Plugins

Contrôles d'hygiène des pull requests avant envoi dans DeepSeek Harness : analyse le diff courant pour détecter les TODO restants, les secrets codés en dur et les sujets de commit non conventionnels.

Donne à DeepSeek Harness le contrôle de Tabbit Browser : charge automatiquement la skill tabbit-browser à l'installation, détecte les versions officielles de Tabbit et Tabbit Browser (>= 1.9.0), vérifie le runtime persistant de tabbit-cli, diagnostique le mode sandbox DSH par plateforme nécessaire pour appeler la CLI, et télécharge l'installateur officiel correspondant à la région via une tâche en arrière-plan lorsqu'aucune version éligible n'est présente.

Donne à DeepSeek Harness le contrôle du navigateur Tabbit : charge automatiquement la compétence tabbit-browser à l'installation, détecte les versions officielles de Tabbit et Tabbit Browser (>= 1.9.0), vérifie le runtime persistant tabbit-cli, diagnostique le mode sandbox DSH par plateforme nécessaire pour appeler le CLI, et télécharge l'installateur officiel correspondant à la région via une tâche en arrière-plan quand aucune version qualifiée n'est présente.

Garde de discipline d'ingénierie : vérification des exigences avant la première modification, portes de preuve de test rouge/vert, revue adversaire bifurquée et rapport de livraison avec un flux de vérification par dimension.

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

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.

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.

Score multi-dimensionnel de qualité pour les plugins DeepSeek Harness, évaluant un dépôt ou un paquet npm selon la réussite de l’installation, l’activité de maintenance, l’exhaustivité de la documentation, l’analyse de sécurité et la conformité au protocole à partir de preuves CLI réelles, et produisant un rapport de classement en JSON ou Markdown.

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.

Compétence de revue de code pilotée par modèles : flux de revue en cinq étapes, classement par sévérité (critique/moyen/mineur), notation quadridimensionnelle (qualité, sécurité, performance, maintenabilité), sortie double texte et HTML et base de connaissances de référence à la demande.

Répertoires de travail secondaires pour un projet DSH : l'agent conserve l'espace de travail principal comme cwd et obtient des permissions de lecture/écriture/exécution égales sur les répertoires secondaires configurés, paramétrables depuis l'en-tête de session et la page de nouvelle session.

Réveille l'agent principal après tout redémarrage de DSH pour que le travail interrompu reprenne automatiquement — ajoute un outil de redémarrage et un canari optionnel qui valide le boot et annule avec une alerte avant un redémarrage cassé.

Essaims d'IA basés sur les rôles pour DeepSeek Harness : un architecte planifie, des constructeurs parallèles exécutent, des relecteurs filtrent la qualité, et un intégrateur livre. Épinglage de modèles par rôle avec chaînes de secours, boucles de revue, contrats de preuves, revues à validation humaine, pause/reprise tenant compte du quota, et un kanban en direct + diagramme de flux dans l'interface web. 40 tests ; installation depuis GitHub ou npm.

Connectez DeepSeek Harness à un pipeline Hermes : modèle de spécification de répartition, routage par niveau de modèle, portes de qualité pilotées par l'orchestrateur, règle d'écrivain unique pour git, le tout sous forme de pack SKILL.md (installable en bundle).

Base de connaissances selon le motif Karpathy LLM Wiki pour DSH : compétences wiki-write/wiki-search, pipeline sans dépendance (lint/index/synchronisation mémoire mnemon/retour qualité), plugin de cycle de vie minimal injectant schéma + aperçu des connaissances, rappel sémantique SiliconFlow via un proxy compatible Ollama.

Boîte à outils de données financières pour les agents DSH : formatage des nombres et des devises (y compris les unités chinoises wan/yi), calculs de rendement et CAGR, ratios de valorisation et de rentabilité, PV/FV, métriques de risque et liste de contrôle de la qualité des données.

Plugin DeepSeek Harness qui économise agressivement les tokens sans nuire à la qualité : troncature sans perte en tête/fin des résultats d'outils (par défaut), repli des résultats grep, délégation à dsh-compaction-basic déclenchée par la pression, et une sous-classe CompactionEngine à résumé LLM pour le mode agressif. Économise 97,6 % des tokens d'entrée sur une suite synthétique de 8 scénarios, toutes les réductions passant par le flux d'événements dsh pour que modèle-visible = journalisé reste vrai.

Affiche en temps réel dans le navigateur les fonds d'écran de scènes de Wallpaper Engine (lecteur three.js plus une simulation de particules CPU en Rust/WASM) et lit les fonds vidéo et web, avec repli sur l'image d'aperçu, sans nécessiter le runtime de Wallpaper Engine. Analyse la bibliothèque locale du Steam workshop (431960) par détection automatique ou chemin manuel, et propose un panneau de réglages pour la sélection des fonds, les répertoires de bibliothèque et de moteur, la lueur, la pause et la qualité.

Plugin de planification multi-modèle proactive : ingestion de signaux multi-sources avec déduplication et classement d'urgence, moteur de décision à quatre voies (exécuter/différer/rejeter/demander à l'utilisateur), génération de plan DAG avec exécution parallèle de modèles, réflexion qualité avec réessai automatique et changement de modèle, mémoire long terme pour les motifs de tâches et leçons, et évolution de stratégie via algorithmes génétiques avec évaluation en sandbox et déploiement canary.

Pack mobile-first d’améliorations de l’interface Web DeepSeek Harness : onglets de sessions actives façon Chrome, ouverture/fermeture par balayage de la barre latérale plein écran, panneau superposé, récents quand elle est repliée, changement de session sans focus clavier, adaptation viewport/clavier IME, retour tactile, défilement interne du code et des tableaux, menu d’autorisations masqué, réglages plein écran avec mémoire d’onglet, pulsation d’état via compositeur et protection contre le glisser-déposer involontaire, parmi 14 fonctions. Chacune se règle indépendamment dans Paramètres → QoL, prend effet immédiatement et est conservée par navigateur dans localStorage. CSS/JS côté client uniquement ; règles mobiles limitées à 768px et moins, sans effet sur ordinateur.

Workflow de publication de contenu pour Compte Officiel WeChat en six étapes, avec des outils de contrôle qualité et une compétence intégrée.

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).

Garde-fous appliqués par le moteur pour les essaims d'agents DeepSeek Harness : les portes de qualité rejettent le travail à moitié fait, des points de contrôle résistants aux plantages reprennent sur place — les équipes IA ne se contentent pas de tourner, elles ne cassent pas.

Boutique de plugins : catalogue faisant autorité npm + liste sélectionnée awesome (550+ plugins, 11 catégories), vérification qualité par champ dsh, installation officielle en un clic via `dsh plugin add/remove`, accès depuis la barre latérale + les réglages.