Plugins

Compression de contexte déterministe pour dsh — zéro appel LLM, élagage par règles qui préserve textuellement chemins, commandes, traces d'erreur et tâches ouvertes. Compresse ~80k jetons en quelques centaines.

Royaume de gouvernance d'agents pour DeepSeek Harness : territoires, liaisons de rôles (bind/unbind/session avec identité de modèle/agent), et une boucle de tâches planifier→assigner→exécuter→réviser où les déclarations du Worker ne se complètent jamais automatiquement (Claim ≠ Fact), avec une console d'exploitation GUI locale.

Achemine les commandes shell éligibles via rtk pour compresser la sortie des outils et économiser des tokens.

Espace de travail visuel e-commerce à canevas infini pour la photographie de produits, l'essayage virtuel, la retouche d'arrière-plan et la vidéo, synchronisé en temps réel avec la conversation Harness.

Boutique d'applications de plugins pour la Web UI DSH : navigation dans le catalogue, recherche, installation en un clic, badges de compatibilité, liste des plugins installés.

Connecteur uniquement : il n’affiche rien lui-même. Il s’abonne aux événements de session de DeepSeek Harness, les regroupe en 12 phases de travail (planning / thinking / executing-tool / streaming / waiting-input / voice / awaiting-approval / complete / error / paused / idle / heartbeat), puis envoie chaque phase par POST au backend de l’animal de bureau à http://127.0.0.1:8000/api/plugin/dsh/ingest. Il n’a pas de fenêtre et ne nécessite ni clé API ni jeton. L’application Mao Live2D pour animal de bureau doit être installée et lancée séparément (application Electron Windows nécessitant PowerShell 7 / Python 3.10+ / Node 18+). Sans elle, aucune destination ne reçoit les données.

Composition de profils mémoire : recherche de sessions en chinois, rappel hybride, faits d’espace de travail persistants, règles épinglées par l’utilisateur et compétences natives réutilisables. Installer le bundle Release autonome versionné avec une seule commande dsh plugin add. Node.js 24 et pnpm dans PATH sont requis.

Préréglage d’écriture de webroman pour DeepSeek Harness. L’agent principal joue le rôle de rédacteur en chef et délègue plans, rédaction, relecture, suivi de l’univers et recherche à cinq assistants en sept phases. Le roman est conservé dans un répertoire novel/ structuré en Markdown/YAML (fiches de personnages, machine à états des présages, chronologie, mémoire narrative), avec un panneau de création latéral et six commandes CLI sans dépendance.

Gestionnaire de modes personnalisés et d’assistants. La page Settings permet de définir un prompt système propre à chaque mode, stocké dans un fichier ordinaire que l’agent loop relit avant chaque étape du modèle ; une modification s’applique donc à l’étape suivante, même dans une session en cours. Chaque mode peut partir de la composition officielle standard/PTC/minimal/Cordis, activer ou désactiver une à une les lignes de plugins qu’il monte et recevoir le nom choisi. Plusieurs assistants avec leurs propres prompts — programmation, compagnon de discussion ou personnage de jeu de rôle (RP) — coexistent sur une machine et se choisissent à chaque nouvelle session. Les lignes laissées intactes restent identiques octet par octet à celles fournies, conditions de plateforme comprises.

Une passerelle de routage IA qui s'exécute comme plugin DSH. Ajoute un panneau latéral Routing System pour les fournisseurs, le pool de comptes, les combinaisons de repli et les clés API, et fournit un point de terminaison compatible OpenAI à http://localhost:3080/v1.

Marketplace de plugins communautaires pour DeepSeek Harness, conforme à la spécification officielle : parcourez, recherchez et installez plus de 4000 plugins communautaires sélectionnés manuellement sans quitter l'app, avec mises à jour quotidiennes.

Analyse l'usage entre modèles, fournisseurs, espaces de travail et périodes, avec dates personnalisées sur tout l'historique, cache-hits visibles et ventilations par modèle/fournisseur. Comprend tendances horaires/jour, carte de chaleur de 53 semaines façon GitHub, séries, anneaux de tokens par modèle et espace (tokens, coût, %), filtres combinables, efficacité du cache, solde DeepSeek, alias d'espaces, export CSV, et un grand livre durable qui conserve l'usage après suppression de session ou d'espace (ligne Deleted), reconstruit de façon incrémentale. Registre des espaces rafraîchi via la sonde DSH domain/changed ; seuls les espaces enregistrés comptent. Comptabilité séparée : entrée, cache, raisonnement. Chinois : heure locale ; anglais : UTC ; API en loopback uniquement.

