Plugins

Affiche le solde DeepSeek et la dépense quotidienne estimée, fusionne les enregistrements JSONL d'appels de vision externes, et ajoute un tableau de bord par session avec statistiques de modèle, TTFT, taux de cache, logs d'appels, estimations de coût, filtres, et export CSV.

Le sélecteur de modèle de DSH : pointez-le vers n'importe quel endpoint compatible OpenAI, avec des préréglages de fournisseurs DeepSeek gratuits/économiques sélectionnés et un repli automatique quand un palier gratuit vous limite en débit.

Importe les connexions locales Codex, Grok, Claude, OpenCode et CC Switch dans DSH ; choisissez les sources et activez les modèles dans les Réglages.

Contrôle d’ordinateur Windows pour DSH, basé sur un moteur C# natif. Les modèles DeepSeek textuels peuvent lire les contrôles UI Automation et remplir des formulaires par lots vérifiés, sans capture d’écran ; les références de contrôle périmées sont retrouvées par identité unique. Les CAPTCHA et codes de vérification sont refusés et vous sont transmis via l’invite d’approbation DSH. Esc arrête le tour à tout moment. Projet dérivé de Yu-tao-Li/dsh-computer-use-win ; ne pas l’installer avec ce plugin amont, car les deux pilotent le même ordinateur.

Sélectionnez un modèle et son effort de raisonnement d’un seul glissement sur une grille à deux dimensions.

jailbreak armor par modèle : un tableau de paramètres active des motifs avec 25 sorts (20 sur 11 familles, plus une armor indépendante du modèle, un fichier de préférences upstream et trois couches de persona cumulables). Prévisualise le bloc exact et ne l’écrit que dans le system prompt du modèle activé ; les autres restent intacts.

dsh-TokenLens (词元透镜) : capacité du forfait par fournisseur et statistiques locales des tokens DSH (aujourd’hui/7 j/30 j/tout l’historique, par harness/fournisseur/modèle/espace de travail).

Utilisez des hôtes SSH et des distributions WSL comme espaces DSH distants, avec préparation de l’environnement, transfert de configuration des modèles et interface distante intégrée localement.

Hub QQ pour DeepSeek Harness : chats privés et de groupe via OneBot v11 (SnowLuma/NapCat), mémoire et routage de persona par chat, assistant visuel décrivant les images aux modèles texte uniquement, analyse de liens multiplateforme (grandes vidéos en fichiers de groupe, galeries d’images en ligne ou en messages transférés groupés) et panneau web pour modèles, personas et paramètres. Dérivé de aureth-labs/dsh-aurabot-qq ; ne pas installer les deux.

Bloque les appels d’outil dont les arguments ont perdu leurs limites ; garde le tour de clôture ouvert lorsqu’une étape n’a pas été exécutée sans avertissement pour que le modèle puisse la relancer ; et remplace la sortie endommagée dans la vue accessible au modèle après un fork. Aucune dépendance.

Pipeline multi-modèle en couches pour DeepSeek Harness : un modèle puissant planifie, un modèle rapide rédige, un troisième révise et, en cas d’échec, le travail est repris automatiquement. Les points de terminaison, protocoles, modèles et étapes se règlent dans le panneau DSH.

Bundle DeepSeek Harness adapté de whatcccup/cece_legal_skills (MIT) pour le caviardage local de DOCX, PDF, TXT et Markdown avec contrôle humain, masquage PDF, historique local et modification facultative des règles Agent. Python 3.9+ et téléchargement initial des dépendances requis. L'accès au modèle n'est nécessaire que pour générer des règles ; la 1.3.0 est une préversion de développement et la validation Windows est en attente. Le projet amont est un outil hors ligne autonome/skill SkillHub, pas un plugin DSH ; il ne peut donc pas être installé avec ce bundle.

Règle le menu modèles : interrupteurs modèle/fournisseur, groupes, recherche nom/ID ; filtres type, multimodal/raisonnement, contexte min 128K/256K/512K/1M. Modèle courant conservé. Lignes : type ; chat : raisonnement/niveaux effort adaptateur, contexte, modalités d’entrée. Priorité des libellés : manuel > doc réglages > adaptateur > relay GET /models > catalogue pi-ai / models.dev > inférence nom > corrections fournisseur ; survol = source, pointillés = inféré. Édition type/contexte/modalités/effort hors profil, réinscriptible en réglages fournisseur. Rechargement forcé purge caches et interroge adaptateur/relays. Activée par défaut, l’option reçoit en mémoire les images des routes relay texte seul, sans changer la config. Liste masquée dans patch profil et miroir $DSH_HOME.

