Plugins

Agent Context Editor est un plugin inter-agents permettant d'exclure, d'éditer et de compresser sélectivement le contexte de conversation IA manuellement. Il prend aussi en charge la recherche, le filtrage, la sélection, le masquage, la restauration et l'annulation des modifications de conversation tout en préservant la session d'origine.

Recherche académique AI4Scholar : 38 outils couvrant Semantic Scholar, PubMed, Google Scholar, arXiv, bioRxiv/medRxiv et la résolution de DOI (recherche, graphe de citations, auteurs, recommandations, texte intégral de PDF en tranches, citation automatique, figures scientifiques), une recherche multiplateforme unifiée avec déduplication, une carte de clé API dans les Paramètres, et une comptabilité de crédits par appel avec une carte de solde `/ai4scholar`.

Une compagne Live2D en fille-baleine pour l'interface web de DeepSeek Harness : le modèle reste à l'écran et réagit à ce que fait réellement l'agent (réflexion, appels d'outils, texte en streaming, erreurs, fin de tour) ; cliquez sur elle pour envoyer un message à l'agent et voir la réponse s'afficher dans une bulle ; clic droit pour un menu d'expressions, d'accessoires, de scènes de bureau et d'animations ponctuelles, chaque action étant reprise de la fiche de raccourcis de l'auteur du modèle pour qu'aucune ne se chevauche et que tout expire seul. Ressources du modèle non commerciales (CC BY-NC-SA 4.0), code MIT, par Andersen216 (https://github.com/Andersen216).

RAG de base de connaissances bibliographiques locale : 10 outils (kb_ingest, kb_search, kb_rag, kb_zotero, kb_dedup, kb_clear, kb_fetch, kb_scope, kb_stats, kb_status), recherche hybride BM25+vecteurs+reranker, questions-réponses avec citations et liens DOI cliquables, embeddings bge entièrement locaux sur un index SQLite en un seul fichier. Nécessite Python 3.9+ avec pymupdf, faiss-cpu et sentence-transformers ; l'installateur `npx dsh-kb-rag-install` les met en place et pré-télécharge le modèle.

Tableau de tâches par session dans la barre latérale : glisser les sessions dans les colonnes todo/doing/review/done, créer des sessions avec sélection de modèle et d'effort de raisonnement, corbeille avec restauration, notes, export/import.

Preset d'agent Learning Mode : un agent de code qui enseigne en codant — explications concrètes ancrées dans des scénarios, guidage socratique, et blancs de pratique TODO(你), modelé sur le style de sortie Learning de Claude Code ; installable via dsh plugin add (dsh-learning-mode sur npm).

Preset d'agent Learning Mode : un agent de codage qui enseigne en codant — explications concrètes ancrées dans des scénarios, guidance socratique et blancs de pratique TODO(你), calqué sur le style de sortie Learning de Claude Code ; installable via dsh plugin add (dsh-learning-mode sur npm).

Écrit l'état en direct de l'agent du harness (réflexion, travail, attente, terminé, erreur) dans un fichier d'état qu'interroge une mascotte de bureau Electron Live2D embarquée, pour que la bulle et le visage de la mascotte suivent ce que fait l'agent.

Outils de citation pour agents : recherche DOI exacte, recherche bibliographique Crossref, formats GB/T 7714 / APA / MLA / Chicago, génération BibTeX, validation DOI à concurrence bornée et auto-vérification de l’état de santé.

macOS desk pet forked from anneheartrecord/dsh-desk-pet, in a real always-on-top window that covers fullscreen Spaces: the pose follows whatever the local DSH is doing across six states, the right-click menu is a real AppKit one carrying quiet mode and a session list, and seven skins ship with it. Two of the seven are drawn from geometry by a script in the repo rather than generated, so making a skin needs no image model and no API credits; the bundled skill still expands one photo into all eighteen poses on your own image tool and credentials. There is no Electron and nothing to install alongside it: the window is driven through ctypes on the Python that ships with macOS.

Ships a skill about handing work to subagents instead of doing it inline - which tasks are worth fanning out, how many to run at once, how to send them in parallel, and how to check what they returned instead of trusting the summary.

Voice for the DeepSeek Harness: speak to the agent, hear it back, and see what it is doing from a floating window that stays on top of whatever you are running.