Plugins

Applique la marque OpenQuantum, les métadonnées du navigateur et les assets PWA à l'interface web native de DeepSeek Harness.

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.

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 un préréglage d'écriture de roman multi-agents pour DeepSeek Harness : un agent chef d'orchestre répartit le travail entre cinq sous-agents spécialisés — construction du monde, intrigue, gestion des personnages, rédaction de la prose et révision qualité.

Atelier de projets QA pour dsh : gérer projets de test, exigences, cas de test, anomalies, jalons, rapports et portes de validation via une interface navigateur et 18 outils du domaine QA.

RAG de base de connaissances bibliographiques locale : 10 outils (kb_ingest, kb_search, kb_rag, kb_zotero, kb_dedup, kb_clear, kb_fetch, kb_scope, kb_stats, kb_status), recherche hybride BM25+vecteurs+reranker, questions-réponses avec citations et liens DOI cliquables, embeddings bge entièrement locaux sur un index SQLite en un seul fichier. Nécessite Python 3.9+ avec pymupdf, faiss-cpu et sentence-transformers ; l'installateur `npx dsh-kb-rag-install` les met en place et pré-télécharge le modèle.

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-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.

Exécute le travail comme un équipage d'agents par rôle : un chef de produit rédige le PRD ou la DoD, attend votre confirmation, puis démarre architecte, ingénieur, QA et réviseurs dont les boîtes à outils sont verrouillées par rôle, et partage le travail via des fichiers sur disque.

Plugin de vision DeepEye pour DeepSeek Harness (DSH) : description d'image, OCR, VQA, mise en page d'UI et analyse du presse-papiers.

Un onglet de questions en barre latérale basé sur DSH-better-sidebar, reproduisant les questions latérales façon Codex ou la fonction /btw de Claude Code.

Plugin d'orchestration QA pour DeepSeek Harness : un agent explore votre application et laisse des preuves, puis le chemin exploré est rejoué de manière déterministe. Pilote le navigateur ainsi que les pilotes de bureau macOS, iOS et Android.

Boîte à outils de rédaction académique pour les agents DSH : plans d’article, gabarits de titre et de résumé, citations GB/T 7714 / APA / MLA, contrôle qualité du phrasé et liste de vérification avant soumission.

A focused end-user QA surface backed by native DeepSeek Harness sessions

Product Design workflow suite for DeepSeek Harness - a router plus nine pd-* skills carrying ideas from a minimum design brief through visual directions, evidence-grounded research and audits, URL cloning, frontend builds and a blocking design-QA gate.

Boîte à outils de traduction pour les agents DSH : segmentation en phrases, extraction de termes et de glossaires, contrôle qualité source-cible (nombres, unités, parenthèses), guides de ton et mémoire de traduction de workspace durable.

Image and video production toolkit for DeepSeek Harness - background removal with quality tiers, local inpainting retouch, headline and logo compositing, batch platform-size exports and image QA reports; for video, AI subject matting with background replacement (RVM ONNX, plus a chroma-key path), animated titles with fade/slide/typewriter/karaoke presets, 53 transitions with stylized variants, and light-effect and grading presets with LUT support, alongside footage inventory, accurate cutting, subtitle burn-in, music mixing and platform-spec exports; it provisions its own local Python runtime through a bundled bootstrap script.

Quality suite: background tsc --noEmit diagnostics fed back after the agent edits TypeScript, plus a /code-review command running five parallel review lenses with confidence scoring; absorbs dsh-code-check and dsh-command-code-review.

Design mode for DeepSeek Harness: the design-loop agent preset plus design-principles and design-qa skill packs

Vision pour les LLM texte seul : description d'image / OCR / VQA via les API de vision gratuites Gemini et GLM.