Plugins

Le plugin officiel billion-context : un plugin de compression de contexte pour les petites fenêtres de contexte (un contexte de 100K suffit), économie de tokens (5 fois moins de tokens), et sessions uniques d'un mois (milliards de tokens).

Compression du contexte pilotée par le modèle (Active Context Pruning) pour DeepSeek Harness : le modèle décide quand et quoi compresser.

Accédez à l'UI web de dsh sur le LAN : relais HTTP/HTTPS/WS plus TLS (certificats auto-signés ou personnalisés) ; compression adaptative Brotli/gzip pour HTTP et permessage-deflate pour WebSocket ; le sondage de WebSocket demi-ouvert empêche les clients mobiles de se déconnecter après une mise en arrière-plan ; l'auto-injection du jeton de lancement permet aux appareils LAN de se connecter sans copier le jeton ; protection contre le DNS rebinding + liste blanche amont limitée au loopback.

Compression Gzip des réponses /api, corrige les délais d'expiration de chargement de l'historique sur les connexions distantes/à faible bande passante ; ignore SSE et les réponses déjà encodées.

Compression automatique du contexte pour DeepSeek Harness : compresse les sorties d'outils avant qu'elles n'atteignent le modèle et garde chaque compression avec perte réversible via des outils de récupération CCR.

Graphe de connaissances de code local-first pour agents de codage : 10 outils MCP pour la compression contextuelle en couches, la planification DAG, l'indexation incrémentale d'AST, un flywheel de compétences inter-sessions, des diagnostics et l'import/export d'artefacts de graphe.

Serveur MCP de données financières des actions A chinoises : 11 outils fin_data__* (cours/chandeliers/données financières/calendrier/données spéciales/annonces/EDB/rapprochement/fonds/indices) sur THS REST officiel gratuit (principal) + AKShare (secours) + Wind (domaines exclusifs), avec dégradation observable, compression du budget de contexte (-72,2 % mesuré côté résultats) et un lac hors ligne de 10 ans de données de marché. BYOK.

Routes de modèle, outils et guidage système dédiés pour la vision, la compaction, les revues, les sous-agents, les titres et la génération d'images.

Force la compression du contexte lors de l'exécution de modèles llama.cpp à faible contexte tels que Qwen3.8-27B, améliorant l'efficacité du modèle et la fluidité d'utilisation, accompagné de prompts de compaction bien affinés.

Accédez à DSH depuis votre téléphone ou n'importe où : lien public Cloudflare Quick Tunnel + accès direct LAN HTTP/HTTPS (certificat auto-signé automatique), authentification par jeton, compression gzip, panneau flottant avec icône de téléphone et codes QR, et un canal bot NapCat QQ pour récupérer le lien.

Serveur MCP de données financières A-share chinoises pour le harness : 11 outils fin_data__* (quotes/K-lines/financials/calendar/special-data/announcements/EDB/reconcile/funds/indices) sur THS REST officiel gratuit (primaire) + AKShare (fallback) + Wind (domaines exclusifs), avec dégradation observable, compression de budget de contexte (-72.2% côté résultat mesuré), et un lac de données de marché hors ligne 10 ans ; BYOK.

Compactage de contexte gardé pour DeepSeek Harness (dsh) : le LLM propose, les gardes deterministic disposent — réduction eager par atome (extract/summary/false sous gardes verbatim) + éviction paresseuse du reference-graph (0-LLM) + rappel au bit près depuis un log append-only.

Compression de contexte déterministe pour dsh — zéro appel LLM, élagage par règles qui préserve textuellement chemins, commandes, traces d'erreur et tâches ouvertes. Compresse ~80k jetons en quelques centaines.

Moteur de compaction sans perte* et sans LLM pour DeepSeek Harness

Plugin Context Assembler pour DeepSeek Harness : assemblage de contexte par blocs thématiques, découpage thématique par pression d'eau, trace/réécriture d'outils, injection de rappel de réalité et planification de passation.

Un port léger de Headroom : compresse la sortie des outils, réduit jusqu'à 20 % du contexte, sans affecter le cache de contexte du modèle ni les performances de l'agent.

Optimisation réseau pour l’interface web DSH : réduit la taille des transferts grâce au cache et à la compression pour accélérer fortement le chargement des pages, avec en plus un indicateur de coupure de connexion et une reconnexion automatique. Idéal pour les utilisateurs recherchant des performances maximales ou utilisant des réseaux instables.

Passerelle de messages multiplateforme et pont de bot IA WeCom avec compression du contexte de session et création de smartsheets.

Compression de dialogue en place par courbe d'oubli pour DeepSeek Harness : les tours récents restent textuels, les tours moyens sont structurellement déshydratés (sans LLM), les tours anciens se replient dans une paire de résumés bornée — conversations illimitées sur un budget mémoire borné.

人脑式上下文压缩逻辑，大幅减少长任务上下文占用以及token消耗

Affiche en temps réel les économies de jetons et de coûts du proxy de compression Headroom dans la Web UI DSH : un tableau de bord Paramètres et une ligne de statistiques persistante sous le composeur.

Same-origin in mechanism with the two loudest lines in context compression. The code-skeleton gate follows the skeletonization approach of Headroom (Apache-2.0), whose published headline is 20% fewer tokens for coding agents and 60–95% fewer tokens for JSON, same answers. The estimator channel follows TokenPilot (arXiv:2606.17016), which reports up to 60% lower cost for long-session agents. Both figures are theirs, quoted as-is; this plugin ships no benchmark of its own and claims no reduction of its own. What it adds for DeepSeek Harness: choose a compression profile, set the Auto Compact trigger level and toggle code-skeleton compression from one settings section, with exact DeepSeek V4 tokenizer measurement, same-revision count verification, and fail-open behaviour that keeps the original tool results on unsupported models.

AST-based context compression, test log filtering, and token budget guard for DeepSeek Harness: strips redundant syntax, prunes noisy log lines, and enforces a token ceiling so the context window never overflows.

DSH 智能上下文压缩插件 —— 在有限窗口内管理认知资源，让 Agent 记住真正重要的信息。 Smart context compression for DSH — managing cognitive resources within limited windows, so your Agent remembers what truly matters.