Plugins

Pipeline de coût en tokens pour DeepSeek Harness : compaction en couches sensible à la pression (projection sans perte sous 40 % de pression de contexte, résumé par LLM au-delà), liste d'outils autorisés par agent, conversion de texte long en image avec résumé par vision, et une commande /token-status suivant la pression, les paliers et les tokens économisés.

Allègement réversible du contexte pour DeepSeek Harness : réencodage tabulaire sans perte de tableaux JSON uniformes de style TOON, fenêtres de table échantillonnées par pas avec numéros de ligne, et déduplication inter-tours des sorties d'outil répétées ; chaque remplacement passe un seuil octets+jetons (≤72 % d'octets, strictement moins de jetons estimés) et l'original est écrit sur disque derrière un avis `[save-token #id]`, récupérable en un appel via l'outil `save_token_expand`, avec le comptage des jetons facturés et économisés dans un tableau de bord des paramètres.

Pipeline d'optimisation des jetons en couches pour DeepSeek Harness : échelle de sortie, chargement paresseux MCP, moteur de compaction, reporting des hits de cache. Construit sur les vraies API de plugins DSH ; ~40-60 % d'entrées économisées dans les longues sessions.

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.

Runtime de persona économe en jetons pour DeepSeek Harness avec rendu local de catgirl et divulgation progressive du schéma d'outils.

Route chaque tâche vers un modèle et sa révision vers un autre, avec preuves de qualification, bascule et un journal durable.

Fronts stdio MCP servers with three router tools (list_capabilities, describe_tool, call_tool) so schemas load on demand instead of riding every request; shapes every tool result through a deterministic output ladder that archives the original first (retrieve_spill reads it back); prices tool groups in tokens and can hide built-in groups per agent. Bridges to a standard-library Python router, so Python 3.9+ is required.

Compaction fallback for compaction-basic: when its LLM summary throws, comes back empty or cannot fit the window, the span is compiled deterministically with a seq pointer on every line (vendored dsh-compaction-instant compiler). Adds recall and search tools, /recall and /context commands, an idle trigger at 45% of the window and an on-disk span archive. The engine mounts as one row in the agent preset (docs/dsh-integration.md).

One MCP tool instead of every schema you own — a lazy capability broker that cuts resident tool context by a measured 94.4%. Search, inspect, enable and call MCP servers and skills on demand.

Plugin de gestion dynamique du contexte pour DeepSeek Harness (Dynamic Context Pruning for dsh), inspiré d'opencode-dcp.

Sleev routing observability for DeepSeek Harness

把长文本渲染成图片发送，利用每图 384 token 封顶压缩 LLM 输入 token，专为DeepSeek Harness设计的插件；Pack long text into images to cut LLM input tokens (384/image cap) — a DeepSeek Harness plugin.