Plugins

Cuatro herramientas de solo lectura sobre una base de conocimiento WeKnora: listar bases de conocimiento, búsqueda híbrida de pasajes, reensamblar los fragmentos de un documento en orden, y la respuesta RAG citada del propio WeKnora o de un agente ReAct con un id de sesión reanudable.

Herramientas de recuperación de conocimiento WeKnora para DeepSeek Harness (dsh): búsqueda semántica, lectura de documentos y respuestas RAG/agente sobre tus propias bases de conocimiento.

Conecta DeepSeek Harness con la base de conocimiento personal local-first y autoevolutiva de ReMe: captura automáticamente las conversaciones completadas del agente principal como memoria Markdown propiedad del usuario, busca conversaciones y material fuente mediante reme_search con BM25, embeddings opcionales y expansión de wikilinks, y programa una consolidación diaria de memoria.

Conecta DeepSeek Harness a la base de conocimiento personal local-primero y autoevolutiva de ReMe: captura automáticamente las conversaciones del agente principal completadas como memoria Markdown propiedad del usuario, busca conversaciones y material fuente mediante reme_search con BM25, incrustaciones opcionales y expansión de wikilinks, y programa la consolidación diaria de memoria.

Memoria Markdown compartida para DSH y otros agentes de codificación, con captura automática, inyección de contexto previa al paso, recuperación searchable y autoevolución de memoria a skill mediante un panel de revisión.

Lee los archivos de sesión que ya escribieron otros treinta y tres agentes de programación en esta máquina — Claude Code, Codex, Cursor, VS Code Copilot Chat, opencode, OpenClaw, Hermes, Kimi, Cline, Zed y más — incluidas sesiones anteriores a su instalación: seis herramientas (deja_recall, deja_session, deja_blame, deja_fix, deja_how, deja_remember), un comando /deja y recuperación automática opcional añadida al contexto de ejecución. Índice BM25 local, sin LLM, sin embeddings, sin red (dsh plugin --profile web add dsh-deja).

Espacio de trabajo de rol para DeepSeek Harness: importa tarjetas de SillyTavern/TauriTavern o crea una desde cero mediante un flujo interactivo; convierte una novela TXT larga en una tarjeta jugable con lectura intensiva o rápida; el agente principal consulta worldbooks bajo demanda y la prosa se lee en una pestaña dedicada; explora varias worldlines en una misma conversación (regenerar, editar y enviar, clonar); presets de estilo con 16 estilos integrados, un clúster de agentes de personaje, una tarjeta de decisión y exportación de tarjeta o novela; la coherencia en historias largas se mantiene con un prefijo de ajustes congelado, ventana de contexto de corte duro, notas de director trazables y recuperación por palabra clave, semántica o híbrida, con embeddings en línea o locales.

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.

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.

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.

Memoria a largo plazo entre sesiones bajo la metáfora del «palacio de la memoria»: almacenes SQLite de doble ámbito (usuario + proyecto por origen de git), recuperación híbrida de FTS5 y vectores locales con fusión RRF y refuerzo de clasificación por recencia y pruebas, captura automática desde el registro de la sesión (incluido el último turno), cadenas de auditoría de procedencia, destilación por consolidación y olvido por decaimiento, y un panel Memory Library en la página de ajustes con topología de pasillos, mayordomo de visitas y lista de renovaciones.

Plugin de memoria entre sesiones para DSH (v0.6.1, npm @asherliner/dsh-memory-connect): extracción automática, indexación SQLite FTS5, recuperación semántica RRF inyectada en el prompt del sistema en cada turno, mantenimiento programado, consolidación LLM vía ctx.llm, prevención de explosión de contexto, identidad Soul global vía ~/.dsh/soul.md. v0.5.0: grafo de contexto temporal, modelo de confianza, resumen al final del turno. v0.6.0: incrustaciones semánticas locales (BAAI/bge-small-zh-v1.5), sin llamadas a la nube. v0.6.1: corregida la expansión de ~ en la config de rutas. Instalación sin configuración.

Sistema de memoria biomimético para DeepSeek Harness: un único almacén SQLite (node:sqlite, WAL) cuyo árbol Markdown se mantiene como espejo de solo lectura; herramientas de memoria, inyección de instantánea congelada al inicio de la sesión, puertas de aprobación escalonada, extracción bajo demanda de la sesión actual, fusión de casi duplicados, un ciclo de vida de archivo y reemplazo, metabolismo de memoria (dream), anclajes de memoria, recuperación semántica sobre incrustaciones locales, y el comando /memory.

Memoria en texto plano entre sesiones: recall de palabras clave BM25 deterministic (sin embeddings), herramientas memory_save/list/search/confirm/forget tras una puerta human-confirm, y almacenes JSON globales y por proyecto que siguen tu repo git.

Memoria vectorial totalmente local para DSH: incrustaciones locales, almacenamiento SQLite, inyección automática de recuperación, deduplicación con detección de conflictos, papelera de reciclaje con eliminación temporal, copia de seguridad en línea y extracción LLM opcional.

Sistema de base de conocimientos estilo Cherry Studio para DeepSeek Harness (DSH): bases, documentos, fragmentación, embeddings (compatible con OpenAI / Ollama / local / reserva léxica), recuperación, herramientas orientadas a modelos y un panel de gestión en el navegador.

Búsqueda semántica de código local para DeepSeek Harness: indexación a nivel de fragmento con reconocimiento de símbolos, embeddings léxicos sin conexión o un punto de conexión compatible con OpenAI, y recuperación híbrida de vectores + BM25 fusionada con RRF: tres herramientas de dsh más una CLI sema.

Servidor MCP de memoria a largo plazo por capas: turnos sin procesar → fragmentos de tareas → resúmenes diarios → índices de temas, incrustaciones locales MiniLM de 384 dimensiones o backend de API compatible con OpenAI, búsqueda semántica con respaldo Jaccard, instalación del plugin de DSH con un solo comando.

Tiny local vector memory via Ollama embeddings and ~/.dsh/vecmem (workspace namespaces; optional IM crumb via vecmemOnReply).

Per-project memory for DeepSeek Harness. Three Markdown files per workspace — PROJECT.md, DECISIONS.md and SESSIONS.md — are auto-created on the first step of any session in that workspace, re-read from disk and re-injected only when they change (and re-injected if compaction dropped them), and written back by classification through a memory_checkpoint tool, with a bounded end-of-turn nudge when a turn did work but recorded nothing. memory_read and memory_search read the live log and the archive, the latter over a zero-dependency BM25 index. The session log is capped at 200 entries with the overflow moved to SESSIONS-archive.md — never injected, but visible, readable and searchable, and restorable one entry at a time. Settings page: a workspace list with a path filter, read-only tabs for the three memory files plus the archive, reload, export/import of one workspace's memory as a JSON bundle, a two-step clear, a panel that rewrites or removes the AGENTS.md instruction block, and a PROJECT.md staleness reminder. A composer status chip shows that workspace's sync state and creates the files on click. Zero dependencies — no vector store, no embeddings, and no model calls.

Persistent, searchable, per-project memory for the DeepSeek Harness: decisions, rules, and sprint context in a queryable DuckDB file, rules enforced on every model request, with a full management UI in the Web Client