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).

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.

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.

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.

Remplace le résumeur de compactage DSH intégré par un résumé de passation en cinq sections et garde chaque message masqué lisible dans un répertoire de segments.

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.

Une logique de compression de contexte inspirée du cerveau humain qui réduit fortement l'occupation du contexte et la consommation de tokens des tâches longues.

Windowed, reversible context management for DeepSeek Harness; replaces Basic compaction.

Bitmap-frame context compression plugin for DeepSeek Harness: renders discarded conversation history into pixel-font PNG frames for vision-capable models.

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.

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.

Contexte Adaptatif Réversible (ARC) pour DeepSeek Harness — gouvernance du contexte consciente du fournisseur et du cache, avec récupération réversible.

Portage allégé 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.

Context compaction that keeps its receipts: a five-section handoff summary, a durable segment index, review tools that read compacted text back, optional working notes, and a read-only extraction exit. Mounts as the compaction-basic row's replacement; cha

An Agent-safe context compressor for DeepSeek Harness. It semantically preserves critical tool outputs such as errors, file paths, JSON payloads and command results, instead of mechanically truncating the context.

Pure-incremental directive-driven compaction for DeepSeek Harness: /compact-directive <requirement> summarizes the session middle per your requirement, /trim-directive <requirement> trims the whole conversation per your requirement

Compaction backend replacing LLM summarization with a deterministic semantic extractor (keeps code/paths/commands, drops chatter) plus 28.4x KV-compression accounting.