Plugins

Serveur MCP d’atelier GitHub (dsh bundle) : 23 outils MCP pour dépôts, issues, PR, revue de code et recherche ; aucune dépendance d’exécution et authentification PAT/OAuth.

Revue de code contradictoire à plusieurs angles : des analyses parallèles de correction, sécurité et maintenabilité examinent un diff, avec classement déterministe de gravité, règles de suppression et historique incrémental.

Panneau Git/GitHub pour le profil Web DSH : stage/unstage/discard/diff, branches, commit, push/pull/sync, historique, navigateur de fichiers, tableau de workflow et OAuth GitHub avec création de PR.

Synchronisation Git des paramètres et profils DSH selon des règles, avec projections tenant compte des secrets, revue des conflits et commandes d’application ligne par ligne.

Registre de travail intersessions basé sur les événements : enregistrement, suivi et clôture des tâches avec historique d’audit complet, export kanban et résumé du tableau injecté à chaque tour du modèle.

Planification d’exécution persistée sur disque pour DSH : machines à états des jalons/étapes, contrôle des dépendances et flux d’événements d’audit, avec une validation déterministe de l’achèvement via les outils dsh, la CLI ou une skill.

Preset d’orchestration du cerveau principal : persona privilégiant la délégation, verrou d’exécution de la session racine et skill de règles AI-LAW portable.

Orchestration déclarative de DAG de tâches pour DSH : valide les graphes de dépendances, exécute en parallèle les couches topologiques via des subagents pilotés par workflow et propage les échecs de façon déterministe.

Outils de workflow pour le binaire local aflare : génèrent, valident et exécutent des DAG YAML déterministes privilégiant le local (récupération après crash WAL, compensation Saga) via le binaire local. Plus de 300 modèles intégrés.

Pack de skills d’atelier documentaire : quatre Agent Skills uniquement basées sur des prompts pour produire README, descriptions de PR, journaux de modifications et revues de code à partir d’un codebase. Installation dans dsh via une entrée de plugin dsh.bundle.

Skill pour empaqueter DeepSeek Harness en application de bureau Tauri 2 (macOS + Windows) : guides d’installation des deux plateformes, bootstrap via miroir chinois avec sentinelle de délai du subagent, procédure d’outils Windows sans droits admin ni VS Build Tools et listes d’acceptation en trois parcours.

Preset de scaffold pour projets DSH : procédure stricte d’initialisation en 5 phases, normes d’ingénierie et six modèles de démarrage exécutables (node-ts / react-vite / python / go / spring-boot / monorepo).

Pack de démarrage DeepSeek Harness : accueil, parcours d’apprentissage 0→1, recommandations de plugins selon le scénario et liste d’auto-vérification, avec le dépôt du tutoriel chinois dsh-handbook-zh.

Publie un document HTML sous forme de lien partageable qui s'ouvre en un tap et s'affiche en carte dans les applications de chat ; publication, mise à jour et export PNG/PDF/Word.

Voix duplex en temps réel via l’ASR/TTS en streaming de Volcengine : lecture des réponses de l’agent, interruption, mot d’activation, sous-titres en direct, 30 voix chinoises et accusé qui donne la priorité à la réponse. Compilation dans le monorepo DSH.

Saisie vocale dans la Web UI : un bouton micro dans la zone de saisie transcrit la parole dans le brouillon via Web Speech API, avec une option d’envoi automatique.

Ajoute la vision aux modèles textuels : l’outil describe_image délègue les images à un modèle de vision de la liste de modèles dsh via le runtime LLM propre au harness.

Permet à un agent DeepSeek uniquement textuel de lire des images dans la même session en déléguant à un subagent doté de vision ; convertit l’image en chemin lors de l’envoi.

Client HTTP pur qui délègue les tâches répétitives de texte et de vision (OCR, analyse et comparaison d’images) à un serveur Unsloth Desktop (Unsloth Studio) déjà lancé via unsloth_run et unsloth_vision. Il ne démarre ni ne possède jamais de processus.

Délègue les tâches répétitives de texte et de vision (OCR, analyse et comparaison d’images) à un serveur KoboldCpp (llama.cpp) local via koboldcpp_run et koboldcpp_vision, avec gestion à la demande du cycle de vie du serveur.

OCR local pour les images jointes via le moteur intégré de Windows (Windows.Media.Ocr) : seul le texte reconnu est envoyé au modèle, jamais les octets de l'image ; le passthrough de vision est optionnel (opt-in).

OCR locale pour les images jointes via Tesseract : seul le texte reconnu est envoyé au modèle, jamais les octets de l’image ; le passage direct de la vision est facultatif.

Ajoute la vision aux modèles textuels : un modèle de vision décrit automatiquement les images jointes au chat avec un prompt par défaut, puis les réanalyse avec des prompts générés par le modèle si des détails manquent. Comprend les modes de modèle system/custom, un panneau GUI, la gestion sûre des clés et un petit patch hôte pour DSH 0.1.0-rc.6.

Lecture d’images à deux niveaux pour les modèles textuels : d’abord l’OCR local rapide et hors ligne avec RapidOCR, puis un modèle de vision de secours via modlens.