Plugins

Réunions visuelles en table ronde pour DeepSeek Harness — nœuds experts sur un anneau avec arêtes dirigées, passerelle d’agrégation, réflexion par proxy pour les modèles travailleurs en boîte noire, et revue adverse (red-team) des plans arrêtés avec endossement/rejet par point de vue.

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.

Mémoire d'équipe auto-évolutive en Markdown brut dans git : un plugin Cordis natif qui enregistre 38 outils mémoire à nom simple plus une section de signaux de prompt réévaluée à chaque assemblage, avec renforcement RPE, décroissance et consolidation pendant le sommeil ; partage un dépôt de données avec ses hôtes Claude Code (MCP) et OpenClaw ; vérifié avec DSH 0.1.0-rc.6.

Ajoute un panneau de réglages multi-utilisateur au client web DSH : sélection du mode d'utilisation, gestion des membres avec statut en ligne et liaison d'appareils, et bascule ou partage des bases de mémoire et de connaissances par membre.

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'équipe auto-évolutive en Markdown brut dans git : un plugin Cordis natif qui enregistre 38 outils de mémoire à nom simple ainsi qu'une section de signaux de prompt réévaluée à chaque assemblage, avec renforcement RPE, décroissance et consolidation pendant le sommeil ; partage un seul dépôt de données avec ses hôtes Claude Code (MCP) et OpenClaw ; vérifié avec DSH 0.1.0-rc.6.

Préréglages Agent Team réutilisables pour DeepSeek Harness. Settings enregistre des Teams nommées : un captain avec son propre prompt et sa liste d’outils autorisés, ainsi que des membres ayant chacun leur route provider/model, reasoning effort, prompt et outils. Un contrôle du composer applique un Team à la Session actuelle, installe le prompt du captain et enregistre spawn_team_member, get_team_preset et update_team_preset.

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.

Convertit les PDF et documents en Markdown structuré avec MinerU. Les fichiers sont envoyés dans le cloud MinerU ; aucun mode hors ligne.

Transformez votre utilisation des jetons DSH en jeu gacha : nourrissez un monstre avec des jetons, gagnez des pièces, tirez parmi 14 waifus IA (Kimi/GLM/Gemini/Claude et plus), améliorez des artefacts, et composez une équipe de combat à la manière de Balatro avec des bonus de connexion quotidienne.

Achemine automatiquement et intelligemment chaque tâche déléguée vers le meilleur modèle configuré à l’aide d’alias, de balises de capacité et de consignes d’usage, en gardant les tâches routinières rapides et économiques tout en envoyant les travaux complexes vers des spécialistes plus puissants. Configurez votre équipe de modèles dans l’interface Web ou via une configuration guidée, exécutez les spécialistes en parallèle avec une fusion de résultats fiable, et voyez le modèle choisi d’un coup d’œil dans les vues de sous-agents et dans l’arborescence Tasks de Better Sidebar.

Intégration de Wallpaper Engine pour l’interface web dsh : analyse la bibliothèque WE locale (Steam Workshop 431960 + projets locaux) et utilise ses fonds d’écran comme arrière-plan de page — images/vidéos/web rendus nativement, fonds d’écran de scène comme aperçus statiques adoucis — avec un panneau de conception de fond d’écran (opacité, portée, remplissage, flou, vignette, fps, parallaxe, carrousel, liaison au thème) et des outils d’agent wallpaper_scan/list/set/config.

Liens profonds de session, export complet de session (markdown/JSON), messagerie inter-sessions approuvée avec appairage, et outils d'effectif, de rotation et de récupération d'équipe pour le travail multi-sessions.

Preset d’orchestration multi-agent pour DeepSeek Harness. Le chief orchestrator n’implémente jamais : il trie chaque demande, confie le plan à un expert PM et délègue la réalisation aux spécialistes via un roster fusionné (outils de liste et de convocation). Il coordonne le parallélisme avec un taskboard DAG de dépendances, utilise un message bus basé sur des fichiers et exige une revue indépendante avant livraison. Comprend 11 experts principaux. Des équipes supplémentaires (Agency agents EN/ZH, classic collections) se téléchargent en un clic depuis Settings via deux canaux, GitHub/CDN, avec vérification sha256. Publié sur npm sous dsh-expert-orchestrator ; nécessite DSH >= 0.1.7-alpha.2.

