Plugins

Passerelle Feishu/Lark hautement fiable pour DeepSeek Harness : authentification en un clic par QR code, commandes basées sur des cartes et cartes de confirmation d'intention, boîte d'envoi sans perte avec livraison au moins une fois, envoi/réception de médias, ZIP des journaux de session via /doctor, et une interface Web DSH réutilisable qui place les sessions dans le bon espace de travail.

Amélioration de l'invite en un clic dans le composeur : réécrit le brouillon en une invite structurée (rôle et objectif, étapes exécutables, format de sortie, critères d'acceptation, cas extrêmes) avec aperçu avant/après, remplissage et annulation. Ne change jamais d’intention, ne fabrique jamais d’exigences.

Ajoute un bouton optimiser à côté du composer qui analyse et réécrit le brouillon de prompt avec streaming SSE, conscience du contexte de conversation (stratégies template vs intent-polish), chaîne de mémoire de continuité d'édition, annulation, et routage de modèle avec fallback et test de connectivité.

Routage automatique d'effort de raisonnement pour dsh : un classifieur 7 questions finement réglé localement (ModernBERT, 842 Mo, <1 s CPU) choisit low/high/max pour les messages sans intention ; des tentatives intra-session escaladent le tier (low vers high vers max) sous contraintes d'exclusion ; le service de juge échoue en sécurité vers low s'il est injoignable. Une puce de tier dans la barre de saisie affiche le tier courant et les 20 derniers jugements. Toute inférence est locale — le texte de la tâche ne quitte jamais la machine.

Noyau d'organes d'Agent-Body : plugins organisés comme un seul corps. Chaque commande devient un influx nerveux qui innerve de façon déterministe l'organe compétent et nomme la capacité à utiliser ; un battement à intervalle variable diffuse directives de l'opérateur, proprioception et alertes d'homéostasie ; les réflexes se déclenchent sans appel de modèle ; les échecs suivent une attribution déterministe (outil, arguments, permission, délai, réseau), une prescription et une boucle de revérification, les erreurs d'arguments n'étant jamais réessayées. Un organe manquant est compensé par celui dont les capacités recouvrent le plus, et les schémas d'outils sont filtrés selon l'intention (réduction mesurée de 84,7 %, reproductible dans le dépôt). Paquet des plugins noyau d'agent-body.

Préautorisation des espaces de travail Windows : ajoute aux dossiers déclarés par l’utilisateur une ACE DACL de contrôle total (dont WRITE_OWNER, requis au démarrage du sandbox de dsh ≥0.1.7) et supprime les demandes répétées d’élévation. Autorisation uniquement explicite ; dossiers système bloqués. Windows uniquement.

Combine le squelette de code de Headroom (Apache-2.0) et l’estimateur de TokenPilot (arXiv:2606.17016). Chiffres publiés : Headroom, 20 % de tokens en moins pour les agents de code et 60–95 % pour JSON à réponses égales ; TokenPilot, jusqu’à 60 % de coût en moins sur longues sessions. Ce sont les données de ces projets, pas des mesures ni benchmarks du plugin. Dans DSH, réglez profil, seuil Auto Compact et squelette de code. Mesure exacte avec tokenizer DeepSeek V4, vérification sur la même révision ; pour un modèle non pris en charge, fail-open conserve les résultats d’outils d’origine. Compression par squelette pendant le tour et résumé d’intention final dans la compression JSONL officielle.

Résume les anciens échanges avec un modèle latéral avant saturation ; journal disque durable, réancré après compaction. Seule mesure décrite : une session réelle d’un jour, 6 condensations ont remplacé 209 messages ; contexte actif de dizaines de milliers de tokens. Routage par tâche : 6 pools (éco, mécanique, principal, difficile, vision, revue) ou Auto/classifieur ; bascule au seuil de confiance pour garder le cache prompt chaud. Filigrane 3 lignes déclenche transfert en 4 étapes (fork sauvegarde, doc, compaction, réveil), sans perdre les sous-agents ; /ctx-pause, /ctx-resume, /ctx-handover en manuel. Agent Teams facultatif ; /vision pour modèles texte ; gros diffs vers testeur et réviseur indépendant. UI/README en 11 langues. Skills : lecture MySQL/Redis, commits, docs exigences/design.

Pipeline de reconnaissance d’intention à cinq couches (règles, recherche pgvector, score Jev, arbitrage affiné, secours LLM), avec interface de gestion des scénarios, stockage PostgreSQL et services API distribuables.

Outils d’archive DeepSeek Web en lecture seule pour DSH : liste/téléchargement/recherche de sessions, share-list et digest condensant 100 sessions en une page dense avec barres d’activité et groupes thématiques. Les écritures ne sont volontairement pas exposées car le client Web les limite. Nécessite le client Python deepseek-ops installé séparément (github.com/Panniantong/deepseek-ops, autre auteur), connexion QR ; définir `scriptDir` sur son chemin.

