Plugins

Animal de compagnie de bureau pour la Web UI DSH avec 25 animations transparentes, déambulation à l'écran, réactions au clic et glisser-déposer, plus un pipeline reproductible de génération d'assets.

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.

Accès distant multi-appareils pour DeepSeek Harness : reprenez une session active depuis votre téléphone, tablette, navigateur ou un autre ordinateur via un canal chiffré de bout en bout (Noise IK + transport adaptatif relais/WebRTC), avec autorisation des appareils, capacités distantes limitées à ApiProxy et aperçu de fichiers en lecture seule via dsh-file-viewer — ni shell, ni bureau à distance, ni accès en écriture.

Accès distant multi-appareils pour DeepSeek Harness : poursuivez une session active depuis votre téléphone, tablette, navigateur ou un autre ordinateur via un canal chiffré de bout en bout (Noise IK + transport adaptatif relais/WebRTC), avec autorisation des appareils, capacités distantes réservées à ApiProxy et aperçu de fichiers en lecture seule via dsh-file-viewer — sans shell, bureau distant ni accès en écriture.

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).

Transpose les 38 thèmes opencode (33 TUI, 4 desktop 2.0 et system) dans DeepSeek Harness. Pipeline JSON → résolution des couleurs → surcharge DSH, persistance par navigateur, choix monospace/proportionnel et cinq polices de code ; le fallback system ne conserve que la typographie.

Vérification de la qualité des données pour DeepSeek Harness — pipelines de profilage, nettoyage et vérification avec rapports structurés.

Boîte à outils de R&D quantitative pour DeepSeek Harness — 59 outils répartis sur six domaines couvrant les données de marché, les indicateurs, l’évaluation de facteurs, la validation ML walk-forward, le risque (VaR/CVaR/drawdown/Beta avec Kupiec POF), les options, les obligations, les FICC et la simulation de fonds, avec un pipeline de recherche bout en bout PDAT→PET.

Pipeline QA sous forme de 10 skills d'agent : analyse des exigences, stratégie de test, rédaction et revue de cas, automatisation E2E (Playwright) et API, exploratoire, périmètre de régression et analyse de bugs, soutenu par une base de connaissances partagée avec règles de format, modèle de risque et validateurs de schéma.

lowtide : pipeline de tâches batch hors pointe avec adjudication humaine pour dsh (conscient des tarifs pointe/creux)

Contrôle la langue de raisonnement de DeepSeek Harness. Default English fait seulement suivre aux réponses la langue de la question ; Simplified Chinese fixe aussi le raisonnement en chinois. Injecte une section du prompt système rendue en premier via un order minimal et protège le réordonnancement de l’assemble pipeline contre les plugins plus précoces ou d’order inférieur. En option, préfixe le message utilisateur de chaque tour avec un texte et marqueur idempotent. Réglage dans Settings → General, appliqué à chaud sur les hôtes schemastery >= 3.18.3.

Installe quatre presets de recherche mathématique multi-agents pour DSH : v2 (pipeline guidé par les probabilités avec débat multi-vérificateurs), v3 (base de connaissances Markdown façon article avec un agent planificateur et une bibliothèque de méthodes réutilisable), v4 (résidents persistants auto-organisés qui s'écrivent et se réunissent) et v5 (un institut de recherche avec un académicien qui décompose et attribue le travail, des chercheurs votants, des intérimaires, un chat de groupe et un tableau de tâches compare-and-set) ; les quatre gèrent la reprise sur point de contrôle, l'intervention humaine et un interrupteur optionnel de vérification formelle Lean (off/encourage/require) dont la preuve validée transforme le vote en contrôle de fidélité des énoncés Lean.

Lecture approfondie et résumé pour DSH : livres, articles, vidéos et web transformés en notes Obsidian structurées via des parseurs de plugins, des sous-agents parallèles MapReduce de lecture profonde, des sorties JSON Schema et un cache idempotent.

Génération d’images et de vidéos par IA pour l’interface Web DSH. Catalogues par canal et adaptation par famille (gpt-image, Grok Imagine, Nano Banana, Seedream, GLM-Image, Qwen-Image, MiniMax image-01, DALL-E 3), studio latéral, canevas infini à nœuds, aperçu de fichiers, skills de canevas et modèles de prompts. La vidéo gère texte/image vers vidéo, première/dernière image clé et références multiples, avec soumission/sondage/téléchargement asynchrones, outils vidéo côté hôte, nœuds vidéo et assemblage local avec ffmpeg d’au moins deux nœuds en un MP4.

