Plugins

Backend de Tencent CloudBase para DeepSeek Harness: crea y despliega aplicaciones full-stack desde el chat, muestra los resultados de consultas como tarjetas de tabla con paginación, ordenación y exportación CSV, previsualiza un despliegue en su dominio y llama al conjunto de herramientas MCP de CloudBase (`mcp__cloudbase__*`) con inicio de sesión por código de dispositivo.

Backend de CloudBase para DeepSeek Harness — aplicaciones full-stack desde el chat, panel de BD/almacenamiento/autenticación y despliegue con un clic.

Memoria de recuperación de fallos: busca y registra lecciones de recuperación de fallos extraídas de sesiones reales de ingeniería, con recuperación BM25 + RAG semántico y una base de conocimiento de lecciones.

Tablero de tareas SQLite local como página superpuesta nativa: proyectos, tareas, comentarios, relaciones, adjuntos y automatización de flujo de trabajo, con estados backlog → todo → in_progress → in_review → done; las herramientas de Agente `taskboard_*` solo pueden enviar trabajo a in_review, además de una CLI JSON headless y una skill empaquetada.

Deja que la IA se conecte a bases de datos y escriba SQL por ti.

Permite que el modelo se conecte a bases de datos y escriba SQL.

Memoria entre sesiones con ámbito de proyecto: almacén SQLite de siete capas (soul/user/project/fact/lesson/rules/topic) sobre node:sqlite, inyección en el primer mensaje apta para caché más coincidencias de palabras clave por mensaje, herramientas memory_remember/search/find_similar/read/update/project y consolidación en ventana de inactividad («dream») con supresión en horas pico. Los textos de prompt se distribuyen como archivos de datos por idioma; el marco es compatible con usuarios multilingües.

La memoria que sueña — memoria entre sesiones para DeepSeek Harness: te recuerda a través de las sesiones, se autoconsolida mientras duerme (autoDream), congela las memorias en conflicto para tu revisión y mantiene un rastro de auditoría reproducible. Búsqueda semántica local offline-first sobre SQLite con espejos Markdown editables por humanos, un grafo de entidades, un panel de memoria interactivo, además de una API externa y una CLI.

Memoria entre sesiones acotada, en capas, con aprobación obligatoria y auditable: una interfaz `ctx.memory` tipada con un proveedor SQLite sin dependencias, una herramienta `memory` y la inyección de instantáneas congeladas, además del ensayo de dsh-memory-protocol v1 con un registro de adaptadores y un conjunto de conformidad distribuible.

La memoria que sueña — memoria entre sesiones para DeepSeek Harness: te recuerda de una sesión a otra, se autoconsolida mientras duerme (autoDream), congela los recuerdos en conflicto para tu revisión y mantiene un rastro de auditoría reproducible. Búsqueda semántica local offline-first sobre SQLite con réplicas Markdown editables por humanos, un grafo de entidades, un panel de memoria interactivo, además de una API externa y una CLI.

La memoria que sueña: memoria entre sesiones para DeepSeek Harness: te recuerda entre sesiones, se autoconsolida mientras duerme (autoDream), congela las memorias en conflicto para tu revisión y mantiene un rastro de auditoría reproducible. Búsqueda semántica local offline-first sobre SQLite con espejos Markdown editables por humanos, un grafo de entidades, un panel de memoria interactivo, además de API externa y CLI.

Las conversaciones recientes siguen vivas. Las antiguas se desvanecen en resúmenes, no en el olvido. StrataGate da a DeepSeek Harness una memoria de seis capas con decaimiento temporal, mientras los eventos y relaciones duraderos se asientan en un grafo de conocimiento. Trae contigo tus recuerdos de otras IA: no hace falta empezar de cero.

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).

Búsqueda web mejorada y persistente: enrutamiento multimotor (DeepSeek/Exa/DDG/Bing/Jina + GitHub/Bilibili/YouTube/V2EX/Xiaohongshu/Twitter/Reddit/RSS), caché SQLite+LRU, extracción al estilo userscript y renderizado con Playwright.

Modo red team: das un nombre de organización y un equipo planificador lanza cinco roles (reconocimiento, activos, vulnerabilidades, explotación, pivote) con hasta 3 agentes simultáneos; preflight de skills y recursos, pide una vez la clave o VPS que falte, guiado por una skill de onboarding integrada. Puntuación según reglas unificadas de intrusion scoring (8 categorías / 25 puntos), con topes de servidor, mayor privilegio gana y dedup por servicio; cuentas autorregistradas no puntúan. Los hallazgos van con marca de tiempo a una base SQLite local y se muestran en una consola derecha de 12 pestañas (activos, agentes, sesión/túnel, cadena de ataque, puntuación, informe justificado, base POC/EXP, skills). Incluye 23 skills nativas, 53 herramientas redteam_* y autoactualización en un comando.

Motor de memoria entre sesiones para DeepSeek Harness: almacén SQLite + espejo Markdown editable por humanos, consolidación autoDream, búsqueda semántica sin conexión (vectorización/reordenamiento/clustering locales), línea temporal de entidades y atributos, Sleep Mode, autoSummarize con modelo personalizado y 7 herramientas de memoria.

SkillRoute de JEStats: enrutamiento de habilidades para agentes de DeepSeek Harness.

Bundle de DeepSeek Harness (dsh) que conecta el enrutador de skills de SkillRoute a tus agentes.

Paquete de DeepSeek Harness (dsh) que conecta el enrutador de skills de SkillRoute a tus agentes.

Memoria a largo plazo para DeepSeek Harness: recuperación multicanal y un almacén de memoria en evolución.

StrataGate ofrece a DeepSeek Harness una memoria local-primero, a largo plazo y evolutiva para preferencias del usuario, decisiones de proyecto, conversaciones y resultados de herramientas entre sesiones; superpone el historial con decaimiento temporal ajustable por el usuario, refuerza los recuerdos mediante su uso en respuestas reales, muestra recuentos de uso conscientes del espacio de trabajo y mantiene las evidencias recuperadas trazables hasta sus mensajes originales.

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.

Proporciona bases de conocimiento locales y remotas con recuperación con alcance de proyecto y sesión, escritura controlada de vuelta y una consola de gestión Web integrada.