Plugins

Quatre outils en lecture seule sur une base de connaissances WeKnora : lister les bases de connaissances, recherche hybride de passages, réassembler les chunks d'un document dans l'ordre, et la réponse RAG citée ou ReAct-agent de WeKnora avec un identifiant de session reprenable.

Outils de récupération de connaissances WeKnora pour DeepSeek Harness (dsh) : recherche sémantique, lecture de documents et réponses RAG/agent sur vos propres bases de connaissances.

Connecte DeepSeek Harness à la base de connaissances personnelle local-first et auto-évolutive de ReMe : capture automatiquement les conversations terminées de l'agent principal comme mémoire Markdown vous appartenant, recherche conversations et sources via reme_search avec BM25, embeddings optionnels et expansion de wikilinks, et planifie une consolidation quotidienne de la mémoire.

Connecte DeepSeek Harness à la base de connaissances personnelle locale d'abord et auto-évolutive de ReMe : capture automatiquement les conversations de l'agent principal terminées en tant que mémoire Markdown appartenant à l'utilisateur, recherche dans les conversations et les sources via reme_search avec BM25, embeddings optionnels et expansion de wikilinks, et planifie la consolidation quotidienne de la mémoire.

Mémoire Markdown partagée pour DSH et d'autres agents de codage, avec capture automatique, injection de contexte pré-étape, rappel interrogeable, et auto-évolution mémoire-vers-skill via un panneau de revue.

Lit les fichiers de session que trente-trois autres agents de codage présents sur cette machine ont déjà écrits — Claude Code, Codex, Cursor, VS Code Copilot Chat, opencode, OpenClaw, Hermes, Kimi, Cline, Zed et d'autres — y compris les sessions antérieures à son installation : six outils (deja_recall, deja_session, deja_blame, deja_fix, deja_how, deja_remember), une commande /deja, et un rappel automatique optionnel ajouté au contexte d'exécution. Index BM25 local, aucun LLM, aucun embedding, aucun réseau (dsh plugin --profile web add dsh-deja).

Espace de travail de jeu de rôle pour DeepSeek Harness : importez des cartes SillyTavern/TauriTavern ou créez-en une de zéro via un flux interactif ; transformez un long roman TXT en carte jouable avec une lecture intensive ou rapide ; l'agent principal consulte les worldbooks à la demande et la prose se lit dans un onglet dédié ; explorez plusieurs worldlines dans une même conversation (régénérer, modifier-puis-envoyer, cloner) ; préréglages de style avec 16 styles intégrés, un cluster d'agents de personnage, une carte de décision et l'export de carte ou de roman ; la cohérence des longues histoires repose sur un préfixe de réglages figé, une fenêtre de contexte à coupe dure, des notes de réalisateur traçables et un rappel par mots-clés, sémantique ou hybride, avec des embeddings en …

Mémoire automatique à la Claude Code, nativement : fichiers de mémoire typés (user/feedback/project/reference) avec un index MEMORY.md injecté automatiquement dans le prompt système (aucune empreinte quand il est vide) ; memory_write/read/list/delete suivent les règles d'écriture de Claude Code (déduplication et mise à jour, dates absolues, liens croisés) ; couches à l'échelle du workspace et de l'utilisateur, verrouillage de fichiers entre processus avec récupération des verrous orphelins, Markdown simple sur disque, aucun service externe, aucun embedding.

Mémoire à long terme pour DSH : les conversations sont automatiquement distillées en faits atomiques, résumés de scènes et un profil de persona, avec injection des souvenirs pertinents avant chaque étape du modèle. Zéro configuration, prêt à l'emploi — récupération hybride BM25 + vectorielle, plongements locaux hors ligne optionnels, séparation des familles chat/travail.

Transforme les documents locaux en markdown et texte en une base de connaissances interrogeable avec recherche hybride sémantique et par mots-clés, vérification des citations et injection de sources.

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.

Mémoire à long terme inter-sessions sous la métaphore du « palais de la mémoire » : deux portées de stockage SQLite (utilisateur + projet par origine git), recherche hybride FTS5 + vecteurs locaux avec fusion RRF et bonus de classement par récence et par preuve, capture automatique depuis le journal de session (y compris le dernier tour), chaînes d'audit de provenance, distillation par consolidation et oubli par décroissance, et un panneau Bibliothèque de mémoire dans les réglages avec topologie des couloirs, majordome de visite et liste de rénovation.

