Plugins

Mode d'apprentissage qui explique chaque étape de l'agent (en cours de développement).

Plugin de mémoire à long terme et d'auto-évolution pour DSH : capture L0 → extraction de mémoire L1 → regroupement de scènes L2 → persona utilisateur L3, injection automatique de rappels, synthèse de compétences, entièrement local (SQLite FTS5 + jieba, rappel vectoriel optionnel).

AI Company Framework : transforme une phrase en une entreprise multi-agents — 15 Skills à plat (boss/pipeline/role-template/11 rôles/generic customer-memory), 7 templates de workflow, runtime AgentTeams + panneau d'activité, sidebar employés avec isolation par session, pont bot Feishu (bots boss et par employé, routage de groupe, push autonome, porte de décision humaine, guide contact externe), mémoire SQLite par client avec mémoire à trois couches (fusion inter-groupes), commutateur de mode /company ; pas de RAG.

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.

Outils de base de données pour agents : list/query/exec/schema/stats/health sur SQLite/MySQL/PostgreSQL, avec protection en lecture seule de niveau lexeur, limites de lignes, sortie de requête CSV/JSON et un chemin d'écriture soumis à approbation.

Un coffre Obsidian partagé pour tous les agents : cœur Python sans dépendances (recherche/promotion/arbitrage/oubli), modèle de coffre, plugin dsh (memory_search/show/submit/status).

Plugin de mémoire inter-sessions pour DSH (v0.6.1, npm @asherliner/dsh-memory-connect) : extraction automatique, indexation SQLite FTS5, rappel sémantique RRF injecté dans le prompt système à chaque tour, maintenance planifiée, consolidation LLM via ctx.llm, prévention de l'explosion du contexte, identité Soul globale via ~/.dsh/soul.md. v0.5.0 : graphe de contexte temporel, modèle de confiance, résumé en fin de tour. v0.6.0 : embeddings sémantiques locaux (BAAI/bge-small-zh-v1.5), aucun appel au cloud. v0.6.1 : correction de l'expansion de ~ dans la config des chemins. Installation sans configuration.

Système de mémoire biomimétique pour DeepSeek Harness : un magasin SQLite unique (node:sqlite, WAL) dont l'arbre Markdown est conservé comme miroir en lecture seule ; outils de mémoire, injection d'instantané figé au démarrage de la session, validation par approbation graduée, extraction à la demande de la session en cours, fusion des quasi-doublons, cycle de vie d'archivage et de remplacement, métabolisme de la mémoire (dream), épingles de mémoire, rappel sémantique sur embeddings locaux, et la commande /memory.

Plugin DeepSeek Harness qui bloque les installations npm risquées grâce à des analyses de métadonnées et de chaîne d'approvisionnement approfondies.

Recherchez, listez et lisez les sessions passées et en cours via le service `sessionQuery` propre au harness : utilise l'index SQLite FTS5 là où un déploiement l'active, et se replie sur un balayage borné des plus récentes en premier là où ce n'est pas le cas.

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.

Flux de travail DAG durables pour DeepSeek Harness avec des outils de création d'agents, persistance SQLite, exécutions reprenables et un Canvas Studio visuel.

Graphe de connaissances de code local pour les agents : analyse une base de code (Python/JS/TS/Go/Java/Rust) en un index SQLite et répond aux questions sur appelants, appelés, dépendances, dépendants, impact et plein texte.

Tableau de bord complet des problèmes locaux intégré dans l'interface graphique Web DSH : vues Kanban / liste / Gantt / flux de travail / tableau de bord, chat IA par tâche, pièces jointes et étiquettes, revendication automatique des tâches à effectuer pilotées par les routines dsh - les données vivent dans le SQLite local (le plugin dsh ajoute @ttmouse/dsh-taskboard).

Comptabilité locale persistante du token usage pour DSH Web avec découverte automatique de l'historique et détails compacts du fournisseur/modèle.

Génère des packs de base de connaissances auditables (SQLite FTS5) à partir de md/txt/docx/pdf, avec récupération déterministe et lecture du texte original.

Plugin d'administration multi-bases de données piloté par chat pour DeepSeek Harness : interrogez et gérez MySQL, PostgreSQL, GaussDB, MongoDB, Redis, Oracle, DM et SQLite depuis la conversation, avec des droits ro/rw limités au projet, un panneau d'administration latéral, la navigation des schémas et l'aperçu des données, et des opérations dangereuses soumises à confirmation.

Entrées de mémoire SQLite, un calendrier avec rappels d'échéance et des tâches d'agent planifiées par cron, avec 13 outils de modèle et une interface bilingue zh/en.

Mode DSH RedTeam : en une phrase, déploie un agent d'opérations d'équipe rouge (cartographie des actifs / chaîne d'attaque / objectifs de score / rapport / base de connaissances POC), avec quatre rôles, 13 skills natives et une console permanente à droite

Council of High Intelligence : réunissez un think tank de 18 personnages historiques pour un débat structuré multi-perspectives, avec un panneau latéral DAG en direct, un historique d'exécution SQLite et des valeurs par défaut par projet via .council.yaml.

Gestionnaire de base de connaissances locale pour agents DSH : importation multi-format, segmentation tenant compte du CJK, recherche hybride vectorielle sqlite-vec + BM25 avec rerank bge-reranker-base, instantanés, export/import kbpack et recherche inter-KB — 22 outils d'agent et un panneau Web.

Mémoire locale à trois couches pour DeepSeek Harness : L1 mémoire instantané (MEMORY.md/USER.md) lue à la demande via les outils memory_* + L2 base de connaissances interrogeable (faits + SQLite FTS5, recherche en chinois par tokenisation à fenêtre glissante) + L3 import depuis Hermes/Claude Code/Codex/WorkBuddy et depuis les documents approuvés d'Agent Hub (memory/global, memory/projects, décisions acceptées) avec déduplication par hash de contenu. La v0.2.0 a supprimé toute injection automatique : la mémoire n'entre dans le contexte que lorsque le modèle appelle l'un des 12 outils memory_*, et les données restent sur le disque local.

Espaces de mémoire inter-sessions gouvernés par l'humain, avec des relations indépendantes entre sources et consommateurs, la provenance, le versionnage et une revue d'injection avant envoi.

Workflows DAG durables pour DeepSeek Harness avec outils de création d'Agent, persistance SQLite, exécutions reprenables et un Canvas Studio visuel.