Plugins

Auto-amélioration nocturne pour votre agent DeepSeek Harness : récupérez hors ligne les sessions passées, rejouez les tâches récurrentes avec votre propre budget API et consolidez les compétences validées derrière une porte de validation séparée. Intègre le moteur SkillOpt-Sleep de microsoft/SkillOpt à dsh sous forme d’outils natifs et d’une compétence fournie, sans entraînement des poids. Nécessite Python 3.10+ et le moteur SkillOpt-Sleep (pip install skillopt).

Tableau de bord complet des problèmes locaux intégré dans l'interface graphique Web DSH : vues Kanban / liste / Gantt / flux de travail / tableau de bord, chat IA par tâche, pièces jointes et étiquettes, revendication automatique des tâches à effectuer pilotées par les routines dsh - les données vivent dans le SQLite local (le plugin dsh ajoute @ttmouse/dsh-taskboard).

Google Antigravity CLI (agy) en tant que sous-agent produit DSH : déléguez des tâches à un agent de codage Gemini avec votre identifiant Antigravity (sans clé API), avec des suivis de conversation, une progression en streaming en arrière-plan, l'analyse d'images par chemin et une fenêtre contextuelle de connexion.

GPT planifie les DAG de dépendances, les workers DeepSeek exécutent les tâches avec un parallélisme adaptatif, et un relecteur GPT optionnel audite les diff Git incrémentaux et pilote les cycles de correction.

Ajoute des contrats d'exécution persistants, des graphes de travail récursifs, des clarifications critiques et des portes de vérification par preuves pour les tâches Harness longues ou insuffisamment spécifiées.

Portage de TaskPlane pour DSH : exécute des vagues ordonnées par dépendances dans des voies git-worktree parallèles, avec paquets de tâches, revue entre modèles et récupération après incident.

Un préréglage d'agent de codage plus rapide, plus efficace et plus précis. Sur 100 tâches difficiles SWE-bench Pro sélectionnées selon des critères multidimensionnels de difficulté, le temps moyen écoulé a diminué de 36 %, le nombre moyen de jetons d'entrée par tâche de 17 %, et la précision a augmenté de 5 points de pourcentage.

Planification de projet en carte mentale avec protection contre les dérives bloquantes : plans, modules et tâches sous forme de DAG de dépendances avec ordre d'exécution topologique, marqueur de position de l'agent, validation humaine à chaque modification du tableau, recoupements git et achèvement des tâches conditionné par des preuves.

Équipes multi-agents dirigées par un capitaine qui découpent un objectif en tâches et les répartissent le long d'une chaîne d'exécution vers des membres s'exécutant dans leurs propres sous-sessions, chacun avec son propre modèle.

Entrées de mémoire SQLite, un calendrier avec rappels d'échéance et des tâches d'agent planifiées par cron, avec 13 outils de modèle et une interface bilingue zh/en.

Tableau de tâches en canvas porté depuis CodexFF : tâches hiérarchiques parent/enfant avec limites, panneaux déplaçables alignés par magnétisme dans un onglet de vue de conversation, plus des outils d'agent `board_*` / `task_*` et une skill de synchronisation.

Panneau de tâches planifiées pour gérer les crontab de l'agent DSH et du système, avec saisie en langage naturel et journaux d'exécution.

Tâches planifiées de l'Agent DeepSeek Harness avec tests de bout en bout obligatoires, historique d'exécution et livraison bidirectionnelle via neuf canaux de messagerie.

Orchestration de flux de travail de type superviseur sur les sessions de niveau supérieur : dispatch par lots avec confirmation, flux de travail d'équipe, pilotage des tâches en cours, collecte en attente et découverte en direct des routes de modèles sur 11 outils task_* plus la commande slash /tasks.

Plugin de limitation de débit pour DeepSeek Harness qui évite les erreurs d'API 429 pendant les tâches longues, avec des rétrospectives de tâche.

Bundle de préréglages d'agent pour la gestion des souhaits et des tâches : créez des souhaits ou des tâches depuis la conversation, des points d'étape les jours d'opportunité, des micro-actions, plus un stockage de mémoire et des graphiques de progression dans l'interface web.

Un agent frontal vocal conversationnel pour dsh : parlez naturellement via ByteDance Duplex, déléguez les requêtes à des tâches d'arrière-plan et écoutez leurs résultats asynchrones rapportés par la voix.

Gestion des sessions archivées, notifications d’arrêt de tâche, vérificateur de mises à jour, routage de modèle (règles par mot-clé + model_route protégé par allowlist (liste blanche)), déclencheurs planifiés multi-tâches (heartbeats et tâches à heure fixe), et navigation de défilement des messages de type DeepSeek pour l’interface Web dsh.

Routage automatique Flash/Pro pour les appels de sous-agents DeepSeek Harness : les tâches légères s’exécutent sur un modèle économique (p. ex. V4 Flash), les tâches lourdes restent sur le modèle puissant, avec substitutions par appel et modes de session /delegate.

Serveur A2A (Agent-to-Agent) natif pour dsh : expose ce dsh en tant qu'agent appelable via HTTP avec des tâches JSON-RPC.

Expose l'espace de travail DSH comme API HTTP : parcourir, rechercher et lire des fichiers, et exécuter des tâches d'agent en langage naturel répondant avec des sources citées.

team-task pour DeepSeek Harness : tâches multi-agents à long horizon — un lead planifie un DAG revu, des membres durables exécutent, un journal d'événements fait foi et un réconciliateur résident survit aux plantages et redémarrages.

Éteint Windows automatiquement à la fin des tâches DeepSeek Harness : un bouton d’armement flottant et une bannière de compte à rebours annulable (shutdown /a), sans dépendances à l’exécution.

Un essaim matriciel de sous-agents qui route des tâches hétérogènes vers le modèle le plus adapté depuis une passerelle de type OpenRouter et cfgpu.com/llm/square, exécute chaque tâche via des sous-agents en processus ou des appels LLM directs, et suit la consommation de tokens par modèle avec un classement piloté par le feedback.