Plugins

Chat via l'API Command Code Provider pour DSH, avec une clé API détenue par le Host, un catalogue de modèles découvert automatiquement, des valeurs d'effort par défaut, un en-tête optionnel de rétention nulle des données, des compteurs de quota, et le choix du protocole OpenAI ou Anthropic par modèle.

Mémoire vectorielle entièrement locale pour DSH : embeddings locaux, stockage SQLite, injection automatique de rappel, déduplication avec détection de conflits, corbeille à suppression douce, sauvegarde en ligne et extraction LLM optionnelle.

Exécute des pipelines AItelier depuis DSH via MCP : 39 outils (22 lecture, 17 écriture) pour générer, exécuter, inspecter, éditer, exporter et importer des pipelines SkillFlow multi-étapes. Les étapes s'exécutent dans AItelier plutôt que dans la session DSH et sont interrogées par run_id, marquent une pause aux points de contrôle imposés par le moteur et répondus avec answer_checkpoint, et laissent des traces par étape et des sorties d'étape à lire ensuite ; add_provider / map_model / edit_role dirigent un rôle individuel vers un endpoint local ou moins cher. Regroupe une compétence aitelier-pipelines.

Compression de dialogue en place par courbe d'oubli pour DeepSeek Harness : les tours récents restent textuels, les tours moyens sont structurellement déshydratés (sans LLM), les tours anciens se replient dans une paire de résumés bornée — conversations illimitées sur un budget mémoire borné.

Lance 3 ou 5 candidats coding-agent dans des Git worktrees détachés, valide leurs patches via les commandes du projet, ne classe que les candidats réussis et exige une approbation séparée avant d'appliquer le gagnant.

Plugin auto-évolutif pour DeepSeek Harness : il observe le fonctionnement de l'agent, propose des améliorations de ses propres actifs via le LLM, valide chaque proposition dans un agent d'essai en sandbox et n'applique que les mutations vérifiées — avec registre versionné et retour arrière automatique en cas de régression.

Routage proxy HTTP/SOCKS5 par exécution pour les requêtes de l'agent, les fournisseurs LLM et les commandes shell, avec rechargement à chaud via les réglages, contrôles soumis à approbation et état sûr pour les identifiants.

Moteur d'équipement de plugins piloté par tâches : double récupération (règles sélectionnées + sémantique LLM), notation combinée (synergie/conflit/coût/confiance), détection des conflits et export des commandes d'installation.

Compagnon d'apprentissage par fils de citations durable pour les conversations DeepSeek Harness

Approbation automatique par LLM pour les demandes d'élévation du sandbox, avec préréglages et un repli fail-closed.

Garde-fou de sécurité d'agent : intercepte et audite chaque appel d'outil, exigeant une confirmation humaine sur les opérations sensibles.

Planification proactive : un heartbeat adaptatif et un value network (urgence, pertinence, coût d’interruption) décident quand l’agent doit parler sans y être invité.

GPT planifie les DAG de dépendances, les workers DeepSeek exécutent les tâches avec un parallélisme adaptatif, et un relecteur GPT optionnel audite les diff Git incrémentaux et pilote les cycles de correction.

Ajoute des contrats d'exécution persistants, des graphes de travail récursifs, des clarifications critiques et des portes de vérification par preuves pour les tâches Harness longues ou insuffisamment spécifiées.

Affiche le solde du compte DeepSeek API et les fenêtres de quota du Volcengine Ark Coding/Agent Plan (5h/hebdomadaire/mensuel avec comptes à rebours de réinitialisation) dans le panneau des paramètres, le dock du composeur et un bouton flottant d'actualisation déplaçable.

Télémétrie d'exécution sans intervention pour DSH : chaque session écrit automatiquement la tâche, le niveau de modèle, les outils, les échecs, la durée et le statut dans un journal lisible avec une section de statistiques (pur observateur — aucun outil, aucun appel LLM, aucune injection).

À la fin d'un tour du modèle, un LLM génère 3 suggestions de suivi critiques, affichées sous forme de puces cliquables à envoyer.

Affiche le solde DeepSeek et la dépense quotidienne estimée, fusionne les enregistrements JSONL d'appels de vision externes, et ajoute un tableau de bord par session avec statistiques de modèle, TTFT, taux de cache, logs d'appels, estimations de coût, filtres, et export CSV.

Carte de solde et de quota DSH affichant jusqu'à 3 fournisseurs récemment utilisés. Prend en charge DeepSeek, Moonshot, Kimi For Coding, OpenAI Codex et OpenCode Go, avec découverte automatique, fenêtres de quota, temps de réinitialisation, statut codé par couleur, glisser-déposer et actualisation automatique.

Le sélecteur de modèle de DSH : pointez-le vers n'importe quel endpoint compatible OpenAI, avec des préréglages de fournisseurs DeepSeek gratuits/économiques sélectionnés et un repli automatique quand un palier gratuit vous limite en débit.

Planification de tâches avec une mémoire musculaire de l'expérience : rappel réflexe conditionné de solutions passées, mise en correspondance des capacités du LLM, et leçons persistées automatiquement.

Passerelle de vision native au fournisseur LLM : les images collées dans le chat sont décrites par un modèle de vision (Qwen3-VL via pi-ai/llama.cpp), et la description textuelle est transmise à DeepSeek texte seul pour la réponse — l'admission, le routage et la compaction des images passent tous par les mécanismes natifs du harness, avec un cache de descriptions LRU et une reprise sur erreur 503.

Vue arborescente d'une conversation DSH : modifier un ancien message bifurque le fil, toutes les versions vivent dans un même arbre tandis que la barre latérale ne garde qu'une entrée, les branches peuvent être renommées et promues en session autonome.

Fournisseur Google Gemini multi-comptes : choisit le compte avec le plus de quota restant, bascule sur 429 avec backoff exponentiel, sonde les comptes désactivés en arrière-plan, et livre une page de paramètres chinois/anglais.