Plugins

Vision à la demande pour les sessions DSH texte uniquement : les images deviennent des marqueurs, et un outil vision_describe envoie uniquement l'image et la question à un modèle de vision compatible OpenAI

Fournisseurs de recherche et de récupération basés sur Querit pour la couche de capacité web de DeepSeek Harness (ctx.web).

Adaptateur de chat natif Ollama Cloud : traduction NDJSON directe du format de transfert /api/chat d'Ollama, découverte des modèles avec fenêtres de contexte et capacités, et fournisseurs de recherche/récupération web sous l'id ollama-cloud, plus une carte de paramètres Web.

Suivi des coûts tarifés depuis un catalogue en ligne (models.dev + OpenRouter, plus de 8000 modèles, chaque appel facturé à son tarif instantané) : ligne de coût par tour, onglet Coût attribuant la dépense à sortie d'outil / sortie de modèle / prompt système / commandes, budget, prévision mensuelle, ~166 devises au taux en direct, et outil d'agent bill_stats.

Rail de widgets côté droit pour l'interface Web DSH : statistiques de session en direct (tours, temps LLM/outil, TTFT, vitesse, cache, tokens) et quota OpenCode Go via un proxy hôte de même origine ; registre de widgets extensible pour plus de widgets d'utilisation de plateforme, visuels, actions utilitaires et intégrations externes.

Plugin DSH : réutilisez directement les identifiants d'abonnement de connexion locale de Codex CLI pour utiliser les modèles d'abonnement ChatGPT dans DeepSeek Harness, sans clé API.

Utilisez votre abonnement ChatGPT / Codex dans dsh (DeepSeek Harness). Le plugin se connecte à votre compte ChatGPT via le flux OAuth d'OpenAI Codex, et expose votre quota d'abonnement comme fournisseur de modèle `codex-oauth` de dsh.

Plugin d'adaptation de passerelle WeChat pour DeepSeek Harness : réutilise DeepSeekAdapter avec traduction en streaming des balises think.

DSH Relay transforme Telegram en canal de conversation et de notification à distance pour DeepSeek Harness.

Pont de tutorat DeepTutor : explications profondes, questions d'auto-test, planification de parcours d'apprentissage, recherche de base de connaissances personnelle (RAG), et archivage de notes via les outils deeptutor_run / deeptutor_kb / deeptutor_note.

Utilisez le paradigme de modèle de décision Jev (System One) avec n'importe quel LLM compatible OpenAI — aucune clé TypeSafe requise. Enregistre un outil jev_decide qui renvoie en un seul appel des réponses à distribution de probabilité pour des questions typées (choix/score/booléen).

TypeSafe Jev comme service Cordis de premier ordre et trois outils visibles par le modèle pour DeepSeek Harness — hors ligne par défaut, sortie réseau divulguée, jamais activé par défaut.

Quota du forfait Command Code dans la barre latérale DSH, au-dessus des paramètres : fenêtres de 5 heures, hebdomadaire et mensuelle sous forme de pourcentages utilisés avec compte à rebours de réinitialisation, une commande /quota et une CLI sans dépendances. Il lit la clé depuis votre propre route de fournisseur, donc aucune configuration ni autre plugin n'est nécessaire.

Affiche quel index graft sert une session dsh et s'il correspond toujours au code, et expose au modèle graft_ask, graft_grep, graft_callers, graft_skeleton et graft_map comme outils natifs.

Supervise un processus local de la passerelle workbuddy2api et expose ses modèles comme fournisseur LLM, en lisant les fenêtres de contexte et les niveaux d'effort de raisonnement depuis le propre endpoint de modèles de la passerelle.

Passerelle MCP paresseuse pour DeepSeek Harness : un seul outil proxy stable au lieu de N schémas d'outils, les serveurs se connectent à la première utilisation puis passent en veille, métadonnées mises en cache sur disque.

Réviseur de réponses agentique pour DeepSeek Harness : chaque tour final de l'assistant est réexaminé par un LLM distinct noté de 1 à 100 ; un score sous le seuil renvoie l'agent sur sa réponse avec des retours concrets. Le score apparaît sous forme de pastille sur la ligne d'action de la réponse (vert validé / rouge à retravailler, avec le nombre de tentatives et la raison au survol). Configuration de barrière en direct via un serveur HTTP 127.0.0.1, plus un dock replié au-dessus de la zone de rédaction et un onglet facultatif dans la barre latérale droite via dsh-better-sidebar.

Titres de session intelligents pour DSH : après chaque tour de conversation, un appel LLM auxiliaire indépendant résume la transcription complète utilisateur+assistant en un titre qui suit le vrai sujet de la session plutôt que de reprendre le premier message ; le premier message est titré immédiatement, les titres intégrés en échec sont réessayés aux tours suivants, les renommages manuels ne sont jamais écrasés, et les sessions de sous-agent/fork sont ignorées.

Améliorateur de prompts pour l'interface web DSH avec modes basic/standard/expert : les modes standard et expert réécrivent les brouillons avec le contexte du projet et l'historique récent de la session, réessaient avec élégance quand les passerelles refusent les réglages reasoning-effort et affichent une revue avant/après avec annulation.

Runtime de persona économe en jetons pour DeepSeek Harness avec rendu local de catgirl et divulgation progressive du schéma d'outils.

Plugin DeepSeek Harness qui économise agressivement les tokens sans nuire à la qualité : troncature sans perte en tête/fin des résultats d'outils (par défaut), repli des résultats grep, délégation à dsh-compaction-basic déclenchée par la pression, et une sous-classe CompactionEngine à résumé LLM pour le mode agressif. Économise 97,6 % des tokens d'entrée sur une suite synthétique de 8 scénarios, toutes les réductions passant par le flux d'événements dsh pour que modèle-visible = journalisé reste vrai.

Chat par abonnement OpenCode Go pour DSH avec sélection par modèle du protocole Completions, Responses ou Anthropic, découverte des modèles, contexte, métadonnées vision et réflexion, valeurs par défaut d'effort et compteurs d'usage.

Plugin adaptateur LLM pour les modèles Qwen déployés localement derrière un point de terminaison vLLM compatible OpenAI, avec une bascule multimodale par modèle, des efforts de raisonnement entièrement configurables et une page de paramètres web pour modifier le déploiement depuis le frontend.

Limite le débit des requêtes LLM par fournisseur et par modèle à l'aide d'un seau à jetons basé sur la réservation, avec des modes de file d'attente ou de rejet, ainsi que des règles d'identité de passerelle qui réécrivent le user-agent et injectent des en-têtes personnalisés.