Plugins

Añade un lienzo de conversación editable a DeepSeek Harness, donde las conexiones del grafo seleccionan contexto para las solicitudes del lienzo, con ramificación, fusión e importación de sesiones de agentes locales.

ThoughtDAG para DeepSeek Harness: convierte la sesión actual de DSH en un grafo de pensamiento editable sobre un lienzo infinito.

Memoria PLUR para DeepSeek Harness: los engramas se inyectan directamente en el prompt, sin necesidad de llamadas a herramientas

Memoria automática al estilo Claude Code, de forma nativa: archivos de memoria tipados (user/feedback/project/reference) con un índice MEMORY.md inyectado automáticamente en el prompt del sistema (huella cero cuando está vacío); memory_write/read/list/delete siguen las reglas de escritura de Claude Code (deduplicar y actualizar, fechas absolutas, enlaces cruzados); capas por espacio de trabajo y por usuario, bloqueo de archivos entre procesos con recuperación de bloqueos huérfanos, Markdown plano en disco, sin servicios externos y sin embeddings.

Agent Context Editor es un plugin entre agentes para excluir, editar y comprimir selectivamente el contexto de conversaciones de IA manualmente. También admite buscar, filtrar, seleccionar, ocultar, restaurar y deshacer cambios en la conversación conservando la sesión original.

Memoria a largo plazo para DSH: las conversaciones se destilan automáticamente en hechos atómicos, resúmenes de escenas y un perfil de persona, con memorias relevantes inyectadas antes de cada paso del modelo. Funciona sin configuración — recuperación híbrida BM25 + vectorial, incrustaciones locales sin conexión opcionales, separación de familias chat/trabajo.

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.

Grafo de conocimiento de código local-first para agentes de codificación: 10 herramientas MCP para compresión de contexto por capas, planificación DAG, indexación incremental de AST, volante de habilidades entre sesiones, diagnósticos e importación/exportación de artefactos del grafo.

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.

Reductor de resultados de herramientas consciente del contenido: 13 reductores recortan la salida excesiva por significado en tools/post-execute (se conservan las pruebas fallidas, se elimina el contexto de diff, se muestrean JSON y CSV, los problemas de lint se agrupan por regla, los marcos de pila de dependencias se colapsan y los directorios saturados se contabilizan), volcando los originales completos al disco tras un localizador.

Gateway MCP de divulgación progresiva que busca en grandes catálogos remotos mediante `mcp_search` y luego invoca esquemas exactos mediante `mcp_call`, con conexiones diferidas y cachés acotadas.

Plugin de memoria a largo plazo NeatMem para DeepSeek Harness: cliente REST ligero contra un servidor neatmem.

Plegado de contexto sin pérdidas para DeepSeek Harness: el tramo más antiguo se sustituye por un resumen y los originales permanecen en el registro de la sesión.

Disciplina de ejecución modular de frontera para DSH: enrutamiento basado en evidencia a través de 26 habilidades, planificación de archivos estilo Manus, puertas de verificación, recuperación tras rachas de fallos y un panel web interactivo.

Perfilado de rendimiento y diagnósticos de caché LLM para DeepSeek Harness — ingeniería de contexto, perfilado de latencia e informes sobre el comportamiento de la caché.

Muestra qué índice de graft está sirviendo una sesión de dsh y si todavía coincide con el código, y ofrece al modelo graft_ask, graft_grep, graft_callers, graft_skeleton y graft_map como herramientas nativas.

Memoria a largo plazo gobernada para DeepSeek Harness: un registro de evidencias de solo adición con controles de escritura, afirmaciones con 7 niveles de autoridad, cadenas de sustitución e inyección previa a cada paso con presupuesto y cuotas por dominio.

CLI self de Superself como herramientas frente al modelo (contexto de proyecto, unidades de trabajo, informes, decisiones) más un comando /self: estado de proyecto entre sesiones y entre proyectos, mantenido fuera del repositorio de código.

Agrega contratos de ejecución persistentes, grafos de trabajo recursivos, aclaración crítica y compuertas de evidencia para tareas largas o poco especificadas de Harness.

Fusiona el contexto de otras sesiones en el turno actual: resolución de conflictos ponderada por evidencia, retractación de afirmaciones cuyas premisas fueron retractadas, etiquetado de confianza que resiste la inyección de prompts entre sesiones, y empaquetado acotado por presupuesto. Incluye un benchmark.

Complemento de DeepSeek Harness: el CLI `self` de Superself como herramientas orientadas al modelo más un comando /self — estado del proyecto entre sesiones y proyectos para los agentes.