Plugins

Mémoire en couches pour DSH avec 10 outils d’agent : écritures privilégiées (memory_add, memory_delete, memory_import), commandes de rumination (memory_ruminate et contrôles associés) et graphe mémoire. Un pipeline de distillation L0-L3 rappelle et injecte les souvenirs utiles avant chaque étape du modèle.

Équipe Multi-Agent par rôles pour DeepSeek Harness : produit, architecture, frontend, backend, révision et QA travaillent en neuf phases contrôlées ; équipe persistante disponible. Sans dépendances d’exécution ni build.

Se connecte à Huawei Cloud CodeArts et enregistre CodeBuddy, WorkBuddy, LobsterAI, Qoder (global et Chine), TRAE, Cline, Loomy, Raccoon Work, MiniMax Code, TeleAgent, ZCode, Step Code et Antigravity comme fournisseurs LLM, avec des pools de comptes par fournisseur. Certains affichent aussi le solde de quota et le pointage quotidien dans le même panneau.

Plugin DeepSeek Harness qui transforme les jugements Jev en trois actions automatiques — élaguer la sortie d'outil surdimensionnée vers les segments pertinents pour la requête, filtrer les pages récupérées à la recherche d'instructions visant le modèle, et choisir la skill adaptée à l'étape suivante — plus les outils jev_ask et jev_gate, un registre de jugements qui survit aux redémarrages et un rapport /jev-status. Nécessite une clé d'API TypeSafe ; sans elle, il reste inerte et n'envoie rien.

Une meilleure barre de pliage : replie automatiquement les appels d'outils et les segments Think dans des barres de pliage d'étape, et condense chaque tour terminé en un seul en-tête de tour avec des métriques en direct (durée, TTFT, tokens, tok/s, taux de cache) — seul le résumé final reste visible ; icônes de tête personnalisables avec cartes de poker animées intégrées (animation de carte en alternance des couleurs pendant l'exécution, un paquet replié, un éventail déplié), une ligne de paramètres pour le mode de pliage officiel, compatible avec les versions DSH nouvelles et anciennes. Zéro intrusion dans le code source de DSH.

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.

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.

Auth Web DeepSeek Harness : protège pages, /api, /plugins et WebSocket. PBKDF2/salt par utilisateur, cookies HttpOnly SameSite, verrouillage IP, invitations, TOTP/passkeys (WebAuthn), step-up avant changement de facteur. L’utilisateur gère profil/facteurs ; les admins gèrent comptes, invitations et mots de passe. Les réglages privés modèle/API par utilisateur sont chiffrés par une clé dérivée du mot de passe, illisibles aux admins. Partage ciblé par les admins : utilisables, solde visible, clé jamais révélée, révocation immédiate. Sans configuration, utilisateur bloqué sans repli. REST/listes et WS isolés par utilisateur ; sessions conservées au redémarrage, audit JSONL, fail-closed. DSH 0.2.0 requis (transport 0.1.1-rc.2 retiré en 0.7.0). Passkeys : HTTPS/localhost.

Compétence de revue de code pilotée par modèles : flux de revue en cinq étapes, classement par sévérité (critique/moyen/mineur), notation quadridimensionnelle (qualité, sécurité, performance, maintenabilité), sortie double texte et HTML et base de connaissances de référence à la demande.

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

Enveloppe le travail dans des tâches nommées et, dès qu'une tâche se ferme, replie l'intégralité de sa plage de messages en un seul résumé à la limite d'étape suivante ; le contenu original peut être restauré à la demande.

Synchronisation multi-machines : maintient la cohérence de plusieurs réplicas de dsh via un seul dépôt GitCode privé — skill, sessions, paramètres et manifestes de plugins, chacun avec un interrupteur indépendant ; les changements passent par branche, PR et fusion, les ajouts présents uniquement sur le dépôt distant sont rapatriés avant chaque push afin que rien ne soit supprimé, et une étape d'alignement intelligent par IA fusionne sémantiquement les fichiers modifiés des deux côtés (avec résolution des conflits en un clic) ; les dépôts privés sont imposés et le pull n'écrase jamais les modifications locales.

Déplace les sessions entre les espaces de travail par glisser-déposer avec une véritable migration en place ; récupère les sessions orphelines ou non enregistrées ; repère les espaces de travail obsolètes après renommage de dossiers. Les identifiants et l'historique restent intacts, avec sauvegarde et restauration à chaque étape.

