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.

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.

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

Porte les 38 thèmes d'opencode (33 TUI + 4 desktop 2.0 + system) dans DeepSeek Harness : pipeline piloté par les données (JSON → color resolve → DSH override), persistance par navigateur, choix monospace/proportionnel, cinq polices de code et un repli system qui ne conserve que la typographie.

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.

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.

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.

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.

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-*.

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.

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.

Équipe multi-agents par rôles pour DeepSeek Harness. /team réunit jusqu'à 12 sous-agents (produit, architecte, recherche, UI, backend, frontend, BD, sécurité, relecteur, QA, DevOps, docs) et exécute un pipeline à 9 phases avec jalons (clarifier, étudier, concevoir, relire la spec, approuver le plan, implémenter, relire, tester, livrer) sur des artefacts partagés. Les jalons qualité sont imposés par le code, non par les prompts : une tâche inachevée ne peut être marquée terminée, les constats arbitrés par le relecteur ou le QA, et les lacunes de couverture ou le rework apparaissent dans l'overlay et /team status. Livre un overlay (phases, effectif, DAG, artefacts, décisions), un mode équipe persistante et la comptabilité de tokens/temps. Pas de dépendance à l'exécution ni de build.

Du chat au canevas puis à l'œuvre : pilotez ComfyUI comme IDE visuel de workflows dans DSH. Intégrez ComfyUI (local ou cloud) comme canevas en écran partagé dans DSH Web : l'agent écrit prompts et scripts dans le chat, les applique en direct et produit images, musique, vidéo et 3D. Opérations : composer des pipelines, lire/écrire les workflows, éditer les nœuds, câbler les liens, exécuter, régler et déboguer. Production : balayages de paramètres par lots (batch_run) et récupération automatique des sorties dans le chat (get_outputs). Entretien : lancement et mise à niveau en un clic de ComfyUI, du cœur et des nœuds personnalisés. Ce paquet est le plugin côté DSH et embarque le nœud pont côté ComfyUI.

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.

Commande Cordis /hongtou : pipeline en deux phases (JSON structuré par LLM + rendu déterministe de modèle XML Word 2003)

Pipeline d'optimisation des jetons en couches pour DeepSeek Harness : échelle de sortie, chargement paresseux MCP, moteur de compaction, reporting des hits de cache. Construit sur les vraies API de plugins DSH ; ~40-60 % d'entrées économisées dans les longues sessions.

AI Company Framework : transforme une phrase en une entreprise multi-agents — 15 Skills à plat (boss/pipeline/role-template/11 rôles/generic customer-memory), 7 templates de workflow, runtime AgentTeams + panneau d'activité, sidebar employés avec isolation par session, pont bot Feishu (bots boss et par employé, routage de groupe, push autonome, porte de décision humaine, guide contact externe), mémoire SQLite par client avec mémoire à trois couches (fusion inter-groupes), commutateur de mode /company ; pas de RAG.

Une suite de compétences de modélisation mathématique à accès contrôlé pour DeepSeek Harness : un pipeline en cinq étapes avec des jalons de validation, des schémas de rédaction pour articles primés, une analyse de sensibilité, un diagnostic statistique et un préréglage pour concours.

Découverte progressive d'outils stable en cache : une surface fixe tool_search et tool_dispatch à chaque requête, recherche de catalogue en mémoire, dispatch imbriqué via le pipeline du Harness et une liste d'outils natifs stable au byte à travers la découverte.

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.