Plugins

Téléchargement local de factures IMAP, OCR, archivage et bundle récapitulatif Excel pour DeepSeek Harness

Repliage automatique du flux de travail façon Codex : les tours terminés se replient en une seule ligne « traité en Xs » ne laissant que la réponse finale ; les appels d'outils et les blocs de réflexion se replient en puces de résumé en direct qui suivent le streaming ; dépliable niveau par niveau, entièrement réversible à la désinstallation.

DSH Knit trie Markdown/code/image/vidéo du workspace dans une sidebar par dialogue ; Context Pack via knit_docs. BM25/IDF local compare messages récents aux titres/résumés/contenus : aucun modèle/réseau ni transfert. Index persistant entre redémarrages/sessions. Preuves/aperçu ; attribution figée à la lecture ; épingler/exclure avant récupération, réversible. v0.23 : hybride facultatif OFF ; exige embeddings Ollama/OpenAI compatibles configurés par l’utilisateur. Envoie query+titre/résumé seulement (Markdown : début ≤60 caractères ; code : dossier relatif ; média : nom), jamais contenu intégral/chemin absolu ; loopback local. v0.24 lie changements non commités via git status lecture seule (argv fixe, sans shell, env allowlist), OFF. Pas de test réel ; aucun gain revendiqué.

Panneau de paramètres de statistiques d'utilisation : carte de chaleur d'activité sur 26 semaines, tendance de tokens quotidiens avec courbe de taux de cache-hit, anneau et ventilation par modèle, filtres de plage temporelle, cartes de résumé, remplissage historique unique et reconstruction sans perte.

Historique de saisie façon terminal pour le compositeur web : rappel par flèches privilégiant les bords avec restauration exacte du brouillon/du curseur, historique persistant local au navigateur, recherche inversée par Ctrl+R et conscience de contexte glissant ; la version 0.5.0 ajoute une couche de saisie intelligente — extraits inter-sessions (/save, /load), modèles de prompts avec variables, informations de réutilisation et mise en évidence des résumés de compaction.

Compactage de contexte gardé pour DeepSeek Harness (dsh) : le LLM propose, les gardes deterministic disposent — réduction eager par atome (extract/summary/false sous gardes verbatim) + éviction paresseuse du reference-graph (0-LLM) + rappel au bit près depuis un log append-only.

Une meilleure barre de pliage : replie automatiquement les appels d'outils et les segments Think dans des barres de pliage d'étape, et condense chaque tour terminé en un seul en-tête de tour avec des métriques en direct (durée, TTFT, tokens, tok/s, taux de cache) — seul le résumé final reste visible ; icônes de tête personnalisables avec cartes de poker animées intégrées (animation de carte en alternance des couleurs pendant l'exécution, un paquet replié, un éventail déplié), une ligne de paramètres pour le mode de pliage officiel, compatible avec les versions DSH nouvelles et anciennes. Zéro intrusion dans le code source de DSH.

Outil de compréhension vidéo à faible coût : un outil video_understand transforme un lien Bilibili / BV / une vidéo locale en couche d’informations AVIS (ASR + structure de scène + suivi d’objets + étiquettes YOLO) et renvoie un résumé + Q&R. Routage dynamique inter-couches guidé par les questions (L0 ASR / L1 suivi d’objets / L2 VLM sur image clé), réutilisation de la couche sémantique pour les questions répétées, plafond de budget par question. Moteur Python : la couche principale nécessite faster-whisper / opencv / yt-dlp (~200-300MB) ; la couche sémantique optionnelle ajoute ~2GB de torch / transformers / ultralytics. Un doctor --fix inclus configure le venv et installe les deux.

Sélectionnez une partie d'une conversation et posez une question à ce sujet dans un chat latéral à droite ; ramenez les réponses de l'IA dans le chat principal, directement ou sous forme de résumé.

Enveloppe le travail dans des tâches nommées et, dès qu'une tâche se ferme, replie l'intégralité de sa plage de messages en un seul résumé à la limite d'étape suivante ; le contenu original peut être restauré à la demande.

Statistiques d'utilisation et de coûts avec tarification heures pleines/creuses après le changement de tarif du 17/08/2026, un panneau de résumé flottant, des répartitions par session et une carte thermique d'utilisation jour/semaine/mois/année/total.

