Plugins
Parcourez, filtrez et installez des plugins DeepSeek-Harness.
23 plugins trouvés
memsearch (dsh)
zilliztech/memsearch
Mémoire Markdown partagée pour DSH et d'autres agents de codage, avec capture automatique, injection de contexte pré-étape, rappel interrogeable, et auto-évolution mémoire-vers-skill via un panneau de revue.
dsh-memory-evolve
csyangwen/dsh-memory-evolve
Ajoute à DeepSeek Harness une mémoire persistante entre sessions et une autoévolution en arrière-plan, uniquement par plugin. Comprend cinq axes de mémoire, la prise en compte des branches Git, l’autorévision pendant le tour, l’autoévolution et la gestion des skills, quatre axes de tâches, la planification COI, les notifications et la recherche de sessions, la gestion des prompts et des notes temporaires. Sans modifier le cœur ni dépendance d’exécution ; prêt après installation et entièrement supprimé à la désinstallation.
dsh-memory-evolve
dsh-external/dsh-memory-evolve
Mémoire à long terme inter-sessions + auto-évolution en arrière-plan (5 volets : mémoire / conscience des branches git / évolution des compétences).
dsh-host-rsi
pk14742952-ad/dsh-host-rsi
Plugin d’autoévolution réflexive pour Qwen3.8 27B/3.8 Flash local et API en ligne : un contrôleur de convergence du cycle de code limite la réflexion de vérification répétée de Qwen3.8 27B/Flash pour converger plus vite et réduire le temps de réflexion ; une garde de livraison à cinq états détecte et corrige les tours bloqués et boucles infinies. Logique hôte indépendante du modèle, largement compatible avec les API en ligne ; amélioration continue par usage avec auto-vérifications contradictoires, escalade vers le critique, recherche de mémoire par index inversé, convergence du cycle de code et garde à cinq états.
dsh-continual-evolve
zk-andy/dsh-continual-evolve
Auto-évolution continue : un état de harness versionné, auditable et sûr en cas de retour arrière (prompts, mémoire, skills, spécifications de sous-agents), affiné à partir des trajectoires de session, avec des points de contrôle de revue et des skills rechargés à chaud.
dsh-memory-plus (dsh-memory-bundle)
qianling-0831/dsh-memory-plus
Composition de profils mémoire : recherche de sessions en chinois, rappel hybride, faits d’espace de travail persistants, règles épinglées par l’utilisateur et compétences natives réutilisables. Installer le bundle Release autonome versionné avec une seule commande dsh plugin add. Node.js 24 et pnpm dans PATH sont requis.
dsh-continual-harness
jasen215/dsh-continual-harness
Boucle d'auto-raffinement continu : mémoire persistante, revue-et-raffinement périodique, connaissance partagée entre sessions, et rollback automatique via un outil harness_refine appelable par modèle.
dsh-evolve
william-jin-cmu/dsh-evolve
Auto-évolution : l'agent monte ou retire à chaud des plugins persistants sur lui-même en pleine session.
dsh-self-evolving (dsh-self-evolving)
timwhitez/dsh-self-evolving
Contrôleur d'auto-évolution axé sur les preuves : génération bornée de candidats Cordis, admission Loader réelle en une seule tentative, évaluation Harbor et lignée journalisée reprenant après incident.
dsh-skill-evolution
vanadisgithub/dsh-skill-evolution
Surveille les traces d'exécution de l'agent et déclenche une revue LLM à la fin de chaque tour réussi lorsque des signaux se déclenchent, cristallisant des flux de travail réutilisables en compétences enregistrées qui s'améliorent progressivement au fil des exécutions ultérieures.
companion-memory
root-7-khx/companion-memory
Mémoire de compagnon de jeu de rôle pour DeepSeek Harness : persona modifiable par conversation (poids 1–100, affinée par l’IA), affinité par interlocuteur, souvenirs évalués par IA, tableau de neuf émotions par tour, journal d’auto-évolution, recherche sur 48 h et compression des conversations. Prédit aussi les sujets durant l’inactivité, apprend le ton des réponses passées, écrit les habitudes dans la mémoire via un petit modèle, conserve une base locale archivée par date et regroupée par tours ou jetons, et propose des intégrations avec plugins sélectionnés et releases GitHub. Les routes HTTP n’authentifient pas DSH et sont accessibles au navigateur.
