Plugins

Mascota de escritorio para la Web UI de DSH con 25 animaciones transparentes, deambulación por la pantalla, reacciones al clic y arrastre, además de un pipeline reproducible de generación de assets.

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.

Acceso remoto multidispositivo para DeepSeek Harness: continúa una sesión activa desde tu teléfono, tablet, navegador u otra computadora a través de un canal cifrado de extremo a extremo (Noise IK + transporte adaptativo relay/WebRTC), con autorización de dispositivos, capacidades remotas solo de ApiProxy y vista previa de archivos de solo lectura mediante dsh-file-viewer — sin shell, sin escritorio remoto y sin acceso de escritura.

Acceso remoto multidispositivo para DeepSeek Harness: continúa una sesión activa desde tu teléfono, tableta, navegador u otro equipo mediante un canal cifrado de extremo a extremo (Noise IK + transporte adaptativo relay/WebRTC), con autorización de dispositivos, capacidades remotas exclusivas de ApiProxy y vista previa de archivos de solo lectura vía dsh-file-viewer —sin shell, escritorio remoto ni acceso de escritura.

Memoria causal para dsh: un puente MCP stdio sin dependencias que monta las 17 herramientas del servidor causal-memory bajo nombres limpios (sin prefijo mcp__) — aristas decisión → resultado con relaciones tipadas (caused / enabled / prevented) en un almacén SQLite local que sobrevive a la compactación — más una sección de prompt del sistema fijada. Requiere el binario del servidor causal-memory en PATH (pip install causal-memory o una versión precompilada).

Porta los 38 temas de opencode (33 TUI, 4 de escritorio 2.0 y system) a DeepSeek Harness. Incluye flujo de datos JSON → resolución de color → sobrescritura DSH, persistencia por navegador, elección monoespaciada/proporcional y cinco fuentes de código; el fallback system conserva solo la tipografía.

Comprobación de calidad de datos para DeepSeek Harness: pipelines de perfilado, limpieza y verificación con informes estructurados.

Kit de herramientas de I+D cuantitativa para DeepSeek Harness — 59 herramientas en seis dominios que cubren datos de mercado, indicadores, evaluación de factores, validación ML walk-forward, riesgo (VaR/CVaR/drawdown/Beta con Kupiec POF), opciones, bonos, FICC y simulación de fondos, con un flujo de investigación extremo a extremo PDAT→PET.

Pipeline de QA como 10 agent skills: análisis de requisitos, estrategia de pruebas, redacción y revisión de casos, automatización E2E (Playwright) y de API, exploratoria, alcance de regresión y análisis de bugs, respaldado por una base de conocimiento compartida con reglas de formato, modelo de riesgo y validadores de esquema.

lowtide: canalización de tareas por lotes en horas valle con adjudicación humana para dsh (consciente de precios pico/valle)

Controla el idioma de razonamiento de DeepSeek Harness. Default English solo hace que las respuestas sigan el idioma de la pregunta; Simplified Chinese también fija el razonamiento en chino. Inserta una sección del prompt del sistema que se renderiza primero con order mínimo y protege el reordenamiento del assemble pipeline frente a plugins anteriores o con order menor. Opcionalmente antepone al mensaje de usuario de cada turno un texto con marcador idempotente. Se cambia en Settings → General y se aplica en vivo con schemastery >= 3.18.3.

Instala cuatro presets de investigación matemática multiagente para DSH: v2 (pipeline guiado por probabilidad con debate entre varios verificadores), v3 (base de conocimiento Markdown estilo artículo con un agente planificador y una biblioteca de métodos reutilizable), v4 (residentes persistentes autoorganizados que se escriben y se reúnen) y v5 (un instituto de investigación con un académico que descompone y asigna el trabajo, investigadores que votan, trabajadores temporales, chat grupal y un tablero de tareas compare-and-set); los cuatro admiten reanudación desde checkpoint, intervención humana y un interruptor opcional de verificación formal en Lean (off/encourage/require) cuya prueba superada convierte el voto en una comprobación de fidelidad de los enunciados Lean.

