Plugins

Atelier Git façon IDEA pour l’interface Web : graphe avec voies et labels ref, filtres de journal, détails de commit, diff scindé/unifié avec staging par hunk, mode zéro contexte précis, changements locaux avec amend et sign-off, historique suivant les renommages, annotation par ligne, stash, branches, comparaison, tags, planificateur de rebase interactif et résolution de conflits. Inscrit le modèle de la session active dans un trailer Assisted-by et affiche les trailers existants en puces pour tracer l’historique créé par IA.

Vérifie le registre des qualifications de sécurité d’un chantier : heures de formation, quatre éléments de dossier requis et validité des certificats d’opérations spéciales selon les dates travaillées.

Mémoire en trois couches pour DeepSeek Harness : un petit noyau toujours actif et des fichiers thématiques à la demande (profile, preferences, decisions, lessons). Les écritures annotent leurs sources et conservent l’historique par remplacement plutôt que par écrasement, afin d’éviter la dérive des préférences et contraintes de projet entre sessions. Priorité au local : aucune base vectorielle, aucun serveur, aucun appel sortant.

Évalue la difficulté du message courant et affiche au-dessus du compositeur, avant l’envoi, le modèle le moins cher et l’effort de raisonnement suffisants.

Arborescence de sources de données et consoles SQL/Redis façon JetBrains Database pour DeepSeek Harness, avec 15 outils d’agent. SQL nécessite Java 8 ou ultérieur ; Redis non.

Visualiseur de graphe relationnel en forme de cerveau pour DeepSeek Harness, avec pipeline de base de connaissances Markdown qui importe des documents et construit le graphe. Le visualiseur inclut des données de démonstration et n’exige pas Python ; reconstruire le graphe depuis ses notes nécessite Node.js 20+ et Python 3.8+ et s’exécute en ligne de commande.

Simulateur de débat multi-agent chinois : huit débatteurs, discussion live en deux colonnes et notes brouillon, juges/scoreboard, horloges d’un seul côté, ZIP par round. Le volet entraînement s’arrête au seuil de victoires ou après un nombre fixe de rounds. Pack de préparation Word inclus.

Tableau en langage clair pour dsh trust : agrège neuf canaux (interception injection, refus d’écriture, blocage egress, vérification custody-chain, dérive tool-surface/prompt, scan résiduel, contraintes oubliées en compaction, composition du profil) en voyant de statut et cartes actionnables. Les moteurs read/egress utilisent leurs propres deps npm, donc fonctionnent sans plugins frères ; les absents indiquent not installed.

Intégrité de compaction : compare au résumé les lignes directives extraites de la plage compactée (marqueurs never/must/必须), mot pour mot ou par couverture des mots clés. Signale et consigne dans un ledger JSONL les contraintes oubliées ; celles épinglées en config sont contrôlées à chaque compaction.

Tableau local de scalaires TensorBoard : métriques sélectionnables, sens d’amélioration explicite, lissage EMA facultatif et UI chinois/anglais. Requiert Python et TensorBoard existants.

Sortie vocale GPT-SoVITS pour DSH : outil speak, commande /voice, bouton de lecture sous chaque réponse et onglet de réglages pour changer de voix, régler la synthèse, gérer le service local et installer un pack vocal en un clic. Windows uniquement ; nécessite un checkout GPT-SoVITS local avec poids entraînés et son environnement Python.

Reconnaissance d’image structurée : mesures locales avec sharp et modèle vision cloud renvoient en un appel description, OCR avec coordonnées, positions des objets et attributs détaillés. Un cache par empreinte rend les images répétées en quelques millisecondes sans consommer le quota modèle.

Impose dans le system prompt une contrainte de réflexion et réponse en chinois (zh-CN), puis enregistre un rappel runtime à chaque étape pour éviter le retour à l’anglais après la sortie d’un outil. Un seul fichier, zéro dépendance runtime. Si l’API host change, utilise une seconde méthode d’enregistrement et journalise seulement un avertissement.

