Plugins

CLI self de Superself en tant qu'outils face au modèle (contexte de projet, unités de travail, rapports, décisions) plus une commande /self — état de projet inter-sessions et inter-projets conservé hors du dépôt de code.

Boîte à outils vision enrichie : 14 outils vision au niveau pixel (describe, ground, detect, crop, pixel-diff, OCR, long-screenshot OCR, vectorize, colors, cutout, screenshot, present, materialize, html-screenshot) pilotés par un endpoint compatible OpenAI, avec marqueurs [图片: path] propres, classification de sécurité du contenu et auto-retry sur rate-limit.

Upload par drag-and-drop de fichiers PDF, Word, Excel et images : les fichiers déposés sont sauvegardés dans un répertoire local et référencés par chemin, sans gonflement base64 dans le chat.

Analyse multi-agents d'actions A-share derrière /trading-agent, portée depuis TradingAgents-AShare, exécutant 14 rôles (analystes, débat haussier/baissier, revue de risque, trader) via la route LLM de harness.

Aperçu inline pour les marqueurs image [图片: path] : après le rendu du marqueur, l'image s'affiche automatiquement dans le chat, sans laisser traîner les longues instructions dans la conversation.

Système de mémoire persistante à cinq couches, avec injection par pertinence, extraction automatique par LLM, rotation de profils et six outils d’agent.

Mémoire markdown à long terme entre sessions, avec une structure LLM-Wiki et un persona SOUL.md, injectée au début de la session, plus des flux remember/recall/consolidate/forget, un skill de mémoire intégré, des outils de migration pack/unpack et une relance de rappel à la première personne pendant les temps d'inactivité. Ajoute aussi l'observabilité et l'entretien qui manquaient : budget de bloc de démarrage par fichier, horodatage automatique de last_access pour que la décroissance de saillance fonctionne, tableau de bord de santé en lecture seule, compilateur d'index déclaratif, graphe de mémoire interactif, requêtes structurées, suggestions de liens croisés et rapport checkup terminé par une liste d'actions priorisées. La charge de démarrage a été réduite d'environ 23 %.

Plugin DSH : auto-remplir les métadonnées (longueur de contexte, cap de sortie, nom d'affichage, modalités d'entrée) pour les modèles de fournisseur personnalisé depuis le Model Metadata Registry (models.dev).

Inspecteur unifié requêtes/réponses LLM : réglage de l'effort de raisonnement, export de pensée externe, analyse du trafic et des bundles.

Swarm de style Kimi-Code : dispatch de sous-agents en parallèle par lots avec planification adaptative, une commande /swarm et des lignes de progression en direct dans le chat.

Archive inter-sessions : workbench, timeline repliée, lignée de subagents, recherche plein texte, résumés rule+LLM, export ZIP et suivi en direct. La page de session inclut la turn rail, panneau droit docké (mode live, épinglé à la session d’origine), renommage synchronisé, résumé de conclusion et pastille d’état persistante (idle / active / tool-wait / stalled). À partir de dsh v0.1.2+, fusion avec TurnNavigatorRail : pastilles vectorielles pour durée, tool calls, erreurs et thinking, plus distribution différée des tools dans l’aperçu. Le clic droit ouvre le workbench ; la barre piano-key est active par défaut, délègue les turns non chargés à l’auto-load officiel et la rail officielle peut être masquée entièrement. Réglages avec 10 paramètres.

Plugin de chaînes de repli pour DeepSeek Harness : bascule automatiquement vers un fournisseur de secours en cas d'échec du modèle principal, avec un panneau de configuration dans la Web UI.

Utilisez un Codex App Server local comme fournisseur de modèle dans DeepSeek Harness

Fournisseur de LLM DeepSeek Harness pour les modèles Codex, utilisant l'OAuth ChatGPT géré

Fournisseur de LLM DeepSeek Harness pour les modèles Codex, utilisant l'OAuth ChatGPT géré

Routage par mot-clé déterministe, changement de modèle sur liste blanche, et canal image_gen isolé pour DeepSeek Harness.

Route chaque tâche vers un modèle et sa révision vers un autre, avec preuves de qualification, bascule et un journal durable.

TypeSafe Jev (modèle de décision System One) comme outil jev_decide pour DeepSeek Harness : les questions de type noul, choice et score renvoient des probabilités calibrées ; les identifiants réutilisent la couture d'identifiants de DSH ; nouvelle tentative avec repli intégré sur 429/529.

Changement de modèle et contrôle de l'effort de raisonnement pour DeepSeek Harness : les outils d'agent set_model et list_models permettent à l'agent de changer seul de fournisseur, de modèle ou de profondeur de réflexion en cours de tâche, avec motif obligatoire, liste blanche de fournisseurs et garde-fou sur la pression de tokens de la fenêtre de contexte ; le modèle actif est injecté dans le contexte d'exécution, et la transition automatique du Plan Mode bascule vers un modèle de planification configuré à l'entrée en mode plan puis restaure le modèle d'exécution précédent à la sortie.

Adaptateur LLM serverless FriendliAI pour DeepSeek Harness — chat completions compatible OpenAI avec découverte dynamique des modèles et prise en charge du raisonnement

femo (Flow Emerges Mag Opus) — orchestrez un monde multi-agents comme on écrit un scénario. Version plugin dsh : moteur, pont et éditeur visuel réunis dans un seul dossier, autonome, il suffit de déplacer le dossier pour l'utiliser.

Modèles Kilo Gateway et OpenCode Zen gratuits pour DeepSeek Harness (DSH) via les adaptateurs natifs dsh-llm.

Ajoute un éditeur de niveau de raisonnement avec préréglages des protocoles OpenAI et Anthropic (llm-pi-ai), des bascules de modalité d'entrée et un préréglage de contexte 1M/128K et de sortie maximale aux lignes de modèles dans les Paramètres.