Plugins

Mémoire graphe locale en aperçu technique pour DSH et Codex : rappelle les preuves globales du propriétaire et du projet en cours avant chaque tour, écrit les enregistrements USER et ASSISTANT séparément, et préserve la provenance de projet, session, acteur et source pour un atlas visuel et des pages de connaissances citées.

Exporte les événements de tour, modèle, outil, approbation, nouvelle tentative et erreur de DSH (métadonnées uniquement) vers Tuning Engines pour des traces gouvernées, une évaluation des politiques, une analyse des coûts et une revue des Work Sessions, avec une file de nouvelles tentatives persistée sur disque.

Mémoire graphique locale en aperçu technique pour DSH et Codex : rappelle les preuves globales du propriétaire et du projet en cours avant chaque tour, écrit séparément les enregistrements USER et ASSISTANT, et conserve la provenance du projet, de la session, de l'acteur et de la source pour un atlas visuel et des pages de connaissances citées.

Plugin de mémoire Honcho par Plastic Labs : injecte le profil utilisateur, le résumé de session et les conclusions pertinentes au début de la session, téléverse chaque tour vers Honcho en arrière-plan avec les secrets masqués, et ajoute les outils honcho_search / honcho_chat / honcho_remember ainsi que la commande d'état /honcho ; configuré via ~/.honcho/config.json partagé avec les autres intégrations Honcho, contre l'instance hébergée honcho.dev ou auto-hébergée.

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.

Termine les devoirs 头歌 (EduCoder) via l’API JSON de la plateforme, sans automatisation du navigateur. `educoder_sweep` parcourt les cours mais ignore les devoirs terminés sans lire leurs exercices ; un balayage de compte complet ne consomme donc aucun jeton modèle. Les QCM n’en consomment pas non plus, car la plateforme renvoie le corrigé dans toute réponse de soumission. Le modèle génère le code, envoyé avec `evaluate:0` et noté une fois par exercice ; une nouvelle tentative utilise le rapport d’erreur reçu. Outils : `educoder_sweep`, `educoder_homework`, `educoder_account`.

Chat latéral natif côte à côte avec la conversation principale : une session DSH indépendante et archivée avec l'interface native complète, la récupération du contexte parent à la demande, la citation de sélections et un cycle de vie conserver-ou-supprimer.

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.

Mémoire et réflexion pour agents DSH : extrait automatiquement des leçons candidates après les tâches et rappelle celles validées par l’utilisateur lors de tâches ultérieures pertinentes. Traçabilité des sources, recherche par projet, gestion des conflits, retours d’usage et révision d’expiration. Capture et rappel ont des commandes distinctes ; toute écriture dans AGENTS.md nécessite aperçu et application explicite.

Système de mémoire persistante à cinq couches, avec injection par pertinence, extraction automatique par LLM, rotation de profils et six outils d’agent.

Drives a locally installed Moli headless browser from DeepSeek Harness with two tools: rendered fetch, JavaScript evaluation, Markdown, semantic trees, screenshots and PDFs. Installs Moli when it is missing; verified on Windows and Linux.

Combine le squelette de code de Headroom (Apache-2.0) et l’estimateur de TokenPilot (arXiv:2606.17016). Chiffres publiés : Headroom, 20 % de tokens en moins pour les agents de code et 60–95 % pour JSON à réponses égales ; TokenPilot, jusqu’à 60 % de coût en moins sur longues sessions. Ce sont les données de ces projets, pas des mesures ni benchmarks du plugin. Dans DSH, réglez profil, seuil Auto Compact et squelette de code. Mesure exacte avec tokenizer DeepSeek V4, vérification sur la même révision ; pour un modèle non pris en charge, fail-open conserve les résultats d’outils d’origine. Compression par squelette pendant le tour et résumé d’intention final dans la compression JSONL officielle.

Relie un serveur MCP MATLAB local à DSH pour évaluer du code MATLAB, exécuter des scripts et tests .m et inspecter les toolboxes installées via mcp__matlab__*. Nécessite MATLAB et le binaire MathWorks MATLAB MCP Server, puis une modification de chemin après installation. Le plugin seul n’enregistre aucun outil.

Archive de lecture pour dsh : après avoir lu du code open source, capturez des notes rapides ou rédigez des notes approfondies regroupées en une fiche par dépôt / fichier / symbole, stockées comme un journal en ajout seul de notes Markdown ouvrables dans Obsidian ; interrogez votre historique, parcourez les lectures récentes ou cherchez dans votre propre coffre Obsidian et liez les notes associées à une fiche de lecture. Neuf outils, une commande /codevault et une skill de lecture de code.

Lance 3 ou 5 candidats coding-agent dans des Git worktrees détachés, valide leurs patches via les commandes du projet, ne classe que les candidats réussis et exige une approbation séparée avant d'appliquer le gagnant.

Moteur d'équipement de plugins piloté par tâches : double récupération (règles sélectionnées + sémantique LLM), notation combinée (synergie/conflit/coût/confiance), détection des conflits et export des commandes d'installation.

Système de base de connaissances de style Cherry Studio pour DeepSeek Harness (DSH) : bases, documents, découpage, embeddings (compatible OpenAI / Ollama / local / repli lexical), récupération, outils orientés modèle et un panneau de gestion dans le navigateur.

Runtime de vision et Computer Use multiplateforme auditable pour DeepSeek Harness avec des preuves préservant la source.

Consultant en évaluation et amélioration des relations publiques : évalue la probabilité de réussite des relations publiques en fonction des anti-modèles historiques et des modèles de réussite, avec une notation en un clic et des suggestions exploitables.

Planification proactive : un heartbeat adaptatif et un value network (urgence, pertinence, coût d’interruption) décident quand l’agent doit parler sans y être invité.

Pilote le navigateur réel de l'utilisateur via le démon Kimi WebBridge local : outils de navigation, recherche d'onglets, snapshot, clic, remplissage, évaluation, CDP, capture d'écran, réseau, téléversement, export PDF et gestion d'onglets qui réutilisent les sessions de connexion existantes.

Rappel de l'historique de conversation pour DSH : recherche à trois niveaux (littérale/floue/sémantique) sur le texte original de chaque session passée, entièrement locale et hors ligne — l'IA n'oublie jamais ce que vous lui avez dit. Installation en une commande via `dsh.bundle.patch`, la couche sémantique s'exécute dans un thread worker.

RAG à double graphe de connaissances pour notes Markdown avec décroissance de mémoire half-life : graphes de prérequis et de similarité (parcours P/S-Agent), découpage en paragraphes, recherche hybride n-gram/embedding, et boucle explicite de rétroaction pondérale — plugin natif Cordis, installable via npm comme @eqman00003/knowlp-rag.

Onglet dsh-better-sidebar qui analyse statiquement les fichiers Qoder Canvas *.canvas.tsx et les affiche en pages structurées dans la barre droite DSH. La source n’est jamais exécutée : ni eval, bundler ou iframe sandbox. Remplace aussi le lecteur .tsx et fournit un Skill de création du format.