Mémoire Markdown intersessions LLM-Wiki/SOUL.md. Par défaut, injection après le premier message dans la seule session active. remember/recall/consolidate/forget, skill, migration pack/unpack, rappels personnels au repos. Budget par fichier évite de tronquer l’index ; last_access permet la décroissance. Santé en lecture seule : taille/fraîcheur/lint. Index via summary:, graphe pages/tags déplaçable avec zoom, filtres tag/type/salience/hot/stale, suggestions de liens et checkup avec actions prioritaires. Skill à la demande : payload initial réduit de ~23%. Icône propre et feedback vers ce dépôt. Requiert format DSH v4, DeepSeek Harness officiel 0.1.7+ ; source des messages plugin:memory.

Badges en ligne +N −M sur les lignes des outils edit/write et carte récapitulative pliable des changements de fichiers par tour avec diffs alignés, revue et annulation — couvre les appels natifs edit/write, str_replace_editor et les sous-appels Code Dispatch, sans git requis.

Remplace le résumeur de compactage DSH intégré par un résumé de passation en cinq sections et garde chaque message masqué lisible dans un répertoire de segments.

Combine le squelette de code de Headroom (Apache-2.0) et l’estimateur de TokenPilot (arXiv:2606.17016). Chiffres publiés : Headroom, 20 % de tokens en moins pour les agents de code et 60–95 % pour JSON à réponses égales ; TokenPilot, jusqu’à 60 % de coût en moins sur longues sessions. Ce sont les données de ces projets, pas des mesures ni benchmarks du plugin. Dans DSH, réglez profil, seuil Auto Compact et squelette de code. Mesure exacte avec tokenizer DeepSeek V4, vérification sur la même révision ; pour un modèle non pris en charge, fail-open conserve les résultats d’outils d’origine. Compression par squelette pendant le tour et résumé d’intention final dans la compression JSONL officielle.

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.

Plugin de mémoire Honcho par Plastic Labs : injecte le profil utilisateur, le résumé de session et les conclusions pertinentes au début de la session, téléverse chaque tour vers Honcho en arrière-plan avec les secrets masqués, et ajoute les outils honcho_search / honcho_chat / honcho_remember ainsi que la commande d'état /honcho ; configuré via ~/.honcho/config.json partagé avec les autres intégrations Honcho, contre l'instance hébergée honcho.dev ou auto-hébergée.

Turn another computer into a remote Agent teammate: the worker runs its own DSH and a full Agent loop locally, so dispatched tasks keep running when the link drops and its model credentials never leave that machine. The hub dispatches through 8 remote_* tools, receives only a handoff summary plus an artifact manifest, and pulls finished products on demand — intermediate artifacts stay on the worker. Pairing-code onboarding, direct or relay transport for NAT, Web panel on both sides.

Ajoute une ligne de résumé des fichiers modifiés aux tours terminés et annule ou réapplique les modifications de fichiers du dernier tour de la session.

Adaptateur ACP qui pilote DeepSeek Harness depuis Obsidian Agent Client (et d'autres clients ACP) : lister, reprendre, dériver et supprimer des sessions, changer de modèle par session, prévisualiser un résumé en une ligne, importer des sessions ACP externes et importer les conversations d'Obsidian Agent Client dans le stockage natif des sessions dsh. Nécessite DSH >= 0.1.5-rc.3.

Compression de dialogue en place par courbe d'oubli pour DeepSeek Harness : les tours récents restent textuels, les tours moyens sont structurellement déshydratés (sans LLM), les tours anciens se replient dans une paire de résumés bornée — conversations illimitées sur un budget mémoire borné.

Requirements interview before work starts: judges whether a request is clear, asks focused questions when it is not, in strict mode denies editing tools until the user confirms a four-part summary in chat, and keeps confirmed preferences in two-layer memory.

Atelier de lecture : bibliothèque d’articles, PDF à côté des notes Markdown et session IA dédiée par article. Envoie surlignages et captures de zones dans les notes ; questionne une sélection avec sa page ; modifie les notes sur place avec sauvegarde auto et regroupe des sessions en Summary.

Contexte de vie simulée pour DeepSeek Harness : chaque tour injecte, sous forme de notice repliée, les événements des dernières 24 h de .life/ du workspace, avec fenêtre glissante, déduplication et mises à jour différentielles par session, plus résumé du monde. life_react consigne émotions, pensées et actions dans le journal pour l’évolution suivante, créant un personnage de jeu de rôle à vie quotidienne persistante.