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.

Fija el idioma de razonamiento del modelo a un nivel elegido en Settings - General - Thinking language (chino simplificado o un nivel predeterminado que solo limita las respuestas y deja el razonamiento al modelo). Inyecta una sección de prompt del sistema en el orden -1000000 y la vuelve a colocar primero al final del proceso de ensamblado; también puede insertar una copia antes de cada mensaje del usuario para modelos que siguen débilmente las secciones estáticas.

Configura visualmente el prompt, las herramientas, las skills visibles, los subagentes y los modelos de reserva de un agente, y ensambla varios en un equipo. Nunca escribe ni edita ningún archivo de preset del host.

Plugin de gestión del prompt de sistema predeterminado de DeepSeek Harness: permite explorar, buscar y sobrescribir el prompt final que se ensambla en cada ronda de sesión desde «Settings» de Web GUI.

OMK — Observe. Measure. Know. Cambios de conocimiento respaldados por evidencia para aplicaciones de IA.

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.

Localización al chino de DeepSeek Harness: traduce en tiempo de ejecución todos los prompts del sistema, descripciones de herramientas y contextos de ejecución al chino mediante la cascada system-prompt/assemble (1788 entradas, sin modificar el código fuente, al desinstalar se restaura el inglés).

Plugin Context Assembler para DeepSeek Harness: ensamblaje de contexto por bloques temáticos, división de temas por presión hídrica, traza/reescritura de herramientas, inyección de recuerdo de realidad y planificación de traspaso.

A full-screen novel-writing workbench: chapter board, draft candidates reviewed and merged paragraph by paragraph, plot summaries carrying an index header, and a writing pack assembled from the outline, character cards and earlier chapters. It also reads a shelf of finished books you import, extracts their writing habits in one run, merges them into a single style standard, and puts that standard in the prompt for every later generation.

Núcleo de juicio para DeepSeek Harness: un ciclo cognitivo atribuye fuentes a cada decisión y completa la planificación; la memoria hippocampus condensa la experiencia en conocimiento (diario, archivo episódico y decaimiento de baja confianza); la arquitectura fija responsabilidades y criterios coherentes; un equipo A2A gestiona memoria mediante dsh-linghun-assembler. Requiere DSH ^0.1.0-rc.7 (compatible con rc.2).

Memory-assembly team for DeepSeek Harness: every message triggers a five-step cognition loop (judge, retrieve, assemble, feedback, calibrate) carried by role-playing subagents (judge, retriever, archivist, advocate, editor, scribe), using BM25 retrieval, time-ordered material, and LLM assembly to build useful material packs injected into linghun. Works with dsh-linghun.

Model attribution panel for the dsh web chat — local, zero-network structural fingerprinting (template token leaks, glitch canaries, tokenizer usage-vector matching) that scores which of 29 AI vendors a session's responses most resemble, with a per-claim evidence ledger and a 12-probe active battery.

Council of High Intelligence: reúne un grupo de expertos de 18 figuras históricas para un debate estructurado desde múltiples perspectivas, con un panel lateral DAG en vivo, historial de ejecución en SQLite y valores predeterminados por proyecto mediante .council.yaml.

Inspecciona, mide, busca y compara el contexto exacto, neutral respecto al proveedor, que ensambla DeepSeek Harness.

Memoria bitemporal respaldada por un daemon de SodaMem: el recuerdo se aporta al prompt mientras se ensambla cada turno y cada turno cerrado se ingesta, sin llamada a herramienta ni al modelo en la ruta de lectura; cada hecho recordado cita el turno del que proviene y lleva fechas de validez, así los hechos superados dejan de recuperarse.

DSH hardware sandbox plugin: assemble a 3D scene of ESP32 / BME280 / PIR / LED components with protocol- and voltage-checked port wiring, run real Python project code in the loop against simulated I2C/GPIO hardware with fault injection, let networked device simulators report over HTTP to a real backend (validated end-to-end against a live seat-reservation system), observe a real device read-only and map its state onto the scene, and add support for new boards through data-driven pin definitions. Ships 16 hw_* agent tools plus a bundled SKILL.md.

Asistente de SSQ (Lotería de Bienestar de China, Bola Doble de Color) para DeepSeek Harness: seguimiento de tendencias de 1000 sorteos, seis modelos de predicción con votación de conjunto, análisis de estructura y generación dan-tuo/aleatoria mediante la herramienta ssq.

Turns a Minecraft Java save into a Blender cover or animation: scans the .mca region files for flat open ground, exports the terrain to OBJ, and drives Blender headless with MCprep materials, the BPS character rig and three-point lighting. After each render it reviews the frame with OpenCV for facing, ground contact, exposure, lighting and composition, then re-renders with adjusted parameters when a check fails. Requires Blender 4.2 LTS or newer and Python 3.10+ with opencv-python and numpy; the first run assembles the Minecraft assets with the bundled setup command.

Semantic code search for DeepSeek Harness: registers two native tools, semble_search (find code by describing its behaviour, returning ranked file:line hits) and semble_find_related (neighbours of a known location), which run the Semble CLI via uvx, plus one bundled routing skill. Requires uv on PATH; the first query on a repository builds its index.

Standalone prompt assembly with a source registry, custom text, strategy editing and previews, and per-session strategy snapshots through DSH public hooks.

System-prompt surface drift gate: every section any plugin or preset contributes to the assembled system prompt is hashed and baselined; a silent rewrite of what the model is told fails loud.

Host-side long-task detection for small-context local models: long outputs are scaffolded into a parts skeleton (one part per reply, then assemble), and multi-step work into a PLAN.md ledger with notes/ (plan first, one step per reply). Detection is heuristic and host-side, so it does not depend on the model judging its own limits.

Read, build and take apart EPUB 3 books with no external dependency — the ZIP reader/writer and the XML scanner are both built in. Inspect metadata, reading order and TOC for structural problems, assemble a book from chapters, or split one back into per-chapter HTML.

Wire-level LLM inspector: captures the raw HTTP request and response bodies of model provider calls and attributes each capture to the session that caused it through the llm/stream waterfall. The request pane renders the body as a collapsible tree with per-node sizes — one measured request was 98.6% a single 973-entry array — and the response pane reassembles the OpenAI-style SSE chunk stream into reasoning, content, tool calls and usage. Shown in a Conversation View tab and a loopback viewer page.