Plugins

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.

Auto-amélioration nocturne pour votre agent DeepSeek Harness : récupérez hors ligne les sessions passées, rejouez les tâches récurrentes avec votre propre budget API et consolidez les compétences validées derrière une porte de validation séparée. Intègre le moteur SkillOpt-Sleep de microsoft/SkillOpt à dsh sous forme d’outils natifs et d’une compétence fournie, sans entraînement des poids. Nécessite Python 3.10+ et le moteur SkillOpt-Sleep (pip install skillopt).

Paramètres par défaut d’auto-compaction améliorés pour les préréglages d’agent DeepSeek Harness : appliquez en une seule commande des seuils et budgets de rétention ajustés, ainsi que des politiques par modèle, de manière idempotente avec sauvegardes et retour arrière.

Suivi des coûts en tokens pour DeepSeek Harness — suivez l'utilisation, calculez les coûts, recevez des alertes de budget

Réveils proactifs au niveau de l'hôte pour DeepSeek Harness : laissez le modèle planifier ses propres alarmes (une fois / intervalle / cron avec jitter aléatoire), réveiller les sessions froides à l'heure, réguler les relances initiées par le modèle via des heures calmes et un budget quotidien, et récupérer les réveils silencieux

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.

Passerelle universelle Model Context Protocol (MCP) pour DeepSeek Harness : connecte les agents à des serveurs MCP stdio/sse/websocket avec un moteur d'échelle de 10 000 outils dormants, une recherche d'outils BM25 en moins d'une milliseconde, une budgétisation dynamique des jetons et un tableau de bord web en temps réel.

Réveils proactifs au niveau de l'hôte pour DeepSeek Harness : le modèle programme ses propres alarmes (une fois, intervalle ou cron, avec jitter optionnel), les sessions froides sont réveillées à l'heure via session resume, les relances du modèle sont encadrées par des heures calmes et un budget quotidien, et les tours de réveil silencieux se terminent par proactive_reclaim et sortent du contexte comme des pierres tombales. Les fichiers de planification déclarés synchronisent par glob leurs JSON avec les alarmes de l'hôte ; min_idle_seconds reporte les réveils jusqu'à ce que la session cible se calme, et un panneau web gère alarmes et historique — le moteur de battement pour les compagnons IA et les personnages de rôle ayant leurs propres routines.

Fusionne le contexte d'autres sessions dans le tour en cours : résolution de conflits pondérée par les preuves, rétractation des affirmations dont les prémisses ont été rétractées, étiquetage de confiance qui résiste à l'injection de prompts entre sessions, et compactage limité par un budget. Livre un benchmark.

Due diligence préalable à la visite et recherche d'entreprises dans DeepSeek Harness pour les vérifications d'antécédents clients et les notes de risque, avec approbation du budget d'appels d'outils MCP Qichacha et confirmation d'entité.

Fusible de sécurité de tokens totaux par conversation pour DeepSeek Harness : pose un fusible de tokens sur chaque échange avec l'IA, avec un budget total indépendant par message utilisateur qui contraint d'un seul tenant l'entrée, le cache, la réflexion et la réponse, plus un slider whale et une réinitialisation automatique au message utilisateur suivant.

Compression de contexte basée sur l'AST, filtrage des journaux de test et garde-fou de budget de tokens pour DeepSeek Harness : supprime la syntaxe redondante, élague les lignes de journal bruyantes et impose un plafond de tokens pour que la fenêtre de contexte ne déborde jamais.

Panneau de coûts pour DeepSeek Harness : mesure chaque requête à partir des événements de session, la tarifie selon un catalogue intégré de 136 modèles sur 16 fournisseurs, et affiche le modèle actuel, le solde du compte, la session, les dépenses du jour et du mois ainsi qu'une barre de budget mensuel à côté du compositeur. Bilingue zh/en.

Outils Grafana en lecture seule qui interrogent les métriques via le proxy de source de données : santé de l'instance, liste des sources de données, requêtes PromQL instantanées et sur plage, état actuel des alertes et règles d'alerte provisionnées. Les requêtes sur plage sont sous-échantillonnées selon un budget de points ; un pas fourni explicitement qui le dépasserait est rejeté plutôt que modifié en silence, de sorte que le modèle ne reçoit jamais de données à une résolution qu'il n'a pas demandée.

Resumes turns interrupted by a DSH host restart: hooks agent activation (once a session is live), reads the crash-repair turn/end, and sends a continuation that requires verifying real-world state first rather than assuming a side effect succeeded or failed. Permanent failures (AUTH, QUOTA, context overflow) are skipped, with a cross-restart budget, adaptive backoff and a minimal-context payload.

Panel to edit dsh's native AGENTS.md from the web settings page: every layer in the instruction chain is clickable, three activation scopes, and a visual budget meter.

Model-callable compact_agents tool that force-compacts context in every live session (main session, ordinary sub-agents and AgentTeams members alike), queues busy targets and compacts them when the turn ends, reports the shadowed node count and estimated tokens per target, and ships a browser form for the trigger ratio, retained ratio, controlled-phase output budget, auto-continue budget and an end-of-turn pre-compaction ratio that compacts near the trigger line once a turn ends, so a reply no longer opens with a wait for the summarizer.

Agent billing and usage observability for dsh web: session-log direct-scan recording (zstd, per-event timestamps, watermark + lastSeq double dedup), multi-account rate profiles per provider and model, per-window live badge reading the window session id via React fiber, full glassmorphism dashboard with 14-day sparkline, budget alerts, relay-station balance queries and a 332-model official price library.

Alibaba Bailian (DashScope) model catalog preset + auto-adapter for DeepSeek Harness — reasoning effort levels, thinking budgets, context windows, auto-adaptation of existing Bailian routes, a configurable context ceiling

Live token cost for every chat in the DSH Web UI: the chat, its subagents and the whole session tree, priced from a bundled models.dev snapshot of seven providers and 139 priced models, with cache read and write rates wherever the provider publishes them and DeepSeek from its own peak and off-peak table. Every finished answer carries its own price in the transcript, and a chat that is not currently open is priced from the log instead of disappearing. Spend is costed per interval from an append-only JSONL ledger in the project folder, so logged work keeps the tariff it was billed at. On top of it: budget-aware work plans packed against a money limit, routing scenarios that show which models are worth connecting, a generated plan document in English, Chinese or Russian, and a warning when spend belongs to no plan unit.

Tiered persistent memory (user/env/project) with per-tier char budgets and semantic query routing; full layers refuse writes instead of silently evicting.

Team cost captain: meters every model call (subagents included), attributes each call to a member by workspace rules, prices it with the built-in DeepSeek 2026-09 catalog (peak/off-peak, CNY/USD) or user overrides, and appends it to a local JSONL ledger. Adds hot-reloadable member budgets, 80%/100% webhook alerts, optional over-budget enforcement, a team_cost_report tool with CSV export, and a settings-page team dashboard served over a Typert RPC service.

Persistent project memory, event-sourced task lifecycle, context budgeting, and cooperative multi-agent handoffs.

Local token usage and cost dashboard for DeepSeek Harness: four-segment token breakdown (miss/cache-hit/cache-write/output), cache savings estimate against the miss/hit price gap, per-session drill-down with context-growth curves and anomaly flags, global filters with shareable URLs, monthly budget progress with month-end projection, and day/month aggregate fast-path queries (O(days)) with incremental rescan.