Plugin de mémoire inter-sessions pour DSH (v0.6.1, npm @asherliner/dsh-memory-connect) : extraction automatique, indexation SQLite FTS5, rappel sémantique RRF injecté dans le prompt système à chaque tour, maintenance planifiée, consolidation LLM via ctx.llm, prévention de l'explosion du contexte, identité Soul globale via ~/.dsh/soul.md. v0.5.0 : graphe de contexte temporel, modèle de confiance, résumé en fin de tour. v0.6.0 : embeddings sémantiques locaux (BAAI/bge-small-zh-v1.5), aucun appel au cloud. v0.6.1 : correction de l'expansion de ~ dans la config des chemins. Installation sans configuration.

Système de mémoire biomimétique pour DeepSeek Harness : un magasin SQLite unique (node:sqlite, WAL) dont l'arbre Markdown est conservé comme miroir en lecture seule ; outils de mémoire, injection d'instantané figé au démarrage de la session, validation par approbation graduée, extraction à la demande de la session en cours, fusion des quasi-doublons, cycle de vie d'archivage et de remplacement, métabolisme de la mémoire (dream), épingles de mémoire, rappel sémantique sur embeddings locaux, et la commande /memory.

Mémoire en texte brut inter-sessions : rappel par mots-clés BM25 deterministic (sans embeddings), outils memory_save/list/search/confirm/forget derrière une porte human-confirm, et magasins JSON globaux et par projet qui suivent votre repo git.

Mémoire vectorielle entièrement locale pour DSH : embeddings locaux, stockage SQLite, injection automatique de rappel, déduplication avec détection de conflits, corbeille à suppression douce, sauvegarde en ligne et extraction LLM optionnelle.

Système de base de connaissances de style Cherry Studio pour DeepSeek Harness (DSH) : bases, documents, découpage, embeddings (compatible OpenAI / Ollama / local / repli lexical), récupération, outils orientés modèle et un panneau de gestion dans le navigateur.

Recherche sémantique de code locale pour DeepSeek Harness : indexation par fragments consciente des symboles, plongements lexicaux hors ligne ou point de terminaison compatible OpenAI, et récupération hybride vecteur + BM25 fusionnée par RRF - trois outils dsh plus une CLI sema.

Serveur MCP de mémoire à long terme en couches : tours brutes → fragments de tâches → résumés quotidiens → index de sujets, plongements locaux MiniLM à 384 dimensions ou backend d'API compatible OpenAI, recherche sémantique avec repli Jaccard, installation du plugin DSH en une seule commande.

Plugin DeepSeek Harness (dsh) intégrant la boucle d'agent fin-trace — raisonnement relationnel multi-sauts sur un graphe de connaissances financières, exposé comme outils asynchrones (start/status/cancel).

RAG à double graphe de connaissances pour notes Markdown avec décroissance de mémoire half-life : graphes de prérequis et de similarité (parcours P/S-Agent), découpage en paragraphes, recherche hybride n-gram/embedding, et boucle explicite de rétroaction pondérale — plugin natif Cordis, installable via npm comme @eqman00003/knowlp-rag.

Tiny local vector memory via Ollama embeddings and ~/.dsh/vecmem (workspace namespaces; optional IM crumb via vecmemOnReply).

Per-project memory for DeepSeek Harness. Three Markdown files per workspace — PROJECT.md, DECISIONS.md and SESSIONS.md — are auto-created on the first step of any session in that workspace, re-read from disk and re-injected only when they change (and re-injected if compaction dropped them), and written back by classification through a memory_checkpoint tool, with a bounded end-of-turn nudge when a turn did work but recorded nothing. memory_read and memory_search read the live log and the archive, the latter over a zero-dependency BM25 index. The session log is capped at 200 entries with the overflow moved to SESSIONS-archive.md — never injected, but visible, readable and searchable, and restorable one entry at a time. Settings page: a workspace list with a path filter, read-only tabs for the three memory files plus the archive, reload, export/import of one workspace's memory as a JSON bundle, a two-step clear, a panel that rewrites or removes the AGENTS.md instruction block, and a PROJECT.md staleness reminder. A composer status chip shows that workspace's sync state and creates the files on click. Zero dependencies — no vector store, no embeddings, and no model calls.

Local semantic index over workspace documents (MD/PDF/DOCX/TXT): FTS5 BM25 + local embedding hybrid retrieval, hit citations with line numbers, and incremental updates.