Plugins

Flux de travail d'ingénierie prédéfinis pour DeepSeek Harness : un outil dev_task qui contrôle les transitions d'étape, les artefacts, la vérification, la revue et la portée des commits, plus un atelier web pour installer des skills et des règles de projet ou d'utilisateur.

Tableau de bord intelligent pour DeepSeek Harness : cartes de tâches + dispatch ponctuel de Worker/Verifier + ordonnancement des dépendances + pipeline par paliers + mode Team (les ambiguïtés sont remontées à la fenêtre principale pour arbitrage)

Salons d'équipe multi-agents persistants et inter-sessions pour DeepSeek Harness — membres, bus de messages, tableau de tâches partagé et chronologie partagée qui survivent aux redémarrages.

Moteur d'orchestration du cycle de vie pour équipes d'agents IA, avec isolation par Git worktree à l'échelle de la tâche, transitions de livraison contrôlées par état et mémoire hors contexte.

Redémarrage progressif + reconnexion automatique du client + poursuite de l'objectif de redémarrage croisé pour le harnais DeepSeek (dsh). Après une mise à jour du plugin, dsh-phoenix redémarre dsh à une limite d'inactivité sécurisée, maintient la page du navigateur connectée et reprend un objectif en cours afin qu'une tâche puisse continuer.

Orchestrateur multi-modèles : le cerveau principal décompose les tâches complexes et répartit les sous-tâches vers des sous-agents GLM / Kimi / Qwen selon les forces de chaque modèle, avec l'usage de jetons par modèle.

Exécute des tâches d'agent ponctuelles et récurrentes au format RFC 5545 dans de nouvelles sessions DSH, avec édition visuelle du planning et historique lié aux sessions.

Plugin d'optimisation pour DSH Desktop. Contraintes injectées seulement si utiles (zéro token au repos), en couches : texte stable dans le prompt, volatil en fin ; cache du prompt préservé. Chaque tour est classé (question/recherche/discussion/diagnostic/exécution) : pas d'édition en question ni de correctif non demandé en diagnostic ; citations de code non ouvert, négations sur des symboles non vus, exigences hors livrable : signalées ; tout code, champ ou id est expliqué en clair dès sa première apparition. Mémoire : alertes à 75 %/90 %, connaissances de projet par répertoire de travail, supprimables par id. Artefacts : contrat de tâche, journal des modifications. Tableau de bord : routage et blocs dans lume-metrics.jsonl via lume_metrics ; personas distillés de journaux ou fiches.

Plugin DeepSeek Harness qui économise agressivement les tokens sans nuire à la qualité : troncature sans perte en tête/fin des résultats d'outils (par défaut), repli des résultats grep, délégation à dsh-compaction-basic déclenchée par la pression, et une sous-classe CompactionEngine à résumé LLM pour le mode agressif. Économise 97,6 % des tokens d'entrée sur une suite synthétique de 8 scénarios, toutes les réductions passant par le flux d'événements dsh pour que modèle-visible = journalisé reste vrai.

Mode commandant pour l'interface web dsh : un bouton en un clic dans l'en-tête de session injecte un brief de protocole dans la session, puis analyse et exécute automatiquement les blocs de tâches de la réponse du modèle — séparant la boucle du stratège des boucles des travailleurs via un badge visible.

Système Windows et notifications de bureau personnalisées pour les événements DeepSeek Harness : tâche terminée, échouée, en cours d'exécution, en attente d'approbation et en attente de réponse. Cliquez pour accéder à la session.

Plugin de planification multi-modèle proactive : ingestion de signaux multi-sources avec déduplication et classement d'urgence, moteur de décision à quatre voies (exécuter/différer/rejeter/demander à l'utilisateur), génération de plan DAG avec exécution parallèle de modèles, réflexion qualité avec réessai automatique et changement de modèle, mémoire long terme pour les motifs de tâches et leçons, et évolution de stratégie via algorithmes génétiques avec évaluation en sandbox et déploiement canary.

Tableau Kanban pour DSH : machine à états de tâches avec isolation de branche git, exécution automatique par l'agent, et fusion pilotée par revue.

Sonneries de fin de tâche par espace de travail, plus des sons d'alerte pour l'approbation, les questions, la revue de plan, le blocage d'objectif et l'échec de tâche, avec synthèse intégrée, voix (TTS) et audio personnalisé.

Ajoute des artefacts de spécification, des skills, des commandes, une implémentation adossée à des objectifs, et un contexte de progression des tâches.

Moteur de gestion de tâches intégré : protocole de points de décision, mur de capture d'idées, dépôt de tickets façon Linear.

Route chaque tâche vers un modèle et sa révision vers un autre, avec preuves de qualification, bascule et un journal durable.

Apparie deux machines DeepSeek Harness avec un code à usage unique — directement sur un réseau local, ou entre réseaux via un relais chiffré de bout en bout avec un défaut officiel sans configuration — pour qu'un agent puisse exécuter des tâches et échanger des fichiers sur l'autre machine, chaque machine gardant ses propres fichiers en place.

Optimiseur de prompt structuré par agent pour DeepSeek Harness : réécrit les brouillons du composeur en role/task/context/constraint/format avec les modes normal, slim et expand, une modale de confirmation avec score, continue-optimize, et des moteurs local, hybride, DSH ou API cloud.

Des revues d'advisor qui convergent au fil des tours, un mode ingénierie dont les écritures exigent un jeton de conception, l'escalade d'une tâche vers un modèle plus fort et une consultation parallèle multi-modèles ; une page de réglages édite les routes de modèle, les délais et les budgets.

Pont/plugin DeepSeek Harness pour A2S avec sessions distantes, espaces de travail, approbations, tâches et reconnexions résilientes.

Changement de modèle et contrôle de l'effort de raisonnement pour DeepSeek Harness : les outils d'agent set_model et list_models permettent à l'agent de changer seul de fournisseur, de modèle ou de profondeur de réflexion en cours de tâche, avec motif obligatoire, liste blanche de fournisseurs et garde-fou sur la pression de tokens de la fenêtre de contexte ; le modèle actif est injecté dans le contexte d'exécution, et la transition automatique du Plan Mode bascule vers un modèle de planification configuré à l'entrée en mode plan puis restaure le modèle d'exécution précédent à la sortie.

Sessions persistantes de pairs Endeavour et Challenger pour DeepSeek Harness qui planifient, exécutent des tâches séquentielles et vérifient les résultats rapportés.

Passerelle Feishu/Lark pour DeepSeek Harness avec conversations persistantes par sujet, cartes d'exécution en direct, entrées d'images et de fichiers, approbations et questions dans le chat, listes blanches de sources, et tâches d'agent durables uniques ou récurrentes créées en langage naturel.