Transforme une sauvegarde Minecraft Java en couverture ou animation Blender. Repère le terrain plat dans les fichiers région .mca, exporte le terrain en OBJ et lance Blender headless avec matériaux MCprep, rig de personnage BPS et éclairage trois points. Après chaque rendu, OpenCV vérifie orientation, contact au sol, exposition, éclairage et composition ; en cas d’échec, le rendu est recommencé avec des paramètres ajustés. Requiert Blender 4.2 LTS ou ultérieur et Python 3.10+ avec opencv-python et numpy ; au premier lancement, la commande incluse prépare les ressources Minecraft.

Rend exécutable une pensée philosophique : dialectique et mise à l’épreuve pratique pour limiter hallucinations et dérive des longues sessions, afin que l’achèvement soit un fait vérifiable plutôt qu’une déclaration.

Contrôle de la toolchain FPGA Gowin (高云) 1.9 pour dsh, avec 15 outils : environnement/licence, audit .gprj/.cst selon brochage réel GW1N, synthèse et placement-routage batch gw_sh, rapports PnR, JTAG/flash programmer_cli, Tcl gw_sh arbitraire et capture logique GAO en ligne. Inclut la skill gowin-fpga et trois notes terrain. JS pur, aucune dépendance runtime.

Panneau flottant qui met en lumière les primitives sémantiques HowNet concernées par la réponse, sous forme de graphe cérébral, tracés de canaux façon EEG et carte de composition.

Deux jeux dans DeepSeek Harness : le modèle fournit l’intention, le moteur local gère les règles. Un serpent à deux cerveaux tire périodiquement une carte stratégie ; aux échecs chinois, le modèle commente seulement un coup choisi parmi des candidats légaux générés localement. Les jeux continuent si le modèle est lent, hors ligne ou à court de quota.

Installe une bibliothèque évolutive de règles de contraintes de développement, accessible à l’agent via un outil constraints et un rappel une fois par session ; audite aussi le coût des tokens IA et l’usage du contexte.

Boucle d’auto-amélioration à trois rôles : Data-RSI nettoie quotidiennement (winsorize→standardisation cross-sectionnelle→median fill) et extrait l’expérience ; Harness-RSI fait évoluer prompt/mémoire/skills ; Model-RSI fait évoluer les recettes alpha par walk-forward natif, gap de 2 jours et multi-seed. Hors ligne en une commande, détection GPU, un skill.

Colorie les lignes de session de la barre latérale DSH selon leur statut officiel, avec une palette inspirée d’Evangelion : rail bleu en attente d’interaction, rouge pour la session ouverte dans la vue principale, violet pour une session terminée mais non consultée et titre arc-en-ciel statique pour les lignes épinglées. Chaque couleur dépend du mode : tons vifs en sombre, variante plus foncée en clair pour un contraste de 4,5:1. Lit le marqueur sombre natif de DSH et n’utilise que les services officiels Client ; aucun état propre, polling ou composant côté host.

Gouverne les informations persistantes et contraintes de projet de l’agent : orientation/périmètre, cycle de vie des informations/documents et mutations durables du workspace, via une section additive au system prompt et des contrôles runtime déterministes.

Affiche le quota OpenCode Go en bas de la barre latérale, sous les espaces. Une cellule indique la fenêtre la plus contraignante ; au survol : pourcentages glissants sur 5 h, semaine et mois, barres d’utilisation, marqueur de temps écoulé, part restante et compte à rebours de réinitialisation. Mise à jour toutes les 60 s via l’API officielle OpenCode avec la clé déjà stockée par DSH.

Améliore la lisibilité de l’interface Web DSH selon le fond : relève trois tokens de texte secondaire peu contrastés via `color-mix` et un halo réglable. Applique au seul Markdown de conversation des règles de gras, liens toujours soulignés ou recolorés, titres et texte teintés ; ajoute des effets réglables de bord arc-en-ciel et de dégradé, charge des polices depuis le dossier du plugin ou DSH home et propose un aperçu WYSIWYG déplaçable avec badge de contraste WCAG.