Lectura profunda y resumen para DSH: convierte libros, artículos, vídeos y webs en notas estructuradas de Obsidian mediante parsers de plugins, subagentes paralelos MapReduce de lectura profunda, salidas JSON Schema y caché idempotente.

Generación de imágenes y vídeo con IA para la GUI web de DSH. Incluye catálogos por canal y adaptación por familia (gpt-image, Grok Imagine, Nano Banana, Seedream, GLM-Image, Qwen-Image, MiniMax image-01, DALL-E 3), estudio lateral, lienzo infinito con nodos, vista previa de archivos, skills de lienzo y plantillas. El vídeo admite texto a vídeo, imagen a vídeo, primer/último fotograma clave y varias referencias, con envío/sondeo/descarga asíncronos, herramientas de vídeo del host, nodos de vídeo y unión local con ffmpeg de dos o más nodos en un MP4.

Shell web móvil para la GUI web de DSH: paneles superpuestos, FAB arrastrable, correcciones del compositor móvil y un botón flotante de carga de imágenes fijado encima del compositor (galería/cámara nativas, integrado con el pipeline validado add-images), sin regresión en escritorio. Publicado en npm como dsh-webui-mobile.

Pipeline de coste de tokens para DeepSeek Harness: compactación por capas sensible a la presión (proyección sin pérdida por debajo del 40% de presión de contexto, resumen con LLM por encima), listas de herramientas permitidas por agente, conversión de texto largo a imagen con resumen por visión y un comando /token-status que rastrea presión, niveles y tokens ahorrados.

Portado desde el plugin ARS Claude Code (44k+ estrellas en GitHub): skills de investigación académica para DeepSeek Harness — un equipo de agentes de investigación profunda, un pipeline de redacción de artículos, un panel de revisión por pares multiperspectiva y un orquestador de extremo a extremo, además de dieciséis comandos /ars-*.

El paquete DeepSeek Harness registra una habilidad que convierte producción larga (artículos académicos, análisis sectorial, comentarios empresariales) en pipeline de 9 roles: scouts T1 literatura / T2 datos / T3 casos en paralelo, T4 analista, T5 redactor, T6 compañero crítico, T7 auditor, T8 finalizador, T9 revisor par ejecutados por el coordinador. A través de 6 fases con verificación triangular de evidencias, M-gate de 23 comprobaciones, auditoría G0-G14 incluido gate de rastro IA chino, puntuación peer-review con matching de revistas, y 4 checkpoints humanos. Instala con `dsh plugin add lunheng-article-pipeline` (package.json#dsh.bundle.patch más lib/index.js); envía tarjetas de rol T1-T9, plantillas y 11 scripts de verificación sin dependencias, con READMEs en cinco idiomas.

Pipeline de investigación y búsqueda profunda multiplataforma: harvest_scout para descubrimiento en paralelo por GitHub, Web, Twitter, Reddit, Xiaohongshu, Bilibili y YouTube; harvest_deep_research para informes de investigación completos automatizados; además de extracción, verificación entre fuentes y auditoría de credibilidad.

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.

Equipo Multi-Agent por roles para DeepSeek Harness: producto, arquitectura, frontend, backend, revisión y QA trabajan en nueve fases con controles; permite un equipo persistente. Sin dependencias ni compilación.

Convierte un requisito de una línea en una entrega verificada. TeamFlow ejecuta un flujo por etapas: clasificación, PRD, diseño, plan técnico, desarrollo paralelo, QA con corrección de defectos y aceptación. Incluye 12 herramientas `teamflow_*` y un espacio de trabajo con gráfico del flujo en vivo y kanban de backlog. Cada requisito tiene una carpeta con su PRD, diseño, plan técnico, informe de QA y registro de aceptación.

Plugin de «escritura de núcleo único» para DeepSeek Harness: meticulosamente simplificado en herramientas y endurecido en salida para modelos pequeños cuantizados; ideal para ejecutar pipelines de novelas largas localmente con modelos en el dispositivo.