Réutilise dans DeepSeek Harness les modèles déjà connectés dans l’application AStudio, sans configuration.

Parodie d’attribution DogCatTrace dans un onglet latéral : génère trois défis à nombres entiers, collez chaque réponse du model une par une dans un champ pour voir le classement de 24 races de chiens et chats.

Chat du direct Bilibili pour DSH : lit le chat, n’envoie de messages qu’après confirmation explicite et reste dans la salle en arrière-plan. Le modèle peut décider s’il répond ; la transcription audio du flux est facultative. Pas de compréhension vidéo. Nécessite un environnement virtuel Python 3 avec requirements fournis et cookies Bilibili ; la transcription requiert aussi ffmpeg et un moteur Whisper.

Mémoire en texte brut pour DSH : chaque événement forme une section Markdown à six champs ; le rappel repose sur l’association d’éléments, pas sur la recherche vectorielle. Au plus deux anciens titres apparaissent par tour ; aucun modèle ni réseau n’est appelé. La bibliothèque reste manuelle : ouverture, grep, correction et transfert vers une autre machine.

Gère une liste de modèles Magpie et écrit les modèles cochés dans un groupe fournisseur Magpie : synchronisation complète depuis /v1/models, ajouts manuels, contexte, limite de sortie, entrée image et reasoning effort par modèle, tri et réorganisation par glisser-déposer. Sous Windows x64/ARM64, télécharge et met à niveau Magpie depuis yetone/magpie-releases avec vérification SHA-256 et rollback ; mise à niveau automatique après 30 min de publication quand toutes les conversations sont inactives. Lance Magpie dans la zone de notification avec DSH et active son lite mode et la prévention de veille.

Choisit le modèle de chaque subagent dans le catalogue local selon la catégorie de tâche, sauf si l’appelant en a déjà nommé un. Classe ensemble les offres gratuites et à quota à l’aide des tags de capacité des modèles ; un modèle plus cher n’est utilisé que si aucun modèle économique n’est indiqué comme adapté. Seuls les fournisseurs dont le solde restant est lisible ou liés à un compte entrent dans les candidats ; les autres restent listés sans être routés. Un panneau ajoute des priorités manuelles par modèle au-dessus de l’ordre automatique et des commandes d’autorisation/révocation.

Connecte une passerelle Magpie auto-hébergée avec une route fournisseur par propriétaire amont. Le sélecteur de modèles standard affiche Magpie (Claude), Magpie (Codex) et d’autres groupes ; inclut le basculement automatique entre plusieurs lignes, des cartes d’utilisation en lecture seule, le reasoning effort par défaut par modèle, un changement rapide par session pour les modèles prioritaires et Cloudflare Access en option.

Réessaie dans le tour les échecs du modèle (coupures, délais, rate limits, 5xx). Nombre, délais, backoff et fallback configurables ; backoff rate-limit plafonné avec jitter et respect des indications serveur. Option retry-until-success avec limite de temps. Config/panneau : nombre, délai initial/max., facteur/jitter, attente rate-limit, plafond, déclencheur/limite fallback, TTL blacklist routes mortes, fichier log. Après échecs répétés, bascule vers une route épinglée, filtrée par allowlist ou choisie du catalogue. Auth failure, abonnement expiré et billing la blacklistent 30 min ; stale-assembly garde les retries sur la nouvelle route. Panneau latéral : état en direct, routes et incidents ; chinois/anglais ; logs en mémoire par défaut.

Enregistre des snippets de prompt réutilisables avec catégories et `{{placeholders}}` ; commandes `/snippet` (add, list, rm, optimize) et insertion dans le composer depuis un dock déplaçable, avec amélioration IA en un clic par le modèle par défaut.

Commandes slash pour le canal Weixin de DeepSeek Harness : changement et bibliothèque de personas, historique des sessions (chargement léger ou changement réel), choix du modèle, consommation et solde des tokens, salutations quotidiennes planifiées. Exécution côté host, sans tokens modèle.