Plugins

Panneau d'anatomie pour les organes d'Agent-Body : sert un tableau de bord de signes vitaux en direct à /anatomy au sein même du harness — organes, battement, registre de guérison, compteurs d'auto-entraînement et le flux de pouls réel — lu directement dans les fichiers d'exécution plutôt que ressaisi. Hôte uniquement, sans bundle client ni étape de build.

Un deuxième cerveau autonome pour DeepSeek Harness : capture automatiquement les connaissances durables du dialogue dans un coffre-fort Markdown local (dedup personnalisé, recherche CJK, compatible git), avec une base de connaissances graphique et un graphe de connaissances interactif (filtre de légende, coloration par dimension temporelle, sélection par boîte, fusion, suppression, export/import PNG).

Shell d'interface mobile pour la Web GUI de DSH : transforme la disposition bureau à trois colonnes en disposition tactile pour téléphone (tiroirs en superposition, FAB déplaçable, dialogues plein écran, historique à défilement infini) sous un viewport de 1024 px, sans impact sur le bureau. - PWA mobile complète pour DSH, construite sur dsh-mobile-gate : passerelle d'accès à distance sécurisée plus installation sur l'écran d'accueil (manifest + service worker), capacité hors ligne, gestes tactiles (tirer pour actualiser, balayage depuis le bord pour revenir, zoom de police par pincement), notifications push de fin d'agent et disposition tactile d'abord — bureau non affecté.

OMK — Observer. Mesurer. Savoir. Modifications de connaissances étayées par des preuves pour les applications IA.

RAG de base de connaissances bibliographiques locale : 10 outils (kb_ingest, kb_search, kb_rag, kb_zotero, kb_dedup, kb_clear, kb_fetch, kb_scope, kb_stats, kb_status), recherche hybride BM25+vecteurs+reranker, questions-réponses avec citations et liens DOI cliquables, embeddings bge entièrement locaux sur un index SQLite en un seul fichier. Nécessite Python 3.9+ avec pymupdf, faiss-cpu et sentence-transformers ; l'installateur `npx dsh-kb-rag-install` les met en place et pré-télécharge le modèle.

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.

Analyse l'usage entre modèles, fournisseurs, espaces de travail et périodes, avec dates personnalisées sur tout l'historique, cache-hits visibles et ventilations par modèle/fournisseur. Comprend tendances horaires/jour, carte de chaleur de 53 semaines façon GitHub, séries, anneaux de tokens par modèle et espace (tokens, coût, %), filtres combinables, efficacité du cache, solde DeepSeek, alias d'espaces, export CSV, et un grand livre durable qui conserve l'usage après suppression de session ou d'espace (ligne Deleted), reconstruit de façon incrémentale. Registre des espaces rafraîchi via la sonde DSH domain/changed ; seuls les espaces enregistrés comptent. Comptabilité séparée : entrée, cache, raisonnement. Chinois : heure locale ; anglais : UTC ; API en loopback uniquement.

Passerelle ShiGuang Memory Engine (SGME) : mémoire à long terme partagée multi-agents via HTTP — distillation L0/L1/L1.5/L2, injection par scénario, recherche unifiée et signaux d'attention proactifs (memory_search / wiki_search / signal_pull / signal_claim / signal_ack), installable comme `dsh-sgme`.

Plugin DeepSeek Harness qui transforme les jugements Jev en trois actions automatiques — élaguer la sortie d'outil surdimensionnée vers les segments pertinents pour la requête, filtrer les pages récupérées à la recherche d'instructions visant le modèle, et choisir la skill adaptée à l'étape suivante — plus les outils jev_ask et jev_gate, un registre de jugements qui survit aux redémarrages et un rapport /jev-status. Nécessite une clé d'API TypeSafe ; sans elle, il reste inerte et n'envoie rien.

Mascotte de bureau dessinée d'après le contour officiel de la baleine, pour l'application de bureau comme pour l'interface web : animations SVG et expressions du visage suivant l'état de l'agent (réflexion, travail, terminé, erreur, attente de confirmation), et elle peut suivre les autres sessions en cours avec un badge de comptage ; tapotez-la, faites-la glisser, secouez-la jusqu'au vertige, écrasez-la contre un bord de l'écran, ou passez le curseur sur sa tête pour une caresse ; 7 palettes, 4 tailles, sons synthétisés, synchronisation du thème clair/sombre et aperçu web jouable.

