Plugins

Mémoire persistante supervisée par LLM pour les agents IA — rappel basé sur un graphe, connaissances inter-sessions, binaire unique. Fonctionne avec DeepSeek Harness, Claude Code, OpenClaw et tout runtime d'agent.

Mémoire associative proactive pour DSH : injecte un rappel sans prompt à une frontière fixe, avec auto-consolidation à trois couches, cristallisation des skills et gestion du contexte à la manière d’Astra. Comprend des registres de passation et un tableau blanc PLAN qui survivent aux changements de fenêtre de contexte, ainsi qu’une détection du niveau d’eau avec une fenêtre de modèle auto-détectée. Stockage Markdown local, agnostique au modèle, zéro dépendance ; plancher lexical de 0 Go avec couches sémantiques optionnelles.

Configurez contextWindow pour les modèles enregistrés dans dsh, afin que les longues sessions ne soient plus considérées à tort comme un débordement de contexte.

Historique de saisie façon terminal pour le compositeur web : rappel par flèches privilégiant les bords avec restauration exacte du brouillon/du curseur, historique persistant local au navigateur, recherche inversée par Ctrl+R et conscience de contexte glissant ; la version 0.5.0 ajoute une couche de saisie intelligente — extraits inter-sessions (/save, /load), modèles de prompts avec variables, informations de réutilisation et mise en évidence des résumés de compaction.

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.

Contrôle par tour du niveau de réflexion (reasoning_effort) pour DeepSeek Harness : Auto planifie low/high/max selon l'historique récent des tool calls, ou permet de fixer un wire level (off/on/minimal/low/medium/high/xhigh/max), avec mappage wire personnalisé, garde de capacités par modèle et préréglages de fenêtre de contexte (64K–1M) ; sa capability card s'associe à [dsh-llm-openai-completions](https://github.com/drscrewdriver/dsh-llm-openai-completions) (installable depuis dsh-market) pour tester le raisonnement avec des passerelles compatibles OpenAI (vLLM / LM Studio / auto-hébergées). La carte écrit les capacités llm-pi-ai, l'adaptateur pilote le wire (compat.thinkingFormat) et le plugin maintient la liste de takeover.

Passerelle MCP à divulgation progressive qui recherche de grands catalogues distants via `mcp_search`, puis invoque les schémas exacts via `mcp_call`, avec connexions différées et caches bornés.

Repliement de contexte sans perte pour DeepSeek Harness : le segment le plus ancien est remplacé par un résumé, et les originaux restent dans le journal de session.

Enveloppe le travail dans des tâches nommées et, dès qu'une tâche se ferme, replie l'intégralité de sa plage de messages en un seul résumé à la limite d'étape suivante ; le contenu original peut être restauré à la demande.

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.

Ensemble de renouvellement de la fenêtre de contexte piloté par le modèle pour DeepSeek Harness : contexte de travail neuf, notes durables gérées par le modèle, une petite queue récente mot pour mot et une récupération ciblée de l'historique — sans résumé.

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.

Adaptateur DeepSeek Harness pour Context Mode : outils ctx_* in-process pour l'exécution de code en bac à sable et une base de connaissances FTS5, plus des conseils de routage de la fenêtre de contexte.

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

Fronts stdio MCP servers with three router tools (list_capabilities, describe_tool, call_tool) so schemas load on demand instead of riding every request; shapes every tool result through a deterministic output ladder that archives the original first (retrieve_spill reads it back); prices tool groups in tokens and can hide built-in groups per agent. Bridges to a standard-library Python router, so Python 3.9+ is required.

Compaction fallback for compaction-basic: when its LLM summary throws, comes back empty or cannot fit the window, the span is compiled deterministically with a seq pointer on every line (vendored dsh-compaction-instant compiler). Adds recall and search tools, /recall and /context commands, an idle trigger at 45% of the window and an on-disk span archive. The engine mounts as one row in the agent preset (docs/dsh-integration.md).

One MCP tool instead of every schema you own — a lazy capability broker that cuts resident tool context by a measured 94.4%. Search, inspect, enable and call MCP servers and skills on demand.

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

Visibilité de contexte façon Codex pour DeepSeek Harness : occupation live de la fenêtre de contexte, décomposition de composition, taux de hit KV-cache, et carte thermique d'usage 53 semaines façon GitHub

Rapid-refill circuit breaker for DeepSeek Harness automatic compaction. It refuses a compaction that would be futile — the context refilled within fewer than N tool turns M times in a row, which the unbounded step-pressure trigger cannot detect — and instead of burning a summarization call on every step it reports the situation with advice, usually that a single read or tool output was too large. Shows state and re-arms through /compaction-breaker, and injects one prompt section so the model relays it to the user. Covers host-plane sessions through its profile bundle; ordinary sessions need one row replaced inside an agent preset.

Context occupancy and account balance for the DeepSeek Harness Web Client: a session-header readout, a balance capability seam, and a DeepSeek provider

Adds per-route context window and compaction threshold fields to the Models settings page and a vendor-aware thinking-effort picker to the composer, writing llm-pi-ai capacities, reasoningEfforts, and a compaction-basic patch row.

会话注入门控：给 DeepSeek Harness (dsh) 加一个会话级上下文裁剪闸门，按会话取消/恢复插件贡献的 skill、tool、系统提示词段落——3 条影子通道、5 条本地路由、零依赖零配置。Per-session injection gate for DeepSeek Harness (dsh): trim skills, tools and prompt sections per session. Zero-config, zero dependencies.

Context-window attribution for DSH Web: a Mini Utility Dock panel that ranks the user messages, assistant turns, reasoning blocks and tool results of a session by the tokens each one occupies, so it is clear which entries hold the window. It also shows the share by entry type, the heaviest entries across the live sessions of the host, and, where the host provides them, provider usage and the estimated system/tools/messages composition. The panel is read-only: it does not estimate cost, modify a session, or trigger compaction.