Plugins

Pilote un agent DeepSeek Harness local depuis QQ et d’autres messageries via AstrBot : envoie des tâches avec /dsh, poursuis en citant ou mentionnant le bot, réponds dans le chat aux approbations et à ask_user_question (en parallèle de l’interface DSH). Récupère résultats, images et cartes de fichiers. Inclut commandes session/workspace/model/permission, reprise /compact et /last, trois modes de progression, sessions partagées par groupe ou séparées par utilisateur.

Tableau TODO intersession déplaçable, regroupé par répertoire de travail et réorganisable. Chaque tâche propose trois modes : rappel seul, continuer dans la session actuelle ou en ouvrir une nouvelle dans le même répertoire. Jusqu’à quatre images peuvent être jointes réellement au modèle ; heure locale facultative et cases « terminé par l’IA »/« vérifié par l’utilisateur ». À la fin, l’agent prend la prochaine tâche inachevée du répertoire.

Remplit la fenêtre de contexte, les max tokens, les niveaux de réflexion et l'entrée d'images manquants des modèles DSH personnalisés à partir de models.dev, et liste les modèles sans correspondance pour édition manuelle.

Dépêche des subagents avec des profils nommés (modèle, effort de raisonnement et périmètre d’outils par tâche), contrôles de sécurité, estimation des coûts avec comparaison des économies, et un registre complet des décisions de dispatch.

Révision de trajectoire en lecture seule dans une barre latérale de conversation redimensionnable, avec analyse de règles, explications optionnelles du modèle, navigation dans les preuves et comparaison d'exécutions sur la même plage.

Ajoute un outil de capture d'écran plus deux points de capture automatique optionnels, plaçant l'écran dans la conversation sous forme de bloc image ; nécessite un modèle capable de traiter les images.

Fournit l'outil see_image pour DSH : envoie un fichier image à un modèle de vision compatible OpenAI configurable et relaie sa description à un modèle texte uniquement.

Compétence de vérification d'affirmations qui confronte documents de conception et plans aux faits du code, en escaladant les affirmations comportementales vers une vérification exécutable par primitives logiques pour machines à états et modèles de données, avec régression avant/après, contraintes de domaine et exploration des risques de concurrence.

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 sous-agent d'approbation indépendant juge chaque escalade de sandbox, avec un modèle configurable et un journal d'audit.

Détecte quel modèle de conversation est servi à un compte : lance des conversations-sondes concurrentes jetables, note chaque chaîne de pensée en streaming selon la manière dont s'ouvrent ses paragraphes, et annule en quelques secondes les sondes lues comme l'ancien modèle. Inclut une auto-vérification hors ligne qui rejoue 13 chaînes de pensée étiquetées à la main à travers le même classifieur.

Plugin de planification multi-modèle proactive : ingestion de signaux multi-sources avec déduplication et classement d'urgence, moteur de décision à quatre voies (exécuter/différer/rejeter/demander à l'utilisateur), génération de plan DAG avec exécution parallèle de modèles, réflexion qualité avec réessai automatique et changement de modèle, mémoire long terme pour les motifs de tâches et leçons, et évolution de stratégie via algorithmes génétiques avec évaluation en sandbox et déploiement canary.

Utilisation de l'ordinateur réservée à Windows pour DeepSeek Harness : capture l'écran virtuel et pilote la souris et le clavier via 9 outils construits sur PowerShell et Win32 SendInput ; se combine avec picturereader pour que les modèles textuels bouclent capture-analyse-action-vérification entièrement en local.

Compteur d’usage et de coût local-first pour l’interface web DSH : bouton composer avec coût de session et solde en direct ; panneau avec un graphique empilé quotidien/sur 7 jours par modèle, facturé selon les intervalles de prix catalogue effectifs (la page tarifaire officielle est synchronisée chaque jour), paliers d’usage mensuels avec une carte de partage canvas, alertes de pression de contexte à 30/50/85 % avec /compact en un clic, alertes de budget, et vérification de mise à jour npm dans le panneau avec mise à jour en un clic.

Transfert de session et gestion du contexte : documents de transfert structurés (export/resume/status) pour permettre à une nouvelle session de continuer sans interruption, ainsi qu’élagage actif du contexte (outils acp_* via l’API officielle de compaction avec résumés rédigés par le modèle).

Mise à jour de DSH + synchronisation de la documentation officielle dans Settings : mise à jour npm en un clic de @deepseek-ai/dsh avec progression en direct (flux de sortie npm, minuterie écoulée, barre monotone), protection multi-copies qui ne touche que l’instance en cours d’exécution, mode arbre source via git pull, installation PowerShell 7 en un clic sous Windows, synchronisation incrémentale de docs/ avec progression, et les outils modèle dsh_docs_search / dsh_docs_read.

Vérification des références pour DeepSeek Harness (参考文献真实性检查器) : l'outil de modèle reference_checker vérifie la bibliographie d'un article (.pdf/.bib/.tex/.txt ou texte collé) par rapport à Crossref, OpenAlex et arXiv, rapporte found / partial / not_found / error par entrée et émet des citations corrigées dans le style d'entrée (APA, GB/T 7714, IEEE, Vancouver, MLA, Chicago, Harvard, ACS, BibTeX).

Routage des requêtes d'agent vers des modèles par défaut, planner et subagent configurables, utilisant automatiquement le rôle planner en mode plan, avec effort de raisonnement par rôle et configuration Web UI.

Tableau de bord des coûts pour DeepSeek Harness : agrège les tokens d'entrée/sortie/cache du modèle à travers toutes les sessions locales, les prix avec une table intégrée (incluant DeepSeek peak/off-peak), et affiche les tendances quotidiennes plus des tables par modèle et par session.

Plugin DSH officiel pour nuphus-mcp (par les mainteneurs de nuphus-mcp) : automatisation de bureau et de navigateur (38 outils) avec perception d'éléments PaddleOCR et navigation Chrome CDP, via un processus enfant stdio MCP persistant.

Installe un préréglage d'agent orchestrateur qui planifie et répartit le travail vers des sous-agents spécialisés liés à des modèles (explorer, oracle, librarian, designer, fixer, council), avec des profils de modèles nommés commutables via une CLI omoslim et un bouton de l'inspecteur Web affichant les modèles actuels des sous-agents.

Enregistre codex-web-search-mcp en tant qu'outils MCP natifs de DSH (mcp__codex-web-search__codex_web_search / codex_web_research / web_fetch) pour la recherche web et la recherche approfondie avec Codex et Grok, indépendamment du modèle.

Vision à la demande pour les sessions DSH texte uniquement : les images deviennent des marqueurs, et un outil vision_describe envoie uniquement l'image et la question à un modèle de vision compatible OpenAI

Jeu d'élevage de style Digimon : faites éclore un œuf qui se nourrit de travail réel (tours, appels d'outils, erreurs) et évolue le long de quatre lignées ramifiées selon votre façon de travailler ; zéro jeton, invisible pour le modèle.