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.

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.

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

Porta los 38 temas de opencode (33 TUI + 4 desktop 2.0 + system) a DeepSeek Harness: canalización basada en datos (JSON → color resolve → DSH override), persistencia por navegador, elección monoespaciada/proporcional, cinco fuentes de código y un respaldo de system que conserva solo la tipografía.

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.

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.

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.

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.

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-*.

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.

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.

Equipo multiagente por roles para DeepSeek Harness. /team reúne hasta 12 subagentes (producto, arquitecto, investigación, UI, backend, frontend, BD, seguridad, revisor, QA, DevOps, docs) y ejecuta un pipeline de 9 fases con puertas (aclarar, investigar, diseñar, revisar spec, aprobar plan, implementar, revisar, test, entregar) sobre artefactos compartidos. Las puertas de calidad las impone el código, no los prompts: una tarea sin terminar no se marca completa, los hallazgos los arbitra el revisor o QA, y lagunas de cobertura o retrabajo se ven en el overlay y en /team status. Incluye overlay en vivo (fases, plantilla con modelos, DAG, artefactos, decisiones), modo de equipo persistente y conteo de tokens/tiempo. Sin dependencias en runtime ni build.

Del chat al lienzo y a la obra: impulsa ComfyUI como IDE visual de flujos dentro de DSH. Incrusta ComfyUI (local o nube) como lienzo en pantalla dividida en DSH Web: el agente escribe prompts y scripts en el chat, los aplica en vivo y produce imágenes, música, vídeo y 3D. Operaciones: componer pipelines, leer/escribir flujos, editar nodos, cablear enlaces, ejecutar, ajustar y depurar. Producción: barridos de parámetros por lotes (batch_run) y recuperación automática de salidas al chat (get_outputs). Mantenimiento: lanzamiento y actualización con un clic de ComfyUI, su núcleo y los nodos personalizados. Este paquete es el plugin del lado DSH e incluye el nodo puente del lado ComfyUI.

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.

Comando Cordis /hongtou: canalización de dos fases (JSON estructurado por LLM + renderizado determinista de plantillas XML de Word 2003)

Pipeline de optimización de tokens por capas para DeepSeek Harness: escalera de salida, carga diferida de MCP, motor de compactación e informe de aciertos de caché. Construido sobre APIs reales de plugins DSH; ahorra ~40-60% de entrada en sesiones largas.

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.

Un conjunto de habilidades de modelado matemático con compuerta para DeepSeek Harness: una canalización de cinco etapas con compuertas, patrones de redacción de artículos premiados, análisis de sensibilidad, diagnóstico estadístico y un preset de concurso.

Descubrimiento progresivo de herramientas estable en caché: una superficie fija de tool_search y tool_dispatch en cada solicitud, búsqueda de catálogo en memoria, despacho anidado a través del pipeline del Harness y una lista nativa de herramientas estable byte a byte a través del descubrimiento.

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.