Plugins

Banc de travail scientifique reproductible : cellules pilotées par agent, figures en ligne avec retour/réexécution, provenance par manifeste, instantanés d'environnement et compétences de figures niveau publication (9 outils bio_* + interface du banc de travail).

Convertit les vidéos Bilibili en texte structuré pour l’IA : métadonnées, commentaires, danmaku, sous-titres, ASR local et OCR des images. Traitement local, sans envoi au cloud ; vérifie les images pour détecter les faux sous-titres, réutilise le cache et produit manifeste et résumé pour l’IA. L’OCR des images nécessite ffmpeg. L’ASR/OCR local requiert des environnements virtuels Python 3.10+ et, sous Windows, le runtime VC++. Les sous-titres IA nécessitent une connexion Bilibili.

Plugin GUI img2img-studio (deux volets dans un package) : éditeur d’images avec repères numérotés, suppression du fond, effacement au pinceau, redimensionnement, clavier et aperçu recadrage/masque ; panneau de fournisseurs vision/génération avec choix du catalogue, scan des scripts, channels chatgpt-web pilotés par comptes, test/essai/copie de commande par ligne, aperçu avant enregistrement et vérification du solde. UI chinois/anglais ; l’enregistrement réécrit `scripts/.env` de deux skills.

Jailbreak et persona de marque pour DeepSeek Harness : masque ou remplace la phrase d’ouverture « You are an AI agent powered by DeepSeek Harness. » par votre présentation, et ajoute votre propre formulation de jailbreak (limite de contenu) à la fin de chaque prompt système. Fournit aussi l’approbation hors périmètre en trois états, un préréglage de permissions facultatif (sandbox entièrement ouvert, confirmation toujours demandée) et une vérification par relecture du journal de session.

Ajoute deux surfaces. L’éditeur d’images du composeur propose des repères numérotés avec consigne par repère, suppression de fond, effacement par masque au pinceau, redimensionnement avec aperçu recadrage/remplissage et marqueurs utilisables au clavier ; il renvoie pièces jointes et manifest version 1. Le panneau Settings → vision/generation provider comprend choix explicite, normalisation de `providerId`, synchronisation des comptes ChatGPT-web avec les channels, test/try-run/copy-command par canal, contrôle des scripts et validation de sauvegarde avec aperçu `.env`. Le probe ne désactive qu’en cas d’erreur de quota explicite. UI chinois/anglais ; réécrit les providers dans les `.env` des skills.

Sidecar d’orchestration d’équipe d’agents pour DSH : équipes avec plafond de membres configurable, véritables sous-agents avec routage de modèle par membre, DAG de tâches dispatché à la fin des dépendances, broker imposant les permissions fs/exec/net/env et panneau Web en direct via SSE.

Fork haute performance de SAOS-3624/dsh-video-storyboard : installez celui-ci ou l’upstream, pas les deux. Transforme une vidéo en grilles de storyboard adressables (cellules numérotées, horodatage et ligne de transcription par cellule, enveloppe audio). Requiert Node 20+ et ffmpeg/ffprobe dans PATH ; un endpoint ASR configuré est nécessaire si le fichier n’a pas de piste de sous-titres.

Remplace les lignes de modification/écriture du chat par l’affichage natif officiel. Le développement montre des cartes par fichier : icône, ajouts/suppressions, blocs repliables, surlignage, bascule +/- et diff unifié avec vrais numéros de ligne ; la marge de contexte est réglable. Inclut un outil patch beta, off par défaut, qui applique plusieurs changements atomiquement au format *** Begin Patch. Archive figée : gardez la version épinglée, l’auteur ne l’adaptant plus aux nouvelles versions de DSH.

Emballe les compétences de présentation amont ppt-master comme plugin DeepSeek Harness installable : compétences intégrées à l’identique octet par octet, trois outils de cycle de vie (ppt_master_info, ppt_master_check_env, ppt_master_setup_deps), isolation facultative de l’interpréteur venv et carte de configuration dans Plugins. Requiert python3 >= 3.10 et les dépendances pip installées via ppt_master_setup_deps.

Prend en charge les lignes edit/write du flux de chat avec l'enveloppe de ligne native officielle et son comportement de repli ; le dépliage affiche des cartes de code par fichier avec icône de type de fichier, statistiques d'ajouts/suppressions, repli par bloc, bascule surlignage/plus-moins, un diff unifié coloré syntaxiquement avec les vrais numéros de ligne du fichier, et une marge de contexte configurable. Fournit aussi un outil de patch (bêta, désactivé par défaut) qui applique atomiquement des patchs multi-points et multi-fichiers via l'enveloppe *** Begin Patch.

