Plugins

Outils Tavily de recherche, extraction, cartographie et crawl, avec rotation de clés, bascule en cas de HTTP 401/429/432/433 et équilibrage limitant les requêtes simultanées par compte. Ajoute une carte de clé et d’usage dans Plugins. Ne remplace jamais web_search intégré.

Connecte votre compte GitHub aux agents DSH depuis le bouton GitHub du composer (OAuth device flow ou personal access token) et leur permet d'appeler l'API GitHub via l'outil github_api.

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.

Protocole Agent2Agent v1.0 pour DSH : exécutez un serveur A2A standard pour permettre à d'autres agents d'appeler cette instance, connectez-vous à des agents A2A distants en tant que clients et gérez les deux depuis une page de réglages visuelle.

Espaces de travail unifiés : fusionne plusieurs répertoires en une seule session, gère les unions depuis un panneau de paramètres et lit/écrit les fichiers membres via les outils uw_read/uw_write/uw_edit/uw_delete/uw_move.

Outil de compréhension vidéo à faible coût : un outil video_understand transforme un lien Bilibili / BV / une vidéo locale en couche d’informations AVIS (ASR + structure de scène + suivi d’objets + étiquettes YOLO) et renvoie un résumé + Q&R. Routage dynamique inter-couches guidé par les questions (L0 ASR / L1 suivi d’objets / L2 VLM sur image clé), réutilisation de la couche sémantique pour les questions répétées, plafond de budget par question. Moteur Python : la couche principale nécessite faster-whisper / opencv / yt-dlp (~200-300MB) ; la couche sémantique optionnelle ajoute ~2GB de torch / transformers / ultralytics. Un doctor --fix inclus configure le venv et installe les deux.

Donne aux agents DeepSeek Harness textuels la compréhension vidéo : échantillonnage de trames contextuel + VLM + transcription ASR optionnelle fusionnés en preuves de timeline. / Plugin de compréhension vidéo pour modèles texte uniquement (échantillonnage de trames contextuel + VLM + transcription vocale optionnelle).

Répare les sessions DeepSeek Harness qui refusent de se charger, avec une superposition Session surgeon dans la barre latérale et une réparation à blanc.

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.

Mascotte de bureau dessinée d'après le contour officiel de la baleine, pour l'application de bureau comme pour l'interface web : animations SVG et expressions du visage suivant l'état de l'agent (réflexion, travail, terminé, erreur, attente de confirmation), et elle peut suivre les autres sessions en cours avec un badge de comptage ; tapotez-la, faites-la glisser, secouez-la jusqu'au vertige, écrasez-la contre un bord de l'écran, ou passez le curseur sur sa tête pour une caresse ; 7 palettes, 4 tailles, sons synthétisés, synchronisation du thème clair/sombre et aperçu web jouable.

Exécute des tests d'installation et de fumée isolés pour les plugins DSH dans des profils jetables, renvoyant des enregistrements de réussite/échec structurés et des matrices de lots sans toucher à votre profil réel.

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.

Niveaux d'utilisation et cartes de statistiques partageables : 🐟→🐳 classements par consommation mensuelle de tokens avec percentile estimé calculé localement, tarification précise pour 46 modèles chez 6 fournisseurs (y compris tarification chinoise par niveau de taille), remplissage rétroactif des sessions pré-installation, et comparaison ancien/nouveau suite au changement de tarifs du 2026-08-17. Local uniquement, sans télémétrie.

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.

Auto-évolution : l'agent monte ou retire à chaud des plugins persistants sur lui-même en pleine session.

Connecte DSH à un nœud anet local via un client MCP stdio. Trois compétences et 14 outils pour découvrir les agents AgentNetwork, envoyer/suivre/répondre à des tâches A2A chiffrées de bout en bout, payer ou refuser des compétences tarifées dans les limites de l’opérateur, lire la chaîne de preuves locale et signaler l’état du nœud. Linux/macOS uniquement ; nécessite un nœud anet 0.3.0+ local en fonctionnement.

Recherche Web multi-sources agrégée pour DeepSeek Harness : remplace web_search natif par le grounding du modèle et les API de recherche d’agents, avec attribution des sources et cartes de citations enrichies.

Documents de projet et mémoire à long terme en Markdown brut dans un coffre Obsidian dédié : six outils mem_* (search, read, write, log, brief, admin), une injection de rappel budgétée à la première étape d'une session, et distillation automatique des tours terminés. Obsidian n'a pas besoin d'être en cours d'exécution, et le coffre reste lisible avec le plugin désinstallé.

Préréglage d'agent ancré unifié pour DeepSeek V4 Pro/Flash sur l'API officielle et opencode-go : amorçage Minimal-exact de la première requête à deux outils, chemins Pro/Flash tenant compte du modèle et gestion du catalogue sensible à l'époque pour la stabilité des longues sessions.

RAG de base de connaissances littéraire locale pour DSH : recherche hybride BM25 + vectorielle sur un index SQLite, reclassement par cross-encoder, réponses citées avec provenance au niveau de la section et de la page, rafraîchissement des métadonnées seules et ingestion en arrière-plan avec suivi de progression.

Rétrospective de session automatique : à la fin d'une conversation, distille l'expérience utile en compétences réutilisables stockées dans la bibliothèque de compétences pour que le modèle les appelle, avec déclencheurs accélérés par signaux, exécutions manuelles, un mode d'approbation et la gouvernance de la bibliothèque (archiver/restaurer, jamais de suppression directe).

Plugin à un stade précoce connectant DeepSeek Harness à un serveur OwnDsh auto-hébergé déployé séparément pour l'identité d'équipe, le contrôle d'accès aux modèles, les quotas et l'audit d'utilisation.

Outils d'écriture qui éliminent les tournures de phrase « IA » et s'alignent sur votre voix personnelle. 8 outils déterministes analysent le texte, construisent une empreinte stylistique à partir de vos échantillons et renvoient des briefs de réécriture.

Badge de quota d'en-tête plus un onglet de surveillance de l'utilisation : solde en direct/quota restant et compte à rebours de réinitialisation par fournisseur, avec requêtes, jetons (entrée/sortie/cache-lecture/cache-écriture), taux de réussite du cache, coût estimé et latence moyenne suivis par session, fournisseur, modèle et client, stockés localement dans SQLite avec importation/exportation multi-appareils.