Plugins

Skin CSS qui restyle le contrôle de niveau de raisonnement de hytime/dsh-thinking-effort en pilule bleu-violet, champ d’étoiles et reflet animé, avec palettes claire et sombre. Ce plugin doit être installé ; le skin n’ajoute aucune interface.

Remplace le sélecteur de modèle du chat par une liste repliable par fournisseur ; regroupe les fournisseurs miroirs vision-bridge sous leur amont et conserve les options reasoning-effort déclarées dans les réglages de chaque modèle. Testé uniquement sur DSH Desktop ; la version web de DSH n’est pas testée.

Nécessite DSH >= 0.2.0-rc.2 et < 0.3.0. Déclare autant de fournisseurs LLM que souhaité, chacun avec endpoint, identifiants et paramètres par modèle (niveaux reasoning-effort, entrée d’images, stratégie de retry), dans les formats OpenAI Chat, OpenAI Responses, Anthropic Messages et Google Gemini. Configuration par page de réglages.

Sélecteur de modèle et d’effort de raisonnement façon Codex pour DeepSeek Harness : niveaux annoncés par le modèle, thèmes natifs DSH, effets de rayonnement coupés à gauche et guide copiable de déclaration d’effort pour les fournisseurs personnalisés.

Bundle ZenTao MCP pour DeepSeek Harness : workflows de tâches et bugs, rapports et saisie formelle vérifiée du temps consacré.

Commande `/reasoning` façon Codex pour DeepSeek Harness Web : choisissez l’effort de raisonnement du modèle actuel dans le menu slash.

Gère et invoque des CLI d’Agent externes dans DSH, totalement isolés des installations natives de l’utilisateur. Configure Provider, modèle, effort de raisonnement et permissions pour chaque CLI, utilisable directement ou comme des subagents natifs.

Un curseur minimaliste d’effort de raisonnement pour le composer DSH : ligne fine, marqueur coulissant, mémoire par modèle, changement optimiste et sélecteur de modèles simplifié.

Déclare les niveaux d’effort de raisonnement par modèle tiers dans les paramètres llm-pi-ai, afin que le sélecteur d’intensité DSH standard fonctionne avec les modèles absents du catalogue pi-ai.

Sélecteur de modèle de session avec recherche en deux temps : sous-chaîne normalisée d’abord, puis sous-séquence (glm53 trouve GLM-5.3 et ds trouve DeepSeek). Épingle en tête les fournisseurs ayant récemment réussi un appel et mémorise pour chaque modèle le dernier effort de raisonnement explicitement choisi.

Ajoute dans Models des champs par route pour la fenêtre de contexte et le seuil de compaction, ainsi qu’un sélecteur d’effort de raisonnement adapté au fournisseur dans le compositeur. Écrit dans capacities, reasoningEfforts et une ligne de patch compaction-basic de llm-pi-ai.

Plugin DSH (DeepSeek Harness) : configure le niveau de raisonnement par défaut (reasoningEffort) pour chaque modèle LLM et le complète automatiquement selon les règles de routage avant l’entrée de la requête dans la chaîne d’appel sous-jacente.

Ajuste automatiquement l’effort de raisonnement du modèle par tâche (off/low/high/max) : classification, marqueurs [effort=...], escalade d’erreur dans le tour, plafonnement pendant les heures de pointe DeepSeek avec compte à rebours ; la sélection manuelle reste prioritaire.

Gère des profils de sous-agents nommés et réutilisables pour DeepSeek Harness et les lance avec un modèle, un effort de raisonnement et un preset d’agent propres à chaque profil.

Plugin DSH pour configurer le type d’entrée (input) et les modes de raisonnement (reasoningEfforts) des modèles personnalisés.

Hub de compaction à paliers : remplace le seuil unique de 80 % par une échelle réglable (30/50/70/90 par défaut), de la consolidation légère à la maximale. Intègre un index déterministe de mots-clés à chaque checkpoint pour accumuler les faits entre cycles. Résume avec une chaîne de modèles — modèle principal et jusqu’à 3 replis, chacun avec son effort de raisonnement. Ajoute un sous-onglet Compaction et une carte de réglages ; la désactivation restaure toujours la compaction standard.

Remplace la page officielle Models par la gestion du cycle de vie des providers, des niveaux d’effort par modèle, des règles de nouvelle tentative personnalisées, le tri par glisser-déposer et la synchronisation des modèles amont.

Plugin DSH qui détecte et configure automatiquement les capacités du modèle (reasoningEfforts et modalités d’entrée) pour llm-pi-ai. Succède à dsh-reasoning-efforts.

Sélecteur de modèles avec recherche pour le Web DeepSeek Harness (DSH) : fork fidèle du sélecteur natif (Model/Effort, liste groupée par fournisseur, effort de raisonnement), avec champ en haut qui filtre à la saisie.

Définit l’effort de raisonnement par modèle (off/minimal/low/medium/high/xhigh) pour GPT, Codex, Gemini et les modèles compatibles OpenAI. Installe un outil auxiliaire, pas un adaptateur runtime : sous Windows, exécutez une fois `enable-capabilities.ps1` par profile puis redémarrez ; les niveaux sont déclarés dans `~/.dsh/settings.yaml`. Script de désactivation et sauvegarde de restauration inclus.

Preset de délégation à des subagents spécialistes (orchestrator + 5 rôles : oracle/designer/fixer/explorer/librarian), installé dans DSH home. Délégation d’abord en arrière-plan, modèles/effort/permissions des outils pilotés par JSON et MCP limité au périmètre de recherche.

Sélecteur de modèles amélioré pour DeepSeek Harness : choix sur un seul niveau du modèle et de l’effort de raisonnement, 5 paliers Liang, alias de modèles personnalisés et compte à rebours des tarifs pleins/creux.

Configure les capacités d’entrée du modèle et l’effort de raisonnement dans DeepSeek Harness.

Plugin de favoris de modèles DSH : épingle les modèles favoris, affiche le fournisseur des modèles homonymes, sépare les boutons modèle/niveau de raisonnement et mémorise l’effort par modèle.