Plugins

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.

Búsqueda académica AI4Scholar: 38 herramientas sobre Semantic Scholar, PubMed, Google Scholar, arXiv, bioRxiv/medRxiv y resolución de DOI (búsqueda, grafo de citas, autores, recomendaciones, texto completo de PDF en fragmentos, autocitado, figuras científicas), una búsqueda unificada multiplataforma con deduplicación, una tarjeta de clave API en Configuración, y contabilidad de créditos por llamada con una tarjeta de saldo `/ai4scholar`.

Compañera Live2D de chica ballena para la UI Web de DeepSeek Harness: el modelo permanece en pantalla y reacciona a lo que el agente hace realmente (pensar, llamadas a herramientas, texto en streaming, errores, fin de turno); haz clic en ella para enviarle un mensaje al agente y ver la respuesta llegar a un bocadillo; el clic derecho abre un menú de expresiones, objetos de vestuario, escenas de escritorio y animaciones de un solo uso, cada acción mapeada desde la hoja de atajos del autor del modelo original para que nada se solape y todo expire solo. Recursos del modelo no comerciales (CC BY-NC-SA 4.0), código MIT, por Andersen216 (https://github.com/Andersen216).

RAG de base de conocimiento bibliográfico local: 10 herramientas (kb_ingest, kb_search, kb_rag, kb_zotero, kb_dedup, kb_clear, kb_fetch, kb_scope, kb_stats, kb_status), búsqueda híbrida BM25+vectores+reranker, QA con citas y enlaces DOI clicables, embeddings bge totalmente locales sobre un índice SQLite de un solo archivo. Requiere Python 3.9+ con pymupdf, faiss-cpu y sentence-transformers; el instalador `npx dsh-kb-rag-install` los configura y predescarga el modelo.

Tablero de tareas por sesión en la barra lateral: arrastra sesiones a columnas todo/doing/review/done, crea sesiones con selección de modelo y reasoning-effort, papelera con restauración, notas, exportación/importación.

Preset de agente Modo Aprendizaje: un agente de programación que enseña mientras programa: explicaciones concretas basadas en escenarios, guía socrática, y huecos de práctica TODO(你), modelado en el estilo de salida Learning de Claude Code; instalable mediante dsh plugin add (dsh-learning-mode en npm).

Preset de agente Learning Mode: un agente de codificación que enseña mientras codifica — explicaciones concretas basadas en escenarios, guía socrática y espacios de práctica TODO(你), modelado en el estilo de salida Learning de Claude Code; instalable vía dsh plugin add (dsh-learning-mode en npm).

Escribe el estado en vivo del agente del harness (pensando, trabajando, esperando, hecho, error) en un archivo de estado que consulta una mascota de escritorio Live2D con Electron incluida, para que el bocadillo y la cara de la mascota sigan lo que hace el agente.

Herramientas de citas para agentes: búsqueda exacta de DOI, búsqueda bibliográfica en Crossref, formato GB/T 7714 / APA / MLA / Chicago, generación de BibTeX y validación de DOI con concurrencia limitada y autoevaluación de salud.

macOS desk pet forked from anneheartrecord/dsh-desk-pet, in a real always-on-top window that covers fullscreen Spaces: the pose follows whatever the local DSH is doing across six states, the right-click menu is a real AppKit one carrying quiet mode and a session list, and seven skins ship with it. Two of the seven are drawn from geometry by a script in the repo rather than generated, so making a skin needs no image model and no API credits; the bundled skill still expands one photo into all eighteen poses on your own image tool and credentials. There is no Electron and nothing to install alongside it: the window is driven through ctypes on the Python that ships with macOS.

Ships a skill about handing work to subagents instead of doing it inline - which tasks are worth fanning out, how many to run at once, how to send them in parallel, and how to check what they returned instead of trusting the summary.

Voice for the DeepSeek Harness: speak to the agent, hear it back, and see what it is doing from a floating window that stays on top of whatever you are running.