Shell web mobile pour l’interface web DSH : tiroirs superposés, FAB déplaçable, correctifs du compositeur mobile, et bouton flottant de téléversement d’images fixé au-dessus du compositeur (galerie/caméra natives, intégré au pipeline validé d’ajout d’images), sans régression bureau. Publié sur npm sous le nom dsh-webui-mobile.

Pipeline de coût en tokens pour DeepSeek Harness : compaction en couches sensible à la pression (projection sans perte sous 40 % de pression de contexte, résumé par LLM au-delà), liste d'outils autorisés par agent, conversion de texte long en image avec résumé par vision, et une commande /token-status suivant la pression, les paliers et les tokens économisés.

Porté du plugin ARS Claude Code (44k+ étoiles sur GitHub) : skills de recherche académique pour DeepSeek Harness — une équipe d'agents de recherche approfondie, un pipeline de rédaction d'articles, un panel de revue par pairs multi-perspectives et un orchestrateur de bout en bout, plus seize commandes /ars-*.

Le bundle DeepSeek Harness enregistre une compétence transformant la production longue (articles académiques, analyses sectorielles, commentaires d'affaires) en pipeline à 9 rôles : scouts T1 littérature / T2 données / T3 cas en parallèle, T4 analyste, T5 rédacteur, T6 compagnon critique, T7 auditeur, T8 finaliseur, T9 évaluateur par les pairs exécutés par le coordinateur. Sur 6 phases, vérification triangulaire, M-gate de 23 contrôles, audit G0-G14 incluant gate de traçabilité IA, notation peer-review avec correspondance de revues, et 4 points de contrôle humains. Installation avec `dsh plugin add lunheng-article-pipeline` (package.json#dsh.bundle.patch plus lib/index.js) ; fournit fiches de rôles T1-T9, modèles et 11 scripts de vérification sans dépendance, avec READMEs en cinq langues.

Pipeline de recherche multi-plateformes et de recherche approfondie : harvest_scout pour la découverte parallèle sur GitHub, Web, Twitter, Reddit, Xiaohongshu, Bilibili et YouTube ; harvest_deep_research pour des rapports de recherche complets automatisés ; plus extraction, vérification croisée des sources et audit de crédibilité.

Preset mode expert DeepSeek Harness (v0.9.2, npm dsh-expert-mode, EN/ZH) : coordinateur principal + 17 sous-agents experts de domaine avec délégation automatique. Fonctions : taskboard (états pending/ready/running/done/failed, DAG dépendances, réclamation atomique, retry, récupération), portes qualité (pipeline 5 étapes : exigences, implémentation, vérification, revue, intégration ; 2 reprises), Five-Anchor (revue/convergence/anti-dérive/collaboration/ressources), Near-distance (modèle identité/tâche/sortie), divulgation progressive (~28 % économie de tokens), persistance, bus P2P, revue croisée, pool d'expérience, voie rapide, auto-retry. 17 experts : données, rédaction, juridique, PM, frontend, UI/UX, architecte, social, growth, fin. quant., backend, DevOps, BD, QA, sécurité.

Équipe Multi-Agent par rôles pour DeepSeek Harness : produit, architecture, frontend, backend, révision et QA travaillent en neuf phases contrôlées ; équipe persistante disponible. Sans dépendances d’exécution ni build.

Transforme une exigence d’une ligne en livraison vérifiée. TeamFlow enchaîne triage, PRD, conception, plan technique, développement parallèle, QA avec reprise des défauts et validation. Il fournit 12 outils `teamflow_*` et un atelier avec graphe de pipeline en direct et kanban de backlog. Chaque exigence dispose d’un dossier contenant PRD, conception, plan technique, rapport QA et fiche de validation.

Plugin « écriture mono-cœur » pour DeepSeek Harness : outils minutieusement simplifiés et sortie renforcée pour les petits modèles quantifiés, adapté à l'exécution locale de pipelines de romans longs avec des modèles embarqués.