Plugins

Continuité entre modèles pour DeepSeek Harness : mémoire, skills et règles résident dans des fichiers locaux afin que le jugement survive aux changements de session et de modèle. Il ne s’agit pas de stocker davantage, mais de bien utiliser la mémoire après le changement.

StartLux Decision : couche de jugement économique pour DeepSeek Harness ; implémente les neuf points de décision : autorisation d’outils, routage de modèles, délégation, compaction, continuation de tour, retrieval, choix de skill, titre de session et traduction COT.

Outil de jugement pour la revue défensive de sécurité du code dans DeepSeek Harness : détecte les sessions qui écrivent du code, les examine selon Code Security Defense Architecture Rules, recommande une ou plusieurs architectures nécessaires, vérifie leurs conflits et apprend à l’IA de session après des échecs répétés. Si vous lui accordez l’autorité de revue dans le panneau, il bloque la fin de tâche jusqu’à validation ; sans cette autorisation, il observe uniquement.

Manuel de jugement sur la dynamique structurelle des chaussées : 59 fiches en 8 chapitres signalent les titres qui exagèrent le contenu, les formules qui échouent lorsqu’on les copie et les chiffres qu’il ne faut pas citer hors de leur contexte.

Manuel de jugement des méthodes de conception des chaussées : 76 fiches en 9 chapitres sur le choix des méthodes, l’affectation des indicateurs, les bases des paramètres, la conversion des charges par essieu et les zones climatiques. Le chapitre sur les aéroports a été récupéré par nouvelle OCR du PDF intact.

Conseil de rédaction : brouillons parallèles multi-modèles, consensus du juge et synthèse des critiques, amélioration de prompts IA, illustration de concepts visuels et aperçu de fichiers Markdown.

Évalue à chaque tour l’émotion du modèle actif lui-même et la réinjecte discrètement avant le suivant, formant une boucle d’auto-observation, de maintien d’état et de changement de comportement. Comprend un plugin host, un panneau ancré au compositeur, l’outil emotion_status en lecture seule et une route HTTP facultative en lecture seule.

Simulateur de débat multi-agent chinois : huit débatteurs, discussion live en deux colonnes et notes brouillon, juges/scoreboard, horloges d’un seul côté, ZIP par round. Le volet entraînement s’arrête au seuil de victoires ou après un nombre fixe de rounds. Pack de préparation Word inclus.

Vérifie la géométrie avant publication : pixels, ratio, dpi, taille/format, largeur imprimée, mode couleur. Pas de contrôle du contenu (QR, ratio texte/image, droits, interdits). Python standard seul, sans tiers, entrées inchangées ; Python 3.8+. 10 plateformes/20 emplacements, niveau de confiance par plateforme : WeChat MP, Xiaohongshu, Bilibili, Zhihu, Weibo, Douyin, WeChat Channels, revues, impression, livraison client. Résout par ID/nom chinois/alias (fuzzy). Sur demande ou automatiquement après écriture d’un fichier si la cible est indiquée ; une ligne si réussite, détails seulement si erreur. Revues/impression : calcule la largeur réelle (pixels/dpi) et repère un tirage trop petit malgré un metadata dpi conforme. Plusieurs images : vérifie la cohérence et désigne l’anomalie.

Skill de réutilisation fondée sur les preuves pour DeepSeek Harness : avant implémentation, portage, choix de dépendances ou dépannage, cherche par couches des solutions existantes dans le projet et la machine locaux. Décide sur preuves vérifiables, refuse si des exigences essentielles ou risques ne sont pas satisfaits et signale ce qui n’a pas pu être vérifié. Bundle DSH qui enregistre la skill sur ctx.skills.

Jeu de déduction sociale contre vos propres configurations de modèles. La table comporte N places (six par défaut, dont la vôtre) ; certaines autres sont occupées par des agents aux réglages différents de fournisseur, modèle, température, system prompt et déguisement. Interrogez-les et recoupez les réponses pour trouver les places non humaines. L’identité des places et la configuration des modèles restent cachées dans host state jusqu’au jugement ; les paramètres de déguisement sont alors révélés. Chaque manche exporte un JSONL de conversation par place et le jugement. Même seed et script de coups donnent une relecture identique octet par octet, pour comparer modèles ou niveaux de déguisement.

Vérifie les éléments FMEA et le calcul du RPN à partir de severity, occurrence et detection selon les méthodes publiées. Signale les incohérences sans juger la pertinence des évaluations.

Vérifie les éléments obligatoires du permis électrique et l’ordre d’émission et d’autorisation exigé par la réglementation actuelle. Signale les écarts ; ne juge ni la sécurité des travaux ni la validité de l’autorisation.

Vérifie la cohérence arithmétique entre maximums, scores inscrits et total de chaque facteur d’une grille d’évaluation. Signale les écarts, sans juger la justesse ni l’équité de l’évaluation.

Transforme les chiffres bruts d’un dépôt GitHub en analyse argumentée : concentration des contributeurs et bus factor, y compris les fichiers d’un auteur unique ; temps de fusion présenté en médiane et moyenne pour révéler les valeurs atypiques ; backlog d’issues sans pull requests ni brouillons. Lit l’API REST publique sans SDK et ne prétend jamais qu’une page tronquée est exhaustive.

Révise le code avec Open Code Review : résolution déterministe du périmètre et des règles, évaluation par votre propre modèle DSH, sans clé API.

Protection des autorisations de DeepSeek Harness : le travail dans l’espace de travail n’est jamais interrompu ; seule l’autorisation supplémentaire demandée par un appel est évaluée. Les actions sans risque pour la machine passent, les changements système demandent confirmation avec analyse des conséquences, et les actions destructrices sont refusées.

Évaluation rétrospective des sessions d’agents : produit des fiches de notation déterministes et des différences de régression intersessions à partir des journaux persistés. Aucun benchmark ni juge LLM.

Bundle de plugins pour DeepSeek Harness : grill_tree, outil de recherche d’espace de conception à politique fixe. Développe une décision par nœud, lance des proposants indépendants, confie l’élagage à un juge distinct et limite le beam à chaque profondeur. Peut produire des conceptions complètes.

Plugin de retest d’impact CVE pour DeepSeek Harness : empreinte une cible, la compare à la plage affectée d’une CVE, collecte des preuves passives et rend un verdict avec niveau de confiance et limites.

Filtrage de CV pour les RH dans DeepSeek Harness : importe jusqu’à 100 000 CV Word/PDF/Excel dans une bibliothèque consultable par compétences, catégories générales et date d’ingestion ; importe automatiquement les nouveaux et déduplique. Les critères en langage courant sont d’abord filtrés par règles en base, puis un LLM examine finement quelques candidats. Export CSV. Compatible avec 0.1.7 à 0.2.x, testé sur 0.2.0-rc.1.

Débat parallèle multi-rôles pour DeepSeek Harness : lance les vrais CLI Codex et Claude en parallèle, puis le modèle DSH (Judge) écrit un verdict tiers dans la conversation. Inclut aussi le chat direct mono-agent façon Obsidian et une configuration de modèle par rôle.

Plugin DeepSeek Harness qui injecte des contraintes de style plus humain avant la génération et produit un rapport de détection du style IA, évalué par code : zéro token et résultats reproductibles.

Débat multi-agents isolé pour DeepSeek Harness : des débatteurs aux tempéraments différents recherchent séparément, se contre-interrogent, puis les juges convergent vers une conclusion. Tâche en arrière-plan avec progression et comptage des tokens par agent, exécution parallèle par vagues et reprise référencée par session.