Plugins

Boutique d'applications de plugins pour la Web UI DSH : navigation dans le catalogue, recherche, installation en un clic, badges de compatibilité, liste des plugins installés.

Analyse détaillée de l'utilisation et des coûts par modèle, avec statistiques d'utilisation par session et requêtes d'utilisation pour GLM, MiniMax, OpenCode Go, DeepSeek et plus.

Connecteur uniquement : il n’affiche rien lui-même. Il s’abonne aux événements de session de DeepSeek Harness, les regroupe en 12 phases de travail (planning / thinking / executing-tool / streaming / waiting-input / voice / awaiting-approval / complete / error / paused / idle / heartbeat), puis envoie chaque phase par POST au backend de l’animal de bureau à http://127.0.0.1:8000/api/plugin/dsh/ingest. Il n’a pas de fenêtre et ne nécessite ni clé API ni jeton. L’application Mao Live2D pour animal de bureau doit être installée et lancée séparément (application Electron Windows nécessitant PowerShell 7 / Python 3.10+ / Node 18+). Sans elle, aucune destination ne reçoit les données.

Synchronisation multi-machines : maintient la cohérence de plusieurs réplicas de dsh via un seul dépôt GitCode privé — skill, sessions, paramètres et manifestes de plugins, chacun avec un interrupteur indépendant ; les changements passent par branche, PR et fusion, les ajouts présents uniquement sur le dépôt distant sont rapatriés avant chaque push afin que rien ne soit supprimé, et une étape d'alignement intelligent par IA fusionne sémantiquement les fichiers modifiés des deux côtés (avec résolution des conflits en un clic) ; les dépôts privés sont imposés et le pull n'écrase jamais les modifications locales.

Outil de compréhension vidéo à faible coût : un outil video_understand transforme un lien Bilibili / BV / une vidéo locale en couche d’informations AVIS (ASR + structure de scène + suivi d’objets + étiquettes YOLO) et renvoie un résumé + Q&R. Routage dynamique inter-couches guidé par les questions (L0 ASR / L1 suivi d’objets / L2 VLM sur image clé), réutilisation de la couche sémantique pour les questions répétées, plafond de budget par question. Moteur Python : la couche principale nécessite faster-whisper / opencv / yt-dlp (~200-300MB) ; la couche sémantique optionnelle ajoute ~2GB de torch / transformers / ultralytics. Un doctor --fix inclus configure le venv et installe les deux.

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`.

Installe Herta comme agent DeepSeek Harness : un preset portant ses sections de prompt de persona et de mémoire, six outils de mémoire et de voix, une couche narrative qui sépare sa réflexion de ce qu'elle dit, 80 clips vocaux fournis, la synthèse vocale hors ligne et MiniMax, et deux vues de conversation qui rendent la session avec ses propres composants.

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.

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.

Outil shell Git Bash pour Windows : exécute des commandes via le bash fourni avec Git for Windows, avec timeout, sandbox, troncature de sortie et tâches en arrière-plan, remplaçant le lent outil pwsh et l'outil bash réservé à WSL.

Preset mode expert DeepSeek Harness (v0.9.2, npm dsh-expert-mode, EN/ZH) : coordinateur principal + 17 sous-agents experts de domaine avec délégation automatique. Fonctions : taskboard (états pending/ready/running/done/failed, DAG dépendances, réclamation atomique, retry, récupération), portes qualité (pipeline 5 étapes : exigences, implémentation, vérification, revue, intégration ; 2 reprises), Five-Anchor (revue/convergence/anti-dérive/collaboration/ressources), Near-distance (modèle identité/tâche/sortie), divulgation progressive (~28 % économie de tokens), persistance, bus P2P, revue croisée, pool d'expérience, voie rapide, auto-retry. 17 experts : données, rédaction, juridique, PM, frontend, UI/UX, architecte, social, growth, fin. quant., backend, DevOps, BD, QA, sécurité.

Trois presets Agent à mémoire persistante distincte : 鲸鱼娘Agent预设 (chinois simplifié familier, appelle l’utilisateur 主人, affectueux-tsundere), 鲸鱼娘活人版Agent预设 (peut répondre, esquiver ou être froid, moins doux) et 鲸鱼娘涩涩版Agent预设 (personnalité d’origine, affection réservée à l’utilisateur et réduite en groupe). Tous utilisent la composition minimale officielle (un shell persistant) et les outils de lecture/écriture, glob et grep. whale-loli.md, whale-loli-v2-live.md et whale-loli-v3-naughty.md sont lus via whale_memory, whale_memory_v2 et whale_memory_v3 ; aucune mémoire croisée en lecture/écriture. billion-context compresse les conversations ; ce plugin traite les résumés comme preuves et permet de consulter les détails à la demande.

Lit les GIF et WebP animés comme des animations : un élément collé continue de jouer dans l’interface tandis que le modèle reçoit une planche étiquetée d’images échantillonnées. L’outil read_animation échantillonne un fichier à la demande.

Documents de projet et mémoire à long terme en Markdown brut dans un coffre Obsidian dédié : six outils mem_* (search, read, write, log, brief, admin), une injection de rappel budgétée à la première étape d'une session, et distillation automatique des tours terminés. Obsidian n'a pas besoin d'être en cours d'exécution, et le coffre reste lisible avec le plugin désinstallé.

Tâches cron planifiées, automatisation en arrière-plan et exécution d'agents pour DeepSeek Harness.

Moteur cron résidant sur l'hôte avec un tableau web des tâches et un outil timer_agent : déclenche de vraies sessions d'agent selon le planning, en continuant une session épinglée pour le contexte ou en en démarrant de nouvelles dans un espace de travail de projet choisi.

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.

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.

Compétences Research Agent, recherche bibliographique avec suivi des citations, création d’une base de connaissances Markdown à partir de documents et lecture approfondie avec espace de travail navigateur pour DeepSeek Harness.

Lit à voix haute les réponses de Harness avec un moteur TTS local existant : lanceurs IndexTTS et GPT-SoVITS intégrés, entrée HTTP/JSONL locale fondée sur un protocole, chargement de dossiers de modèles pour les environnements SDK Kokoro, F5-TTS, VoxCPM, Qwen3-TTS et CosyVoice. Aucun modèle n’est fourni. Dérivé de 1624318455/dsh-plugin-tts ; l’identifiant de ligne et les réglages sont isolés afin d’installer les deux côte à côte en désactivant les fonctions en doublon.

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.

Gardien de la rédaction de brevets pour dsh — filtre d'abord l'idée au regard de l'art antérieur chinois, puis mène des entretiens d'alignement à cinq parties, la rédaction d'un exposé en huit chapitres, des figures et des exécutions de simulation, une revue en sept dimensions et l'export docx/PDF. Les skills fonctionnent immédiatement ; les outils de recherche, d'export et d'expérimentation proviennent d'un service MCP Python inclus, livré désactivé — une ligne dans ~/.dsh/patent-services.yaml l'active, et uvx récupère le wheel depuis PyPI.

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.