Plugins

Remplace les fournisseurs de système de fichiers et bash par un espace de travail virtuel mirage : les outils de fichiers et les commandes shell s'exécutent sur des ressources montées (RAM, S3, Redis, Slack, Gmail, Notion, Postgres) au lieu du disque hôte, avec des modes lecture/écriture/exécution par montage, un routage de bac à sable par commande (monty, pyodide, quickjs en processus ; docker, e2b, daytona à distance), et des CLI installées (git, gh, slack, linear, ntn, gws, ou une que vous enregistrez) comme mots-clés de tête dans le terminal virtuel.

Mémoire persistante supervisée par LLM pour les agents IA — rappel basé sur un graphe, connaissances inter-sessions, binaire unique. Fonctionne avec DeepSeek Harness, Claude Code, OpenClaw et tout runtime d'agent.

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

Expose les modèles gratuits OpenCode Zen à DeepSeek Harness, sans clé API.

Labyrinthe d'exécution pour les sessions DSH : le vrai trajet de l'agent — progression principale, détours échoués ou en cul-de-sac, retours en arrière, nouvelles tentatives de requête et branches de sous-agent — tracé sur une seule chronologie horodatée, avec trois pistes sous chaque couloir partageant cet axe (densité des tool-calls, impulsion de tokens, pression du contexte) et un panneau d'analyse déterministe en dessous (matrice des résultats d'outils, chaînes échec-récupération, distribution des durées) ; observez-le grandir en direct dans un onglet de session, ou téléversez jusqu'à 5 journaux de session pour une comparaison sur le même axe.

Mémoire causale pour dsh : un pont stdio MCP à dépendance zéro qui monte les 17 outils du serveur de mémoire causale sous des noms propres (pas de préfixe mcp__) - décision → bords de résultat avec des relations typées (causées / activées / empêchées) dans un magasin SQLite local qui survit au compactage - plus une section d'invite système épinglée. Nécessite le binaire du serveur de mémoire causale sur PATH (pip install causal-memory ou une version prédéfinie).

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.

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.

Trace Compare & Live Maze : dessinez l’exploration réelle de l’agent — chemin principal, détours infructueux ou sans issue, retours en arrière et branches de sous-agents — sur une unique ligne temporelle murale ; importez 1 à 2 journaux de session pour une comparaison sur le même axe ou observez sa croissance en direct dans un onglet de session.

Ensemble DeepSeek Harness : le relais AgentRouter comme une route pi-ai, avec un commutateur de point de terminaison national/international dans les Réglages, plus la compatibilité des requêtes sortantes exigée par le relais.

Panneau d'anatomie pour les organes d'Agent-Body : sert un tableau de bord de signes vitaux en direct à /anatomy au sein même du harness — organes, battement, registre de guérison, compteurs d'auto-entraînement et le flux de pouls réel — lu directement dans les fichiers d'exécution plutôt que ressaisi. Hôte uniquement, sans bundle client ni étape de build.

Moteur de contexte Zero-residence : les gros payloads d'outils sont évincés du contexte actif vers un stockage interrogeable et seuls des pointeurs déterministes subsistent, de sorte que les tokens de prompt par tour cessent de croître avec la transcription. Tout contenu masqué est reconstruit mot pour mot à la demande depuis le journal de session, par id d'appel d'outil ou seq de session.

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.

L'organe de mémoire d'Agent-Body : après 2 minutes de silence il passe en sommeil léger et après 5 minutes en sommeil profond, où des règles déterministes distillent l'expérience réelle en cartes de mémoire (pièges, playbooks, points chauds, problèmes non résolus, faits). Les commandes entrantes rappellent les cartes liées par mot-clé et les injectent dans le contexte ; les cartes inutilisées décroissent selon une demi-vie et sont archivées plutôt que supprimées. Il débruite aussi les avertissements d'homéostasie du corps entier : les répétitions dans une fenêtre sont comptées au lieu d'être réimprimées, et un avertissement qui revient sans jamais guérir converge vers un décalage d'état stable connu et se tait. La consolidation et le rappel ne font aucun appel de modèle.

Couche de coordination de plugins : les plugins déclarent leurs capacités, les commandes sont routées vers le plugin propriétaire sans appel au modèle, les schémas d'outils se chargent à la demande pour réduire les tokens du prompt, l'historique d'exécution se consolide en mémoire long terme au repos, et les échecs sont classés avant toute nouvelle tentative.

Couche d'intégration native DSH pour le moteur de mémoire Minta : compose la ligne officielle dsh-mcp-client, enregistre la skill minta-memory-governance ainsi qu'un préchauffage de mémoire en début de session, et fournit un preset d'agent Minta ; nécessite le moteur Minta déployé séparément (Python/Docker) pour fournir les 19 outils MCP — inutilisable sans celui-ci.

Repliement de contexte sans perte pour DeepSeek Harness : le segment le plus ancien est remplacé par un résumé, et les originaux restent dans le journal de session.

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.

CLI self de Superself en tant qu'outils face au modèle (contexte de projet, unités de travail, rapports, décisions) plus une commande /self — état de projet inter-sessions et inter-projets conservé hors du dépôt de code.

Swarm de style Kimi-Code : dispatch de sous-agents en parallèle par lots avec planification adaptative, une commande /swarm et des lignes de progression en direct dans le chat.

TypeSafe Jev (modèle de décision System One) comme outil jev_decide pour DeepSeek Harness : les questions de type noul, choice et score renvoient des probabilités calibrées ; les identifiants réutilisent la couture d'identifiants de DSH ; nouvelle tentative avec repli intégré sur 429/529.

Ajoute des contrats d'exécution persistants, des graphes de travail récursifs, des clarifications critiques et des portes de vérification par preuves pour les tâches Harness longues ou insuffisamment spécifiées.

Fusionne le contexte d'autres sessions dans le tour en cours : résolution de conflits pondérée par les preuves, rétractation des affirmations dont les prémisses ont été rétractées, étiquetage de confiance qui résiste à l'injection de prompts entre sessions, et compactage limité par un budget. Livre un benchmark.