Plugins

Attribue une humeur au compagnon à chaque tour et l’affiche comme une courte note de contexte, avec panneau d’humeur, dimensions émotionnelles et chronologie.

Mémoire à long terme intersession dans SQLite local : deux périmètres (utilisateur et projet par origine Git), recherche hybride FTS5 + vecteurs locaux fusionnée par RRF, contrôle exigeant un jugement explicite de suffisance des preuves, chaînes d’audit de provenance, révision espacée SM-2, distillation de consolidation et oubli par décroissance, plus un panneau Memory Palace à neuf vues. 22 outils à paramètres restreints ; aucun service externe, API key ni Docker.

Carte de requête de logs pour la GUI Web DSH sur Elasticsearch/OpenSearch : surface unique avec requêtes par dialecte et exemples cliquables, complétion des noms de champs, puces de filtres, histogramme temporel dont les barres zooment sur l’intervalle, facettes convertibles en filtre et résultats avec couleurs de niveau, lignes de continuation de stack, colonnes et pagination. Les logs Docker sont une source de collecte qui réutilise le plugin docker. Cinq outils loglens_* en lecture seule (sources/search/fields/facets/context) partagent la même couche d’exécution que le panneau. Les requêtes sortantes ne vont qu’aux sources configurées, sont évaluées selon l’IP résolue, ne suivent pas les redirections et ont des limites de taille et de durée.

QA de fidélité de conception pour les modèles texte uniquement : un outil `deepseek_vision` emprunte un œil à n’importe quelle route vision compatible OpenAI, afin que le modèle puisse juger si une implémentation correspond à sa maquette — livré avec le benchmark derrière ce jugement (quatre fixtures, 23 défauts injectés, transcriptions brutes) et la discipline de questionnement dont il dépend.

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.

Optimise une instruction brute en un clic : trois styles, profilage contextuel rôle/tâche/objectif, sélection de plusieurs sorties par juge modèle et amélioration itérative via mémoire de session, valeurs par défaut intelligentes et réglages utilisateur. /template couvre 22 sous-cas sans appel modèle. Optimiser/annuler ✨ dans le champ, outil prompt_optimize, hook automatique, page d’état, panneau Settings (dsh 0.2.0) et détection des documents zh/en.

Plugin de mémoire à long terme pour DeepSeek Harness. Chaque tour est évalué et stocké dans SQLite local (énoncé / événement / version / étape / décision), avec un panneau consultable.

Persona et journal entre sessions pour DeepSeek Harness. Un filtre local choisit les tours à retenir ; un appel supplémentaire au modèle crée un journal à la première personne et une impression de l’utilisateur, liés au moment précis. Les conversations suivantes injectent environ 2000 tokens de mémoire en trois couches : noyau de persona, jugements écrits par le modèle et journal. Un outil permet au modèle de noter ses jugements avec ses propres mots. Le plugin lit le Markdown humain sans le modifier. La barre latérale permet de lire, oublier ou exporter l’archive ; oublier réduit la priorité sans supprimer, et un fort rapprochement thématique peut la faire réapparaître. Archive locale modifiable et portable. Les secrets sont retirés avant envoi. Sans dépendance runtime ni compilation.

OMK — Observer. Mesurer. Savoir. Modifications de connaissances étayées par des preuves pour les applications IA.

Entretien sur les exigences avant le début du travail : évalue la clarté de la demande et pose des questions ciblées si besoin. En mode strict, bloque les outils d’édition jusqu’à ce que l’utilisateur confirme dans le chat un résumé en quatre parties ; les préférences confirmées sont conservées dans une mémoire à deux niveaux.

Skill de vérification d’affirmations par le Web ouvert plutôt que la mémoire du modèle. Décompose en faits vérifiables, suit une hiérarchie de sources primaires par domaine, recherche en parallèle dans les écosystèmes nationaux et internationaux, récupère et classe les pages, puis relance avec des termes de réfutation. Donne d’abord la conclusion, avec URL complète et emplacement de citation pour chaque assertion, et sépare non vérifié/indécidable du confirmé. Avec une clé, trois jugements peuvent utiliser TypeSafe Jev (System One) ; sinon les règles déterministes s’appliquent. Le verdict du modèle ne peut que diminuer le niveau de confiance.

Un sous-agent d'approbation indépendant juge chaque escalade de sandbox, avec un modèle configurable et un journal d'audit.

