Plugins

Compétences de flux de travail de recherche ARIS en tant que bundle DeepSeek Harness : 82 compétences plus revue adversariale inter-modèles via Codex.

Votre compagnon d'apprentissage IA : il vous aide à planifier vos études, à comprendre les concepts et à construire des projets pour maîtriser un sujet.

Exploration de l'architecture AGI en boîte blanche : métacognition (boucle d'auto-cognition), apprentissage continu (volant d'inertie des connaissances), modèle du monde (espace de conditions, graphe de mémoire spatio-temporelle), auto-amélioration (discipline bootstrap), pipeline en boîte blanche zéro-LLM et garde-fous de confiance auditables.

Faites évoluer compétences, agents, prompts, code et plugins depuis DeepSeek Harness, avec AgentDescent.

Transforme l'expérience explicite de session DSH en brouillons Skill natifs révisables qui ne sont enregistrés qu'après approbation de l'utilisateur.

Sélectionnez du texte dans une réponse DSH validée pour ouvrir un Topic multi-tour indépendant, persistant et en lecture seule, lié aux preuves de la session source et aux fichiers du projet, pendant que l'Agent source continue de tourner.

Optimisation en un clic d'une instruction brute en prompt professionnel : trois styles de sortie, profilage de rôle/tâche/objectif conscient de la situation, apprentissage auto-itératif (mémoire de session + valeurs par défaut intelligentes + substitutions utilisateur), /template pour 22 sous-scènes avec zéro appel au modèle, ✨ optimisation/annulation en un clic dans la zone de saisie, outil prompt_optimize, hook d'auto-optimisation et documents zh/en détectés automatiquement.

Un onglet d'étude avec des colonnes de plan de cours, tuteur et tableau noir qui transforme des fichiers markdown, des dossiers locaux ou des dépôts GitHub en cours guidés, avec déverrouillage des leçons, suivi de maîtrise, répétition espacée et import de cours conçu par un tuteur.

Mode d'apprentissage local-first : fils d'apprentissage inter-sessions avec explications par source.

Mode d'apprentissage qui explique chaque étape de l'agent (en cours de développement).

Boucle d'auto-raffinement continu : mémoire persistante, revue-et-raffinement périodique, connaissance partagée entre sessions, et rollback automatique via un outil harness_refine appelable par modèle.

Routage et évolution intelligents des sous-agents : liez des rôles à tout provider/modèle enregistré dans DSH, y compris les modèles fournis par les plugins provider de Codex et Claude Code, avec apprentissage par espace de travail.

Plugin cognitif inspiré du cerveau : mémoires épisodique, sémantique, procédurale et émotionnelle avec signaux d’apprentissage par renforcement, pile d’objectifs avec déclencheurs temporels, recherche web autonome guidée par la curiosité et initiatives proactives.

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).

Agent d'écriture en collaboration approfondie pour DSH : apprentissage du style d'écriture par utilisateur à partir de paires d'édition, flux clarify→outline→section-writing→red-team→reader-gallery, synthèse projet-vers-rapport (rapport de laboratoire / présentation produit / enquête / README), 41 outils MCP et interface web de sélection-amélioration avec aperçu de fichiers intégré.

Exporte les événements de tour, modèle, outil, approbation, nouvelle tentative et erreur de DSH (métadonnées uniquement) vers Tuning Engines pour des traces gouvernées, une évaluation des politiques, une analyse des coûts et une revue des Work Sessions, avec une file de nouvelles tentatives persistée sur disque.

Pont de tutorat DeepTutor : explications profondes, questions d'auto-test, planification de parcours d'apprentissage, recherche de base de connaissances personnelle (RAG), et archivage de notes via les outils deeptutor_run / deeptutor_kb / deeptutor_note.

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).

Préréglage d'agent de documentation technique pour DeepSeek Harness : écriture pilotée par modèles avec bibliothèque de modèles auto-apprenants, suppression de la saveur IA pour les documents techniques, et boîte à outils d'assurance qualité (audit de documents, cohérence inter-documents, renumérotation, synchronisation des versions, export PDF et Word, automatisation des captures d'écran).

Compagnon d'apprentissage par fils de citations durable pour les conversations DeepSeek Harness

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

Mémoire de session → Plugin de sédimentation de connaissances OKF : système de mémoire à auto-apprentissage neuronal piloté par la prédiction. Sédimente le contenu à forte valeur des sessions en mémoire à long terme selon la spécification OKF v0.1, et le rappelle automatiquement d'une session à l'autre. Plugin de mémoire session-vers-OKF avec auto-apprentissage neuronal (rappel prédictif, capture guidée par l'incertitude, retour par renforcement).

Boucle d'auto-apprentissage pour dsh : enregistre les leçons, rédige et promeut les compétences ; revue périodique du conservateur qui corrige, consolide et retire les compétences.

Publishes a lesson into the DSH conversation: the dependency spine, the question and the vault's drawings, drawn in the vault's own palette.