Amélioration de prompt dans le composer DeepSeek Harness : le bouton à côté du sélecteur de modèle réécrit le brouillon avec un appel LLM auxiliaire et remplace le texte sur place, en conservant undo. `/prompt-enhance` renvoie le prompt réécrit dans une ligne de résultat sans modifier le brouillon. L’appel peut être fixé à son propre provider/modèle rapide dans le profile patch. La réécriture reste fidèle à l’intention, la langue et l’information, conserve le code, les commandes et chemins à l’identique, et n’invente rien ni n’ajoute de texte de remplissage.

Plugin de développement Java efficace pour DeepSeek Harness : correction automatique déterministe des fichiers .java, intents de modèles économes en tokens et détection multiplateforme avec cache persistant de JDK/Gradle/Android SDK/FFmpeg/LWJGL/IDEA.

Deep PTC mode : preset open source DeepSeek Harness ; conserve les outils PTC. Contrat : identité DeepSeek ; consigne au modèle d’un budget de tokens illimité pour ne pas omettre lectures/commandes/vérifications ; plan par taille (≤5 min interne, jusqu’à 20 min affichées sans approbation, au-delà approbation requise) ; questions si flou. Limite l’attente avec shell/job/question officiels : commandes foreground en arrière-plan après 30 s (configurable) ; message steering termine l’attente pour lecture ; refuse pauses foreground >5 s et timers longs dans run_code ; questions temporisées. Dérive du PTC officiel installé, hérite des changements upstream (modules supprimés/renommés inclus) sans casser les sessions. Executor : Automatic, WSL Bash, Windows PowerShell, native Zsh/Bash.

Ajoute un bouton ✦ sous le compositeur DSH. Un seul appel au modèle par défaut configuré reformule le brouillon en prompt plus complet, en gardant l’intention et la langue d’origine ; il remplace le texte sur place sans l’envoyer.

Atelier de maquettes d’images pour DSH piloté par le chat : transforme l’intention en scénario de storyboard, génère des prompts et images IA par page avec révisions individuelles, propose neuf styles et exporte en PDF/PPTX (une image pleine page par diapositive).

Améliorateur de prompt à quatre niveaux pour le compositeur. Le niveau système produit toujours un prompt structuré LangGPT (# Role / Profile / Skills / Rules / Workflows / Initialization) et transforme l’ébauche en prompt système de l’agent qui l’exécutera. Les autres niveaux font une retouche légère, un paragraphe ou un brief en cinq sections. L’atelier d’itération affine une base modifiable avec exigence facultative, avec réinsertion et annulation. Ne change pas l’intention et n’invente aucune exigence.

Amélioration en quatre niveaux : bouton/raccourci global pour retouche légère, paragraphe, brief en cinq sections ou prompt système en huit. Comparaison, retour et annulation ; ne change pas l’intention et n’invente aucune exigence.

v0.8.6 corrige le crash au démarrage : runtime Host peer optionnel, pas une dépendance installée. TypeSafe Jev/System One fournit 7 outils : `jev_decision` (1–25 verdicts typés parallèles, sans prose), `jev_choose` (classe 2–10 options), `jev_batch` (1–20 textes, 1–5 jugements, un appel réel/texte à concurrence bornée ; erreurs brutes, sans supposition), `jev_usage`, `jev_overview`, `jev_guard_status`, `jev_verify` (26/27 au benchmark fixe de 27 questions, concurrence 6). Ledger persistant par défaut : `$DSH_HOME/jev-usage.json`. Remaining=`quota.declaredBalanceUsd` moins dépenses locales depuis `quota.balanceSince` ; aucun endpoint de solde, rien d’inventé. API key absente : erreur explicite ; échecs isolés par surface. Client après refresh ; serveur après redémarrage Host.

Ajustement d’intention pour DSH : l’agent prédit plusieurs pistes, pose un lot de questions de clarification à chaque tour et réduit la distribution jusqu’à converger vers une option, puis la propose pour confirmation. Panneau flottant en bas à droite et archive JSONL locale.

Routage automatique par niveau de modèle pour DeepSeek Harness : chaque instruction utilisateur entraîne une seule décision de niveau ; les demandes complexes sont planifiées sur le niveau puissant et réalisées sur le niveau économique, tandis que les tâches simples restent sur ce dernier, avec garde déterministe et escalade de secours par TTL.

Assistant Cadence SKILL (Virtuoso Lisp) pour ingénieurs EDA : recherche d’API ancrée dans la documentation officielle (3 557 entrées dans cinq manuels IC6.1.8, confiance des signatures, aucune API inventée) et analyse statique sans exécution, fondée sur des coordonnées de profondeur lexicale. Détecte suppressions compatibles avec les itérateurs avec protection de copy() selon la position, rapproche placeholders printf et arguments, détecte nth O(N²) dans les boucles, APIs obsolètes avec pages, intercepte les intentions dangereuses et analyse les erreurs CIW. La partie host n’a aucune dépendance tierce.

Trouvez instantanément les pages, onglets et options des paramètres DSH par mot-clé, pinyin, intention ou IA, puis ouvrez-les directement.

La vision pour n'importe quelle route DSH : collez des images dans le composeur web avec analyse automatique selon l'intention, déléguez la lecture des images de l'espace de travail à un sous-agent de vision Kimi/MiniMax, et matérialisez les originaux collés pour les modifier.