Détecte les fichiers de règles de toutes les conventions prises en charge par OMP et les injecte dans le prompt système comme couche toujours appliquée et index du recueil. Des règles en flux peuvent interrompre une sortie non conforme en cours de tour, refuser un appel d’outil, ajouter un rappel à son résultat ou demander l’avis d’un modèle juge sur la réponse terminée. Le même outil permet au modèle de rédiger des règles ; un panneau d’audit dans Plugins explique pourquoi chacune s’applique.

Associe l'audio système analysé localement à des effets de conversation réactifs à la musique, des jugements de jeu de rythme, un retour de score et de combo, et des barres de spectre RGB optionnelles dans DSH Web.

Pare-feu à l’exécution réservé aux sessions lancées par son launcher ; impossible à injecter dans DSH Desktop, qui n’est pas couvert. Attribue les appels fichiers/réseau/sous-processus au plugin émetteur et les compare à ses déclarations : l’usage déclaré reste silencieux, les écarts sont consignés. Attribution best-effort, sans garantie ; les appels non classés reviennent à l’hôte, jamais à un autre plugin. Comprend une fiche préalable (capacités, combinaisons à risque, PASS/WARN/BLOCK), le contrôle des limites, le blocage avant exécution facultatif et désactivé par défaut (règle d’exfiltration d’identifiants), un essai de mise à jour dans un processus enfant isolé, l’export SARIF/CSV et l’agrégation multi-source. Stockage local sans télémétrie ; webhook facultatif désactivé par défaut.

Approbation et revue automatiques des appels d'outils nécessitant une approbation : des groupes de mots-clés font correspondre les lignes rouges sans contexte, puis un modèle juge classe ce qui a été demandé et l'envoie vers autoriser, rejeter ou un humain selon la ligne correspondante et le niveau de risque ; un jugement qui n'a jamais été exécuté va toujours à un humain, et les rejets expliquent au modèle pourquoi.

Reprend un tour d'agent qui s'est terminé après avoir narré son action suivante sans appeler d'outil : le garde rejoue le journal du tour sur agent/turn-stopping, pose une seule question vrai/faux à un modèle juge et oriente le même tour vers une étape supplémentaire.

Lance 3 ou 5 candidats coding-agent dans des Git worktrees détachés, valide leurs patches via les commandes du projet, ne classe que les candidats réussis et exige une approbation séparée avant d'appliquer le gagnant.

Harnais de mémoire d’agent à trois niveaux : CLAUDE.md L1 toujours actif, index L2, squelette détaillé L3 avec modèles, une passerelle qui bloque les écritures dans les fichiers protégés sans jeton d’approbation à usage unique, journalisation d’événements sans jugement, distillation hebdomadaire et une compétence de boucle d’exécution TDD.

Plugin de mode d'apprentissage Feynman : boucle enseigner → reformuler → évaluer → réexpliquer, rendue en fiches de cours HTML riches (diagrammes mermaid + coloration syntaxique shiki).

Plugin de débat mult modèle pour DeepSeek Harness : plusieurs IA configurées débattent du même sujet en plusieurs tours avec leur persona et un contexte partagé. Le juge pondère six axes : agressivité, logique, fidélité au personnage, intérêt, stratégie et profondeur. Le rapport qualité-prix utilise séparément le ledger réel de dsh-cost-meter. Exporte un compte rendu Markdown et docx.

Compagnon IA avec rythme biologique appris, vrai sommeil hors ligne et mémoire propre ; transmet un affect déclaré par lui-même, évalué selon le même calcul judge que la version pi.

Équipe d’assemblage mémoire pour DeepSeek Harness : chaque message déclenche une boucle cognitive en cinq étapes (judge, retrieve, assemble, feedback, calibrate), portée par des subagents aux rôles judge, retriever, archivist, advocate, editor et scribe. Recherche BM25, matériaux ordonnés par date et assemblage LLM forment des dossiers injectés dans linghun. Fonctionne avec dsh-linghun.

Fork maintenu de dsh-approval-gate. Si une opération neutre atteint le seuil de confirmations et que le juge est indisponible, elle est approuvée automatiquement au lieu de redemander à un humain. Les explications aux approbateurs sont générées en chinois à partir du mode sandbox, de la commande et des chemins réels. Inclut aussi refus déterministe d’exfiltration d’identifiants et de destruction de chemins système, masquage de l’entrée du juge, chaîne de modèles candidats, règles d’autorisation par fingerprint et vue avec diff unifié et annulation en un clic.