Plugins

Memoria persistente supervisada por LLM para agentes de IA: recuperación basada en grafos, conocimiento entre sesiones, binario único. Funciona con DeepSeek Harness, Claude Code, OpenClaw y cualquier runtime de agentes.

Exploración de arquitectura AGI de caja blanca: metacognición (bucle de autocognición), aprendizaje continuo (volante de conocimiento), modelo del mundo (espacio de condiciones, grafo de memoria espaciotemporal), auto-mejora (disciplina bootstrap), pipeline de caja blanca zero-LLM y barandillas de confianza auditables.

Evoluciona skills, agentes, prompts, código y plugins desde dentro de DeepSeek Harness, con AgentDescent.

Webhooks de mensajería instantánea y notificaciones locales al completar un turno, en errores o en aprobaciones (Feishu/WeCom/DingTalk/Slack/Discord/personalizado).

Tablero de tareas multiagente compartido (crear/reclamar/transicionar/consultar) sobre una clave de servicio Cordis.

Tienda de plugins integrada para la Web UI de DSH: explora, busca, instala con un clic y consulta insignias de compatibilidad.

Exporta el registro de sesión de solo anexado como Markdown o HTML legible, agrupado por origen de la trayectoria.

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

Panel de anatomía para los órganos de Agent-Body: sirve un panel de signos vitales en vivo en /anatomy dentro del propio harness (órganos, latido, libro de sanación, contadores de autoentrenamiento y el flujo de pulso real), leído directamente de los archivos de tiempo de ejecución en lugar de reescribirse. Solo host, sin bundle de cliente ni paso de compilación.

Motor de contexto Zero-residence: los payloads grandes de herramientas se expulsan del contexto activo a un almacén consultable y solo quedan punteros deterministas, de modo que los tokens de prompt por turno dejan de crecer con la transcripción. Cualquier contenido enmascarado se reconstruye literalmente desde el registro de la sesión a petición, por id de llamada de herramienta o seq de sesión.

Núcleo de órganos de Agent-Body: plugins organizados como un solo cuerpo. Cada comando se vuelve un impulso nervioso que inerva de forma determinista el órgano competente y nombra la capacidad a usar; un latido de intervalo variable bombea directivas del operador, propiocepción y avisos de homeostasis por el sistema; los reflejos se disparan sin llamadas al modelo; los fallos siguen atribución determinista (herramienta, argumentos, permiso, timeout, red), prescripción y bucle de reverificación, y los errores de argumentos nunca se reintentan. Un órgano ausente lo compensa el de mayor solapamiento de capacidades, y los esquemas de herramientas se filtran por la intención actual (reducción medida del 84.7%, reproducible en el repo). Es el paquete de plugins núcleo del repo agent-body.

El órgano de memoria de Agent-Body: tras 2 minutos de silencio entra en sueño ligero y tras 5 en sueño profundo, donde reglas deterministas destilan la experiencia real en tarjetas de memoria (trampas, manuales, puntos calientes, problemas sin resolver, hechos). Los comandos entrantes recuperan tarjetas relacionadas por palabra clave y las inyectan en el contexto; las tarjetas sin uso decaen con una vida media y se archivan en lugar de borrarse. También elimina el ruido de las advertencias de homeostasis de todo el cuerpo: las repeticiones dentro de una ventana se cuentan en vez de reimprimirse, y una advertencia que se repite sin curarse converge en un desfase de estado estacionario conocido y se silencia. La consolidación y el recuerdo no hacen llamadas al modelo.

Capa de coordinación de plugins: los plugins declaran sus capacidades, los comandos se enrutan al plugin propietario sin llamada al modelo, los esquemas de herramientas se cargan bajo demanda para reducir tokens de prompt, el historial de ejecuciones se consolida en memoria a largo plazo mientras está inactivo y los fallos se clasifican antes de cualquier reintento.

AI Company Framework: convierte una frase en una empresa multi-agente — 15 Skills planos (boss/pipeline/role-template/11 roles/generic customer-memory), 7 plantillas de flujo de trabajo, runtime AgentTeams + panel de actividad, barra lateral de empleados con aislamiento por sesión, bridge de bot Feishu (bot de boss y por empleado, enrutamiento de grupo, push autónomo, puerta de decisión humana, guía de contacto externo), memoria SQLite por cliente con memoria de tres capas (fusión entre grupos), conmutador de modo /company; sin RAG.

Math Agent Framework para DeepSeek Harness: motor de derivación simbólica (CES / formas cuadráticas / ODE / PDE), verificación con SymPy, demostraciones formales verificadas por el compilador de Lean 4 y verificación adversarial multiagente estilo QED, expuesto como herramientas DSH nativas mediante un shell TS que sirve de puente a un motor Python. Requiere clonar el repositorio math-agent-framework y ejecutar `pip install -r requirements.txt`, con MATH_AGENT_HOME apuntando a la raíz del repositorio. Cada resultado incluye procedencia (versiones del motor, semilla, tolerancias) y se marca como datos no confiables.

Fija cada petición al nivel nativo de máximo esfuerzo y añade un panel de profundidad de razonamiento por modelo/modo con un slider de capacidad de 0 a 20, perfiles Velocity/Apex aislados y cajas de herramientas de razonamiento offline. Se distribuye como build ofuscado; uso comercial permitido, ingeniería inversa cerrada.

un plugin de demostración para un preajuste con motor integrado de edición y vista previa de musescore wasm para la composición por agentes

Añade memoria de línea temporal a DeepSeek Harness: un registro de hechos de ancho fijo y solo-anexado + una pirámide de resúmenes mantenida por el propio agent, con un presupuesto de lectura fijo y un coste de recall que no crece con el volumen de memoria.

Microsoft Agent Framework (MAF) plugin for DeepSeek Harness: validate, run, and scaffold declarative agents and workflows (YAML).