Animal de bureau Live2D pour DSH : lampe d'état IA à 8 états, widget web et fenêtre d'animal Electron transparente toujours au premier plan, avec expressions, mouvements et bulles de discussion.

Compactage de contexte gardé pour DeepSeek Harness (dsh) : le LLM propose, les gardes deterministic disposent — réduction eager par atome (extract/summary/false sous gardes verbatim) + éviction paresseuse du reference-graph (0-LLM) + rappel au bit près depuis un log append-only.

Compagnon animé de bureau pour DeepSeek Harness, avec notifications de tâches, chat de session, packs de personnages et paramètres natifs.

Remplace le compositeur du chat par un panneau d’édition basé sur CodeMirror 6 : numéros de ligne, vue partagée édition/aperçu Markdown, fenêtre flottante et onglet latéral pleine hauteur — une seule surface de saisie à la fois. Les brouillons utilisent la machine d’entrée officielle. Le bouton vocal officiel est affiché si l’hôte le fournit ; statistiques et jauge de contexte lisent les mêmes données que le dock officiel.

Installe Herta comme agent DeepSeek Harness : un preset portant ses sections de prompt de persona et de mémoire, six outils de mémoire et de voix, une couche narrative qui sépare sa réflexion de ce qu'elle dit, 80 clips vocaux fournis, la synthèse vocale hors ligne et MiniMax, et deux vues de conversation qui rendent la session avec ses propres composants.

Ajoute /review, /review-status et /review-cancel pour lancer un sous-agent natif indépendant qui inspecte une portée Git choisie (branche de base, modifications non validées, un commit ou des instructions personnalisées) et renvoie un rapport de constats dans la conversation en cours, avec une sortie en anglais ou en chinois selon la locale de l'hôte.

Prose concise pour DeepSeek Harness : compresse la sortie de l’agent afin de réduire les tokens de chaque réponse (couche 4). Le style change, jamais le fond.

Contrôle par tour du niveau de réflexion (reasoning_effort) pour DeepSeek Harness : Auto planifie low/high/max selon l'historique récent des tool calls, ou permet de fixer un wire level (off/on/minimal/low/medium/high/xhigh/max), avec mappage wire personnalisé, garde de capacités par modèle et préréglages de fenêtre de contexte (64K–1M) ; sa capability card s'associe à [dsh-llm-openai-completions](https://github.com/drscrewdriver/dsh-llm-openai-completions) (installable depuis dsh-market) pour tester le raisonnement avec des passerelles compatibles OpenAI (vLLM / LM Studio / auto-hébergées). La carte écrit les capacités llm-pi-ai, l'adaptateur pilote le wire (compat.thinkingFormat) et le plugin maintient la liste de takeover.

Notifications sonores par événement : fin de tour, approbation, question, revue de plan, objectif-bloqué, et échec de tâche reçoivent chacun leur propre son et volume, configurable dans l'UI Web (synthé intégré, muet, ou fichier audio local).

Outil shell Git Bash pour Windows : exécute des commandes via le bash fourni avec Git for Windows, avec timeout, sandbox, troncature de sortie et tâches en arrière-plan, remplaçant le lent outil pwsh et l'outil bash réservé à WSL.

Preset mode expert DeepSeek Harness (v0.9.2, npm dsh-expert-mode, EN/ZH) : coordinateur principal + 17 sous-agents experts de domaine avec délégation automatique. Fonctions : taskboard (états pending/ready/running/done/failed, DAG dépendances, réclamation atomique, retry, récupération), portes qualité (pipeline 5 étapes : exigences, implémentation, vérification, revue, intégration ; 2 reprises), Five-Anchor (revue/convergence/anti-dérive/collaboration/ressources), Near-distance (modèle identité/tâche/sortie), divulgation progressive (~28 % économie de tokens), persistance, bus P2P, revue croisée, pool d'expérience, voie rapide, auto-retry. 17 experts : données, rédaction, juridique, PM, frontend, UI/UX, architecte, social, growth, fin. quant., backend, DevOps, BD, QA, sécurité.

Rejoue des sessions sur une timeline rejouable avec utilisation des jetons par étape, audite les opérations sensibles, estime les coûts, affiche la lignée des forks, compare des sessions et exporte des replays HTML autonomes.