dsh-mnemos
rottenwooood/dsh-mnemos
Mémoire inter-sessions pour DeepSeek Harness avec gouvernance, auto-évolution et écriture soumise à approbation. Rappel classé par chaleur, conventions d'environnement, cycle de vie de l'oubli, chaînes de remplacement, défense contre l'empoisonnement, auto-distillation et mesure ouverte.
dsh-memory
rosesssss66/dsh-memory
Local long-term memory for DSH: extracts preferences and project facts from sessions, injects the most relevant ones before each turn using local SQLite FTS5 search, and supersedes outdated facts. Requires Node 24+; the offline self-evolution loop needs an OpenAI-compatible LLM endpoint and API key.
skill-evolution
veritaswiki/skill-evolution
Reviews each finished turn, distills reusable skills as drafts, runs code-level checks over them, and holds each draft until the user approves or rejects it with a directive; every write is recorded in a SHA-256 ledger that supports rolling back a single entry. On by default, it reviews finished turns with the current session model (or an OpenAI-compatible endpoint set through DSH_EVOLUTION_BASE_URL), sending a bounded excerpt of the conversation, and writes drafts to ~/.dsh/skills/.staging until you promote them. Its bundle patch lowers DSH's skill-catalog description limit from 500 to 80 characters for every skill, and it starts an unauthenticated HTTP server on 0.0.0.0:18890 (DSH_EVOLUTION_PORT) that can list and promote drafts, change settings and trigger reviews.
dsh-behuman
goodddgrades/dsh-behuman
Mémoire à long terme et skills autoévolutifs pour DeepSeek Harness : Markdown brut sur disque, sans vector store.
dsh-memory-fortress
linshuangb347/dsh-memory-fortress
Memory Fortress pour DeepSeek Harness : mémoire hiérarchisée à 5 axes, autoévolution, graphe de connaissances (SQLite+FTS5) et indicateur d’état. Forteresse mémoire locale : cinq pistes, autoévolution, graphe de connaissances et voyant d’état.
dsh-darwin (forge)
que3sui/dsh-darwin
Actionneur d’auto-évolution : exploite des tickets de problèmes extraits des journaux de session et synthétise des skills candidates (niveaux sans code par défaut), derrière une évaluation avec canaris de réserve. Les promeut ensuite vers `.dsh/skills` du projet après confirmation humaine, avec retour arrière déterministe.
dsh-evolve-modes
graysilver/dsh-evolve-modes
Contrôles composables de travail, de raisonnement, de qualité et d'auto-évolution relue par un humain pour DeepSeek Harness Web.
dsh-fathomkernel
az13js/dsh-fathomkernel
Plugin d'optimisation algorithmique auto-évolutive pour DeepSeek Harness : vous déclarez uniquement les objectifs et critères d'acceptation. Usage personnel ; la stabilité n'est pas garantie dans l'état actuel.
dsh-self-evolution
tommy00748/dsh-self-evolution
Mémoire à long terme autogérée et bornée (MEMORY.md/USER.md façon Hermes, limites strictes de caractères et contrôle de sécurité) ; revue après chaque tour pour rédiger des notes simples ou améliorer une skill existante sans doublon ; curator qui trouve et répare les skills que le chargeur écarterait silencieusement ; recherche intersessions. Une carte d’apprentissage apparaît seulement en cas de nouveauté et demande confirmation avant suppression ou reformulation d’une mémoire.
dsh-self-evolve
jianghuife/dsh-self-evolve
Auto-évolution façon Hermes pour DeepSeek Harness : l’outil skill_manage permet à l’agent d’enregistrer des procédures éprouvées comme skills. Comprend des consignes de prompt sur le moment de les enregistrer, le suivi d’utilisation et un curator en arrière-plan qui maintient la bibliothèque de skills créée par l’agent en bon état.
dsh-rule-evolve (plugin)
zoahdev/dsh-rule-evolve
Boucle d’autoévolution guidée par la vérification : transforme les journaux d’échec en règles AGENTS.md vérifiées. Le plugin de session fournit evolve_learn / evolve_apply / evolve_touch / evolve_recall, une validation des outils, le cycle de vie des règles et le rappel local.
dsh-evolution-lab
jaydong9130/dsh-evolution-lab
Autoévolution de skills fondée sur des preuves pour DeepSeek Harness : apprentissage à partir de trajectoires masquées, propositions en quarantaine, validation en arène, surveillance canary et retour arrière automatique.