Règle le nombre de membres et de tâches d’Agent Team, la taille des messages et le délai d’arrêt.

Trois outils permettent à tout agent, y compris un membre d’équipe, de lister, piloter et arrêter les sous-agents qu’il a lancés.

Affiche en temps réel dans le navigateur les fonds d'écran de scènes de Wallpaper Engine (lecteur three.js plus une simulation de particules CPU en Rust/WASM) et lit les fonds vidéo et web, avec repli sur l'image d'aperçu, sans nécessiter le runtime de Wallpaper Engine. Analyse la bibliothèque locale du Steam workshop (431960) par détection automatique ou chemin manuel, et propose un panneau de réglages pour la sélection des fonds, les répertoires de bibliothèque et de moteur, la lueur, la pause et la qualité.

Intégration de Wallpaper Engine pour l’interface web dsh : analyse la bibliothèque WE locale (Steam Workshop 431960 + projets locaux) et utilise ses fonds d’écran comme arrière-plan de page — images/vidéos/web rendus nativement, fonds d’écran de scène comme aperçus statiques adoucis — avec un panneau de conception de fond d’écran (opacité, portée, flou, vignette, fps, parallaxe, carrousel, liaison au thème) et des outils d’agent wallpaper_scan/list/set/config.

Agent d'écriture en collaboration approfondie pour DSH : apprentissage du style d'écriture par utilisateur à partir de paires d'édition, flux clarify→outline→section-writing→red-team→reader-gallery, synthèse projet-vers-rapport (rapport de laboratoire / présentation produit / enquête / README), 41 outils MCP et interface web de sélection-amélioration avec aperçu de fichiers intégré.

Ajoute un onglet « Rôles de travail » et une superposition de bureau en pixel art à l'interface utilisateur Web du harnais DeepSeek : 508 cartes de rôle intégrées (The Agency 255 + Agency-agents-zh 253) avec recherche, bascule EN/ZH et filtre de département ; Des personnages pixel 2D Canvas déplaçables qui se tiennent debout, tapent et rythment, avec un chat inactif qui peut se connecter à l'IA. Installation de npm en une seule commande, aucune modification de la source dsh.

Dispatcher du modèle principal : six pools (economy/mechanical/main/hard/vision/review), classement et pins de reasoning-effort par route. Watermarks de contexte 50k/90k/130k : délégation précoce ; forcé : fork session backup → handover → compactage → reprise sans perdre le travail en cours des sous-agents. /ctx-pause, /ctx-resume et /ctx-handover pilotent le cycle. Agent Teams (opt.) : teammates persistants, tableau partagé. /vision : images aux modèles texte via pool vision. Gros diffs : testeur + reviewer indépendant (vérification graduée). Settings UI/READMEs/langue (conversation/code-comment/document) : 11 codes (en,zh,zh-TW,ja,ko,de,es,fr,it,pt,ru) ; UI suit locale DSH sauf override. 3 skills : MySQL/Redis lecture seule, messages de commit, docs exigences/design.

Noyau de jugement pour DeepSeek Harness : une boucle cognitive attribue une source à chaque décision et mène la planification à son terme ; la mémoire hippocampus transforme l’expérience en connaissances (journal, archive épisodique, baisse de confiance) ; l’architecture fixe responsabilités et critères cohérents ; une équipe A2A gère la mémoire via dsh-linghun-assembler. Nécessite DSH ^0.1.0-rc.7 (rc.2 pris en charge).

Moteur d'orchestration du cycle de vie pour équipes d'agents IA, avec isolation par Git worktree à l'échelle de la tâche, transitions de livraison contrôlées par état et mémoire hors contexte.

Suite d'extensions d'exécution pour DeepSeek Harness : boîte aux lettres inter-sessions avec réveil à démarrage à froid, équipes d'agents (capitaine + membres + tableau de tâches avec dépendances + team_wait), politique de génération de sous-agents avec approbation d'escalade, préréglage de routage conscient des tâches, marché de plugins, gestionnaire de compétences et injecteur d'exécution.