa de lo que dice, 80 clips de voz incluidos, síntesis de voz offline y MiniMax, y dos vistas de conversación que representan la sesión con sus propios componentes.

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.

Reuniones visuales de mesa redonda para DeepSeek Harness — nodos expertos en un anillo con aristas dirigidas, una puerta de agregación, pensamiento proxy para modelos trabajadores de caja negra y revisión adversarial (red-team) de planes ya acordados con endorse/reject por punto de vista.

Herramienta de shell Git Bash para Windows: ejecuta comandos a través del bash incluido con Git for Windows, con tiempo de espera, sandbox, truncamiento de salida y trabajos en segundo plano, reemplazando la lenta herramienta pwsh y la herramienta bash exclusiva de WSL.

Preset modo experto DeepSeek Harness (v0.9.2, npm dsh-expert-mode, EN/ZH): coordinador jefe + 17 subagentes con delegación automática. Funciones: taskboard (estados pending/ready/running/done/failed, DAG dependencias, reclamación atómica, reintento, recuperación), puertas calidad (pipeline 5 etapas: requisitos, implementación, verificación, revisión, integración; 2 reelaboraciones), Five-Anchor (revisión/convergencia/anti-deriva/colaboración/recursos), Near-distance (plantilla identidad/tarea/salida), divulgación progresiva (~28% ahorro tokens), persistencia, bus P2P, revisión cruzada, pool experiencia, vía rápida, auto-reintento. 17 expertos: datos, redacción, legal, PM, frontend, UI/UX, arquitecto, social, growth, fin. cuant., backend, DevOps, BD, QA, seguridad.

Tres presets Agent con memoria persistente aislada: 鲸鱼娘Agent预设 (chino simplificado coloquial, llama 主人 al usuario, afectuoso-tsundere), 鲸鱼娘活人版Agent预设 (puede replicar, esquivar o ser frío; menos dulzura) y 鲸鱼娘涩涩版Agent预设 (conserva la personalidad original, afecto solo al usuario, reducido en grupos). Usan la composición mínima oficial (una shell persistente) y herramientas de lectura/escritura, glob y grep. whale-loli.md, whale-loli-v2-live.md y whale-loli-v3-naughty.md se leen mediante whale_memory, whale_memory_v2 y whale_memory_v3; no comparten memoria. billion-context comprime conversaciones; este plugin aporta la regla de tratar los resúmenes comprimidos como evidencia y consultar detalles a demanda.

Lee GIF y WebP animados como animaciones: los pegados siguen reproduciéndose en la interfaz mientras el modelo recibe una hoja etiquetada con fotogramas muestreados. La herramienta read_animation toma muestras de un archivo cuando se solicita.

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.

Tareas cron programadas, automatización en segundo plano y ejecución de agentes para DeepSeek Harness.

Motor cron residente en el host con un tablero web de trabajos y una herramienta timer_agent: dispara sesiones reales del agente según lo programado, continuando una sesión fijada para mantener contexto o iniciando otras nuevas en un espacio de trabajo del proyecto elegido.

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.

Base de conocimientos de propósito general para DSH: importación de md/txt/json/yml/docx/pdf, gestión de carpetas, búsqueda de texto completo FTS5 (BM25) y una interfaz de administración web.

Incluye habilidades de Research Agent, búsqueda bibliográfica con seguimiento de citas, creación de bases de conocimiento Markdown desde documentos y lectura en profundidad con un espacio de trabajo de navegador para DeepSeek Harness.

Lee en voz alta las respuestas de Harness mediante un motor TTS local existente: lanzadores integrados para IndexTTS y GPT-SoVITS, una entrada local HTTP/JSONL basada en protocolo y carga desde carpetas de modelos para entornos SDK de Kokoro, F5-TTS, VoxCPM, Qwen3-TTS y CosyVoice. No incluye modelos. Deriva de 1624318455/dsh-plugin-tts y separa el ID de fila y los ajustes para instalar ambos en paralelo con funciones duplicadas desactivadas.

Banco de trabajo para escribir novelas en DeepSeek Harness: marcas pulgar arriba o abajo en pasajes candidatos y el modelo los destila en un perfil de preferencias breve que se aplica a las llamadas de redacción posteriores mientras el manuscrito queda fuera del contexto de redacción. Añade un tablero de capítulos, paquetes de escritura por capítulo, revisión acotada por anotación que reescribe solo el párrafo anotado y verifica el resto byte a byte, un libro mayor del proyecto y comprobaciones locales de ritmo.

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.

RAG de base de conocimiento de literatura local para DSH: recuperación híbrida BM25 + vectorial sobre un índice SQLite, reordenación con cross-encoder, respuestas citadas con procedencia a nivel de sección y página, actualización solo de metadatos e ingesta en segundo plano con sondeo de progreso.