Boucle d'auto-raffinement continu : mémoire persistante, revue-et-raffinement périodique, connaissance partagée entre sessions, et rollback automatique via un outil harness_refine appelable par modèle.

Base de connaissances en canvas dans la barre latérale droite : les notes sont des nœuds et 9 outils permettent au modèle de les lire, écrire, relier et supprimer. Un nœud peut contenir images et documents ; la lecture renvoie leur texte et extrait les fichiers Office sur place, tandis que les images sont transmises comme images.

Réunions visuelles en table ronde pour DeepSeek Harness — nœuds experts sur un anneau avec arêtes dirigées, passerelle d’agrégation, réflexion par proxy pour les modèles travailleurs en boîte noire, et revue adverse (red-team) des plans arrêtés avec endossement/rejet par point de vue.

Compétence de revue de code pilotée par modèles : flux de revue en cinq étapes, classement par sévérité (critique/moyen/mineur), notation quadridimensionnelle (qualité, sécurité, performance, maintenabilité), sortie double texte et HTML et base de connaissances de référence à la demande.

Atelier design : HTML dans cadre d’appareil, actualisé aux changements ; serveurs locaux relayés avec hot reload. Clic/glisser transmet selector, source et styles. Extrait le système visuel ; ajuste écrans/CSS, génère React/Vue/Next.js/HTML et compare les pixels. Outils : `preview_page`, `check_design`, `look_design`, `extract_design_system`, `handoff_design`, `compare_design`. `check_design` mesure à taille réelle dans Chrome/Edge local caché ; repère recouvrements, erreurs script, assets absents, liens morts, problèmes contraste/taille (fichier/ligne CSS) et capture les cas graves. Design mode, interrupteurs dans Plugins. À distance, fichiers locaux dans un sandbox frame.

RAG de base de connaissances littéraire locale pour DSH : recherche hybride BM25 + vectorielle sur un index SQLite, reclassement par cross-encoder, réponses citées avec provenance au niveau de la section et de la page, rafraîchissement des métadonnées seules et ingestion en arrière-plan avec suivi de progression.

Couche d'intégration native DSH pour le moteur de mémoire Minta : compose la ligne officielle dsh-mcp-client, enregistre la skill minta-memory-governance ainsi qu'un préchauffage de mémoire en début de session, et fournit un preset d'agent Minta ; nécessite le moteur Minta déployé séparément (Python/Docker) pour fournir les 19 outils MCP — inutilisable sans celui-ci.

Un moteur d'écriture de web-fictions pour DeepSeek Harness : rédaction parallèle, plan et brainstorming avec une clé DeepSeek distincte, gestion de l'univers et des présages, récupération vectorielle sémantique, une bibliothèque de corpus, un registre d'utilisation, une relecture mécanique et un plan de sérialisation local.

Recherche Zhihu, outils d'agent, bases de connaissances et suivi d'usage pour DeepSeek Harness.

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.

Pont Windowseat pour DeepSeek Harness : le plugin hôte local expose un endpoint loopback HTTP/SSE afin que l’extension latérale Microsoft Edge incluse lise la page actuelle, recherche les fichiers locaux et échange avec DSH. L’extension Edge se trouve dans le même dépôt mais doit être chargée séparément. Windows 10/11 et Edge de bureau requis.

Un atelier d'écriture de romans pour DeepSeek Harness : vous votez pouce en l'air ou pouce en bas sur des passages candidats, et le modèle les distille en un court profil de préférences reporté dans les appels de rédaction suivants, tandis que le manuscrit reste hors du contexte de rédaction. Ajoute un tableau de chapitres, des packs d'écriture par chapitre, une révision limitée aux annotations qui ne réécrit que le paragraphe annoté et vérifie le reste octet par octet, un registre de projet et des contrôles de rythme locaux.

Ajoute un panneau de réglages multi-utilisateur au client web DSH : sélection du mode d'utilisation, gestion des membres avec statut en ligne et liaison d'appareils, et bascule ou partage des bases de mémoire et de connaissances par membre.

Base de connaissances d'équipe pour le partage de connaissances hors ligne (scénario FDE box) : points d'entrée de navigation, de recherche en texte intégral et de raffinement ; la matière première est mise en file automatiquement et distillée en pages wiki par une session de bot sérielle (modèle Karpathy LLM Wiki : matière première immuable, raffinement en deux étapes, flux de journaux, lint mensuel).