Plugins

Herramienta de comprensión de video de bajo coste: una herramienta video_understand convierte un enlace de Bilibili / BV / video local en una capa de información AVIS (ASR + estructura de escenas + seguimiento de objetos + etiquetas YOLO) y devuelve un resumen + Q&A. Incluye enrutamiento dinámico entre capas guiado por preguntas (L0 ASR / L1 seguimiento de objetos / L2 VLM de fotograma clave), reutilización de la capa semántica para preguntas repetidas y un tope de presupuesto por pregunta. Motor Python: la capa principal necesita faster-whisper / opencv / yt-dlp (~200-300MB); la capa semántica opcional añade ~2GB de torch / transformers / ultralytics. Un doctor --fix incluido configura el venv e instala ambos.

Convierte videos de Bilibili en texto estructurado para IA: metadatos, comentarios, danmaku, subtítulos, ASR local y OCR de fotogramas. El procesamiento es local, sin subir datos a la nube; comprueba fotogramas para detectar subtítulos señuelo, reutiliza caché y genera un manifiesto y resumen para IA. El OCR de fotogramas requiere ffmpeg. ASR/OCR local requiere entornos virtuales Python 3.10+ y, en Windows, el runtime VC++; los subtítulos IA requieren iniciar sesión en Bilibili.

Envuelve el conjunto de habilidades de presentación ppt-master upstream como plugin instalable de DeepSeek Harness: incluye las habilidades byte por byte, tres herramientas de ciclo de vida (ppt_master_info, ppt_master_check_env, ppt_master_setup_deps), aislamiento opcional del intérprete venv y una tarjeta de configuración en la página Plugins. Requiere python3 >= 3.10 y las dependencias pip instaladas mediante ppt_master_setup_deps.

Inyecta un prefacio de selección de skills, elegido en cada turno por el modelo JEV local del workspace jev-decision-kit, para que el agente cargue solo esas skills en vez de buscarlas. Requiere un workspace jev-decision-kit configurado por separado (Python .venv, host/preface_worker.py, models/jev/head.json); si no existe, el plugin no inyecta nada.

Herramientas de comandos CLI de Lanting + protección L0: 9 herramientas de memoria + 6 herramientas de calidad (registro defineTool, spawn venv _cli.py) + protección de escritura/llamada directa

Chat en directo de Bilibili para DSH: lee el chat, solo envía mensajes tras confirmación explícita y permanece en la sala en segundo plano. Opcionalmente, el modelo decide si responder y el audio de la emisión se transcribe a texto. No entiende el vídeo. Requiere entorno virtual Python 3, requirements incluidos y cookies de Bilibili; la transcripción también necesita ffmpeg y un motor Whisper.

Estudio de modelado sólido NURBS BRep con entrada en lenguaje natural, viewport 3D en vivo (medir/wireframe/ajustar), exportación STEP y herramientas agent que ejecutan NVIDIA usd-brep en un venv CPython gestionado. Requiere CPython 3.12; las wheels usd-brep cubren solo Windows y Linux de 64 bits.

Entornos de ejecución por proyecto para DeepSeek Harness: adopta o crea automáticamente un venv de Python local al proyecto (.venv_local/python) y conecta las cadenas de herramientas y variables de entorno de los runtimes que usa cada proyecto (python venv / node / go): python y pip siempre resuelven al proyecto, nunca en silencio al Python del sistema.

Plugin de bioinformática de «análisis por deseo»: cobertura completa de BioPython (ejecutor de código arbitrario bio_python + 14 skills de dominio) + herramientas semánticas de alta frecuencia + entorno Python autónomo sin dependencias (uv + venv + biopython descargado automáticamente al directorio privado del plugin). El usuario descarga e instala y puede hacer análisis por deseo.

A durable RAG-enhanced long-term memory layer for LLM agents, featuring holographic memory, state-slot conflict detection, and timeline retrieval. Requires Python 3.10+ and this repository's Python dependencies: create a venv and run pip install -e ".\[dev]" in the checkout before enabling the plugin (the bundled installer is a PowerShell script, i.e. Windows).

Incluye una biblioteca de lectura profunda de artículos y el skill paper-deepread-html: panel lateral para explorar informes interactivos, subir PDF a una biblioteca gestionada, analizarlos con un agente o mediante un worker opcional del sitio y administrar/reconstruir la biblioteca. Expone paper_deepread, paper_deepread_uploads y paper_deepread_reports. La lectura profunda, ingesta y creación de informes requieren Python 3; el skill prepara un entorno PyMuPDF en el primer uso y la reconstrucción del índice recurre a plain python3.

Memoria a largo plazo basada en mem0 y un almacén Chroma local: inyecta el perfil del usuario y hechos recuperados en el system prompt, y captura datos al terminar la sesión. Un proceso nocturno elimina duplicados, fusiona paráfrasis y resuelve contradicciones; crea un grafo temático persistente en tarjetas Markdown. Exporta periódicamente a un repositorio Git e incluye una interfaz de memoria a página completa con búsqueda, combinación por lotes, instantáneas y deshacer. Antes de usarlo se necesita configurar manualmente un entorno Python venv y proporcionar claves API de LLM y embeddings.

Sustituye el ejecutor bash integrado y resuelve el entorno según el directorio de trabajo de cada comando. Permite anteponer rutas a PATH, activar Python venv y usar mise shims; incluye una sección propia en los ajustes de la Web UI.

Plugin de entrada de voz (dual-face): botón de micrófono junto al envío del compositor, burbuja de grabación que transmite PCM a un servicio Python local Qwen3-ASR administrado por el host y página de ajustes del entorno ASR (clona repositorios de runtime/modelo y crea un venv).