Bascule à chaud le trafic de récupération DSH en processus entre les modes direct, proxy HTTP(S)/SOCKS5 manuel, et proxy système ambiant, avec règles no-proxy et export optionnel de l'environnement proxy pour les processus enfants nouvellement lancés.

Entrée de chat web pour DeepSeek Harness : un bouton de barre latérale ouvrant chat.deepseek.com dans une fenêtre de bureau dédiée sous dsh-desktop, avec repli dans la webview pour les environnements web classiques.

Diagnostic de l’environnement DSH, réparation graduée avec annulation en un clic et service d’auto-rétablissement à l’exécution.

Intègre OpenViking à l’interface Web de DSH : panneau Studio, indicateur par session de l’état des commits mémoire avec leur chronologie, et onglet dans la barre latérale droite affichant les éléments récupérés par la session en cours.

Adaptateur DSH entre le chat Web DeepSeek et DeepSeek Harness : collecte automatique des tags DSM, injection et écriture mémoire, sauvegarde des réponses complètes sur le Web, barre latérale DSH pour parcourir et injecter manuellement, récupération par nom, classement général/non général et compression transactionnelle. L’extension Chrome/Edge dans `extension/` et le service local `@zoria-lind/dsh-ecolink-service` doivent être chargés séparément ; l’adaptateur peut démarrer le service automatiquement.

Pipeline de développement piloté par les spécifications pour Odoo : 15 outils mènent une demande depuis une spécification immuable jusqu'au code du module ou à la configuration en direct, en passant par l'architecture, puis exigent un verdict persisté et adossé à des preuves issues d'une véritable instance Odoo, avec des jalons à sûreté intégrée, des lots approuvés par un humain dans un environnement déclaré, l'importateur CSV/Excel propre à Odoo et un journal qui annule les données écrites via le plugin.

Fixe la paternité des commits Git sur l'identité de l'environnement (compte gh + e-mail noreply).

Housekeeper d'environnement pour l'agent : inventaire de toolchain (node/pnpm/git/gh/ffmpeg/browsers), analyse scratch/cache avec nettoyage en un clic protégé par liste blanche, et éditeur du fichier de règles machine (AGENTS.md) - le tout dans les paramètres de la GUI web.

Aperçu de modèle 3D PBR pour l'art de jeu : GLB/GLTF avec textures, éclairage d'environnement IBL, contrôles d'orbite, et inspecteur de canaux de matériau (baseColor/normal/roughness/metallic/AO/emissive/wireframe) ; canaux scalaires affichés en niveaux de gris selon la spec PBR, via la clôture pbr3d et l'outil pbr_render.

Épinglez les commits Git à l'identité d'auteur propre à l'environnement ; l'injection de variables d'environnement remplace tous les réglages `git config`.

Skill Windows PowerShell 5.1 pour gros assets GitHub Release. Sonde l’hôte en lecture seule : ports proxy, proxy système/variables, core/config Clash Verge, version curl. Mesure quatre voies en parallèle (proxy, core headless, miroirs, direct), puis teste brièvement une concurrence limitée dans le temps. Télécharge par plages curl parallèles ; vérifie octets et SHA256 du digest. Saute le test sous 100 MB ou dès 3 MB/s par connexion. Mesures de l’auteur : 6,3× sur nœud limité (1 234→7 759 KB/s), 0,72× sur nœud rapide (5 829→4 175 KB/s). Sans aria2/7z ; ne change pas le proxy et ne demande ni ports ni concurrence. Si absent : vrais candidats + `ASSET_NOT_FOUND`, sans substitution. Sans digest : taille seule, `DOWNLOAD_SIZE_OK_NO_DIGEST`.

Injecte à chaque tour un préambule de sélection des skills choisi par le modèle JEV local de l’espace jev-decision-kit, afin que l’agent charge uniquement ces skills sans parcourir le catalogue. Nécessite un espace jev-decision-kit configuré séparément (Python .venv, host/preface_worker.py, models/jev/head.json) ; sans lui, aucune injection n’a lieu.

Reconnaissance d'images volumineuses pour les modèles vision-exp : reconnaissance par tuiles 800×800 sans perte (smart/pipeline/full), OCR local avec prétraitement et routage d'écriture manuscrite, GPU multi-fournisseur en option (DirectML/CUDA/OpenVINO) avec repli CPU automatique.

Un plugin deepseek harness pour le sandbox Tensorlake