Plugins

Aplica la marca OpenQuantum, metadatos del navegador y assets PWA a la interfaz web nativa de DeepSeek Harness.

QA de fidelidad de diseño para modelos solo de texto: una herramienta `deepseek_vision` toma prestado un ojo de cualquier ruta de visión compatible con OpenAI, de modo que el modelo pueda juzgar si una implementación coincide con su maqueta — se entrega con el benchmark detrás de ese juicio (cuatro fixtures, 23 defectos inyectados, transcripciones en bruto) y la disciplina de cuestionamiento de la que depende.

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 un preajuste de escritura de novelas multiagente para DeepSeek Harness: un agente director despacha cinco subagentes especializados: construcción de mundos, trama, gestión de personajes, redacción de prosa y revisión de calidad.

Banco de trabajo de proyectos QA para dsh: gestiona proyectos de pruebas, requisitos, casos de prueba, defectos, hitos, informes y puertas de aprobación mediante una interfaz de navegador y 18 herramientas del dominio QA.

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.

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 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.

Ejecuta el trabajo como una tripulación de agentes de rol: un gerente de producto escribe el PRD o DoD, espera tu confirmación y luego inicia arquitecto, ingeniero, QA y revisores cuyos conjuntos de herramientas están bloqueados por rol, compartiendo el trabajo a través de archivos en disco.

Plugin de visión DeepEye para DeepSeek Harness (DSH): descripción de imágenes, OCR, VQA, diseño de UI y análisis del portapapeles.

Una pestaña de preguntas en la barra lateral basada en DSH-better-sidebar, que implementa las preguntas laterales al estilo Codex o la función /btw de Claude Code

Plugin orquestador de QA para DeepSeek Harness: un agente explora tu aplicación y deja evidencia, y luego la ruta explorada se reproduce de forma determinista. Controla drivers de navegador, escritorio macOS, iOS y Android.

Kit de herramientas de escritura académica para agentes DSH: esquemas de artículos, estructuras de título y resumen, citas GB/T 7714 / APA / MLA, control de calidad de redacción y una lista de verificación previa al envío.

A focused end-user QA surface backed by native DeepSeek Harness sessions

Product Design workflow suite for DeepSeek Harness - a router plus nine pd-* skills carrying ideas from a minimum design brief through visual directions, evidence-grounded research and audits, URL cloning, frontend builds and a blocking design-QA gate.

Kit de traducción para agentes de DSH: segmentación de frases, extracción de términos y glosarios, QA origen-destino (números, unidades, corchetes), guías de tono y una memoria de traducción duradera en el espacio de trabajo.

Image and video production toolkit for DeepSeek Harness - background removal with quality tiers, local inpainting retouch, headline and logo compositing, batch platform-size exports and image QA reports; for video, AI subject matting with background replacement (RVM ONNX, plus a chroma-key path), animated titles with fade/slide/typewriter/karaoke presets, 53 transitions with stylized variants, and light-effect and grading presets with LUT support, alongside footage inventory, accurate cutting, subtitle burn-in, music mixing and platform-spec exports; it provisions its own local Python runtime through a bundled bootstrap script.

Quality suite: background tsc --noEmit diagnostics fed back after the agent edits TypeScript, plus a /code-review command running five parallel review lenses with confidence scoring; absorbs dsh-code-check and dsh-command-code-review.

Design mode for DeepSeek Harness: the design-loop agent preset plus design-principles and design-qa skill packs

Visión para LLM de solo texto: descripción de imágenes / OCR / VQA mediante las APIs de visión gratuitas de Gemini y GLM.