Plugins

Passerelle ShiGuang Memory Engine (SGME) : mémoire à long terme partagée multi-agents via HTTP — distillation L0/L1/L1.5/L2, injection par scénario, recherche unifiée et signaux d'attention proactifs (memory_search / wiki_search / signal_pull / signal_claim / signal_ack), installable comme `dsh-sgme`.

L'IA peut rédiger un texte de CV, mais les modèles peuvent toujours sembler erronés, les pages peuvent déborder, des espaces peuvent rester et de petites modifications peuvent déstabiliser la mise en page. dsh-resume fournit un flux de travail DSH de bout en bout pour un raffinement véridique du contenu, une sélection de modèles, un réglage de la mise en page A4, une révision visuelle et des versions de CV personnalisées pour différents scénarios de recherche d'emploi.

Entraînement aux entretiens par IA pour DeepSeek Harness Web : génère des questions dans quatre modes (révision de concepts, entretien simulé, scénario, LeetCode Hot 100), note les réponses et fournit des explications.

Preset d'agent Learning Mode : un agent de code qui enseigne en codant — explications concrètes ancrées dans des scénarios, guidage socratique, et blancs de pratique TODO(你), modelé sur le style de sortie Learning de Claude Code ; installable via dsh plugin add (dsh-learning-mode sur npm).

Preset d'agent Learning Mode : un agent de codage qui enseigne en codant — explications concrètes ancrées dans des scénarios, guidance socratique et blancs de pratique TODO(你), calqué sur le style de sortie Learning de Claude Code ; installable via dsh plugin add (dsh-learning-mode sur npm).

Plugin de configuration de scénarios : différentes combinaisons de plugins forment différents scénarios, gestion unifiée de l'activation/désactivation des plugins (la page de configuration détecte automatiquement les plugins installés et bascule à chaud selon le scénario) ; le modèle est sélectionné par l'utilisateur dans la fenêtre de session selon les besoins.

Mémoire des décisions et objectifs avec lignage : des commandes explicites et un outil de modèle enregistrent les décisions de façon déterministe, une carte d'état les réancre à travers la compaction, un flux d'événements sans perte avec recherche BM25+jieba l'étaye, et une suite de régression de fidélité au niveau des scénarios contrôle les releases.

Team knowledge base for offline knowledge sharing (FDE box scenario): browse, full-text search and refinement entry points; raw material is queued automatically and distilled into wiki pages by a serial bot session (Karpathy LLM Wiki pattern: immutable raw, two-step refinement, log stream, monthly lint).

DeepSeek Harness plugin that aggressively saves tokens without affecting task quality: lossless head/tail truncation of tool results (default), grep-result folding, pressure-triggered dsh-compaction-basic delegation, and an LLM-summary CompactionEngine subclass for the aggressive mode. Saves 97.6% of input tokens on an 8-scenario synthetic suite, with all reductions routed through dsh event flow so model-visible = logged stays intact.

Live token cost for every chat in the DSH Web UI: the chat, its subagents and the whole session tree, priced from a bundled models.dev snapshot of seven providers and 139 priced models, with cache read and write rates wherever the provider publishes them and DeepSeek from its own peak and off-peak table. Every finished answer carries its own price in the transcript, and a chat that is not currently open is priced from the log instead of disappearing. Spend is costed per interval from an append-only JSONL ledger in the project folder, so logged work keeps the tariff it was billed at. On top of it: budget-aware work plans packed against a money limit, routing scenarios that show which models are worth connecting, a generated plan document in English, Chinese or Russian, and a warning when spend belongs to no plan unit.

Skill dossier + work report for DSH: browse, search and archive each skill (direction, scope, boundaries, scenarios), review or delete it, and roll daily briefs into daily, weekly and monthly reports.

An agent preset that turns a one-line idea into requirements, tech plan and maintenance baseline — every step is restated and confirmed by you before proceeding. No scenario presets: 73 atomic skills (6 master skills + a verify dispatcher + 66 sub-skills) load by context.

Routes dsh requests by conversation scenario and retries with fallback models when requests fail.

Scenario bundles of dsh plugins (插件界的 dotfiles): a recipe tool that lists, searches, applies and composes ready-made plugin environments with ordered install sequences.

Beginner starter pack for DeepSeek Harness: welcome flow, 0→1 learning path, scenario-based plugin recommendations and a self-check checklist, paired with the dsh-handbook-zh Chinese tutorial repo.