Plugins

Plugin natif de graphe de connaissances Graphify fournissant 10 outils d'intelligence de code, recherche topologique, découverte de nœuds dieu et triage du rayon d'explosion de PR.

Un coffre Obsidian partagé pour tous les agents : cœur Python sans dépendances (recherche/promotion/arbitrage/oubli), modèle de coffre, plugin dsh (memory_search/show/submit/status).

Une seule couche de mémoire pour tous les outils et agents IA : injection de Context Bundle, rappel au moment du prompt, outils MCP, et capture du fil DSH à la fin de chaque tour.

Connecte DeepSeek Harness à Busabase : rechercher les connaissances de l'espace de travail, travailler avec des enregistrements et applications structurés, soumettre les écritures sous forme de ChangeRequests révisables et inspecter les résultats dans des cartes en direct.

Exécute TiddlyWiki 5 comme base de connaissances persistante de DSH : dix outils d'agent tiddlywiki_* (recherche filtrée, lecture/écriture/lot/renommer/supprimer, récents, étiquettes, synchronisation git avec résolution de conflits), un éditeur TiddlyWiki complet intégré dans la colonne centrale de l'interface graphique via un proxy de même origine, un onglet wiki sur le côté droit, un onglet par session résumant les notes lues ou écrites par une session, une carte de note rapide avec sauvegarde automatique du brouillon, et un bookmarklet de capture optionnel avec pièce jointe image — le tout soutenu par un dépôt git avec commit automatique.

Un essaim gouverné de six agents DSH spécialisés — orchestrateur, planificateur, passerelle vers la base de connaissances, développeur et deux relecteurs — transforme une exigence en pipeline strict par phases où chaque livraison doit faire ses preuves avec des éléments de preuve structurés avant que la phase suivante ne puisse commencer ; les relecteurs sont en lecture seule, les fusions de code n’ont lieu qu’après une relecture, et un journal d’événements en ajout seul permet une relecture complète et un audit sur un tableau kanban en direct. Sa conception s’inspire du kanban de Hermes Agent.

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.

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.

Base de connaissances polyvalente pour DSH : importation de fichiers md/txt/json/yml/docx/pdf, gestion des dossiers, recherche plein texte FTS5 (BM25) et une interface web d'administration.

Préréglage d'agent piloté par base de connaissances : mémoire à long terme type wiki, une interface web de base de connaissances, une page de gestion et des améliorations optionnelles de l'interface.

Base de connaissances selon le motif Karpathy LLM Wiki pour DSH : compétences wiki-write/wiki-search, pipeline sans dépendance (lint/index/synchronisation mémoire mnemon/retour qualité), plugin de cycle de vie minimal injectant schéma + aperçu des connaissances, rappel sémantique SiliconFlow via un proxy compatible Ollama.

Une base de connaissances de style Obsidian : ingérez des sources, laissez le LLM construire et maintenir un wiki interconnecté, et posez des questions ancrées dedans.

Outils natifs pour un coffre wiki Obsidian : wiki_query, wiki_write, wiki_rename, wiki_scaffold, wiki_archive et wiki_lint couvrent la recherche BM25 avec contexte de graphe de liens, les écritures comptables avec suivi des sources par sha256, les renommages à l'échelle du coffre, les scaffolds de modes, l'archivage des sources et les vérifications d'intégrité — avec des verrous inter-processus et un git auto-commit optionnel.

Pont de tutorat DeepTutor : explications profondes, questions d'auto-test, planification de parcours d'apprentissage, recherche de base de connaissances personnelle (RAG), et archivage de notes via les outils deeptutor_run / deeptutor_kb / deeptutor_note.

Contexte de réseau de connaissances métier pour DeepSeek Harness : liez une session à un réseau de connaissances OpenBKN, interrogez ses objets et ses métriques via des outils MCP gérés, et ouvrez une provenance adossée aux traces (faits d'exécution et graphe métier) pour chaque réponse. Fourni avec l'OpenBKN Runtime ; les vues de provenance exigent une licence entreprise OpenBKN.

Relie le graphe de connaissances de code Codebase Memory MCP à DSH et maintient les dépôts indexés à jour grâce à un observateur de système de fichiers débouncé. Pont MCP réservé à Windows (la partie observateur est multiplateforme) ; installe automatiquement sa CLI npm via npx au premier lancement.

Plugin d'optimisation pour DSH Desktop. Contraintes injectées seulement si utiles (zéro token au repos), en couches : texte stable dans le prompt, volatil en fin ; cache du prompt préservé. Chaque tour est classé (question/recherche/discussion/diagnostic/exécution) : pas d'édition en question ni de correctif non demandé en diagnostic ; citations de code non ouvert, négations sur des symboles non vus, exigences hors livrable : signalées ; tout code, champ ou id est expliqué en clair dès sa première apparition. Mémoire : alertes à 75 %/90 %, connaissances de projet par répertoire de travail, supprimables par id. Artefacts : contrat de tâche, journal des modifications. Tableau de bord : routage et blocs dans lume-metrics.jsonl via lume_metrics ; personas distillés de journaux ou fiches.

Un outil read_graph adossé à un graphe de connaissances du code (relations CONTAINS / EXPORTS / IMPORTS / IMPORTS_SYMBOL).

Un noyau de jugement pour DeepSeek Harness : une boucle cognitive qui donne une source et une attribution à chaque décision et mène la planification jusqu'au bout, une mémoire hippocampe qui condense l'expérience en connaissances réutilisables, et une carte de persona personnalisable (nom, personnalité, style de communication). Nécessite DSH ^0.1.0-rc.7.

Plugin de base de connaissances : construisez des paquets de base de connaissances auditables (références + SQL).

Graphe de connaissances de code local pour les agents : analyse une base de code (Python/JS/TS/Go/Java/Rust) en un index SQLite et répond aux questions sur appelants, appelés, dépendances, dépendants, impact et plein texte.

Conversion des commandes CLI Lanting en outils + garde L0 : 9 outils de mémoire + 6 outils de qualité (enregistrement defineTool, spawn venv _cli.py) + garde d'écriture/d'appel direct

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.