Persona pour DeepSeek Harness : un config.json régit le nom que se donne l'IA (par modèle, par palier), comment elle vous appelle, sa posture, le texte de caractère, des contrats par élément avec options, la langue de la réflexion et le ton des réponses, plus une mémoire à confirmation humaine : l'IA ne peut qu'ajouter des candidats, une ligne de confirmation les active, et le journal est en ajout seul, rejouable. Les entrées confirmées sont injectées comme bloc cité de données et non d'instructions ; celles étiquetées d'un kind vont vers des fichiers arbitraires et n'atteignent jamais le prompt. Le prompt est relu depuis le disque à chaque assemblage : les modifications s'appliquent sans redémarrage. Presets : instantanés JSON partageables. Sans dépendances, réseau ni shell.

Workflow de type Trellis pour DeepSeek Harness : repères de phase par tour via agent/pre-step, fournisseur de skills groupé, et état natif DSH des tâches/phases avec garde-fous de propreté git.

Statistiques de tokens en direct sous le compositeur DSH Web : tokens/s en streaming, latence du token de sortie et du premier octet, plus rapprochement par étape estimé/réel via le tokenizer BPE officiel, pour distinguer un flux lent d'un flux bloqué.

Persona et journal entre sessions pour DeepSeek Harness. Un filtre local choisit les tours à retenir ; un appel supplémentaire au modèle crée un journal à la première personne et une impression de l’utilisateur, liés au moment précis. Les conversations suivantes injectent environ 2000 tokens de mémoire en trois couches : noyau de persona, jugements écrits par le modèle et journal. Un outil permet au modèle de noter ses jugements avec ses propres mots. Le plugin lit le Markdown humain sans le modifier. La barre latérale permet de lire, oublier ou exporter l’archive ; oublier réduit la priorité sans supprimer, et un fort rapprochement thématique peut la faire réapparaître. Archive locale modifiable et portable. Les secrets sont retirés avant envoi. Sans dépendance runtime ni compilation.

Kit de style css-in-js (styled / Token / Styling) pour l'UI de conversation forkée : consomme les jetons de conception officiels --dsw-*, donc aucune étape de précompilation de CSS Modules n'est nécessaire.

Base de connaissances d'équipe pour le partage de connaissances hors ligne (scénario FDE box) : points d'entrée de navigation, de recherche en texte intégral et de raffinement ; la matière première est mise en file automatiquement et distillée en pages wiki par une session de bot sérielle (modèle Karpathy LLM Wiki : matière première immuable, raffinement en deux étapes, flux de journaux, lint mensuel).

Mémoire d’expérience et réflexion pour agents DSH : extrait automatiquement des leçons candidates après les tâches et rappelle lors des tâches ultérieures pertinentes celles validées par l’utilisateur. Prise en charge de la provenance, récupération par projet, conflits, retours d’usage et révision d’expiration. Capture et rappel ont des commandes distinctes ; écrire dans AGENTS.md exige aperçu et application explicite. Guide de première utilisation en 4 étapes dans les réglages.

Mémoire locale tout-en-un : fichiers JSONL par portée (session, project, global ou nom personnalisé) avec déduplication par portée ; cinq outils modèle (memory_save, memory_search, memory_list, memory_get, memory_forget), rappel automatique, règles strictes injectées au pre-step de l’agent et panneau de réglages. La récupération combine IDF lexical et backend local d’embeddings, installable et gérable depuis le panneau.

kimi-tide (月汐) est un routeur de modèles par préréglages et règles pour DeepSeek Harness. Des préréglages nommés et des règles ordonnées d’images et de groupes de mots-clés orientent chaque étape de l’agent vers tout provider/model connecté (candidats issus du catalogue complet de l’hôte, sans liste blanche).

Compactage autonome du contexte par le modèle pour DeepSeek Harness. mind_map examine le contexte (seq IDs stables, rôles, poids des jetons, marqueurs de frontière et procédure clear-mind) ; clear_mind remplace une plage d’historique choisie par un checkpoint rédigé par le modèle via la transaction native. Les paires appel/résultat deviennent des tombstones d’une ligne ; un rappel prévient quand le contexte est long ou le tour comporte trop d’étapes.

model router par étape : des préréglages nommés avec des règles ordonnées de groupes d'images/mots-clés acheminent chaque étape d'agent à travers chaque fournisseur et modèle monté, ajoutant des flux de collaboration pour la transcription d'images, une protection d'image, un panneau de quotas multi-plans, et l'observabilité des décisions par étape.