Plugins

Compétences de recherche en 3D Gaussian Splatting / NeRF / infographie : 18 compétences IA (lecture d’articles, comparaison de méthodes, planification d’expériences, revue de code, débogage de l’entraînement, visualisation, rendu MCP, etc.) couvrant un catalogue organisé de 1011 méthodes, plus un serveur MCP stdio pour le rendu 3DGS piloté par agent.

Panneau d'anatomie pour les organes d'Agent-Body : sert un tableau de bord de signes vitaux en direct à /anatomy au sein même du harness — organes, battement, registre de guérison, compteurs d'auto-entraînement et le flux de pouls réel — lu directement dans les fichiers d'exécution plutôt que ressaisi. Hôte uniquement, sans bundle client ni étape de build.

Entraînement heads-up (1 contre 1) au Texas Hold’em avec adversaire IA indépendant, mémoire persistante des actions publiques et analyse des décisions.

Auto-amélioration nocturne pour votre agent DeepSeek Harness : récupérez hors ligne les sessions passées, rejouez les tâches récurrentes avec votre propre budget API et consolidez les compétences validées derrière une porte de validation séparée. Intègre le moteur SkillOpt-Sleep de microsoft/SkillOpt à dsh sous forme d’outils natifs et d’une compétence fournie, sans entraînement des poids. Nécessite Python 3.10+ et le moteur SkillOpt-Sleep (pip install skillopt).

Édition anglaise de la Loi de Weiwen (loi KISS) : le premier et unique intergiciel d'arbitrage causal en boîte blanche, agnostique du domaine, pour les agents IA. Contrairement aux outils d'inférence causale propres à un domaine (statistiques/économie/ML) ou aux pare-feu d'agents à base de preuves, il arbitre *chaque* appel d'outil le long d'une chaîne causale structurelle déterministe (R->S->D->H->M) avant l'exécution — dans n'importe quel domaine, sans entraînement ni réglage par domaine. Il bloque les opérations destructrices et les fichiers d'identifiants, escalade les violations de limites répétées, coupe les maillons défaillants jusqu'à correction vérifiée, et rend des verdicts de risque sur les exécutions non auditables ; fonctionne entièrement en local, sans coût d'API.

Lit les rapports de l’agent avec la voix choisie et résume les longs avant lecture. Un extrait de référence de 3 à 10 s suffit pour cloner une voix ; les modèles entraînés par la communauté fonctionnent aussi. Pas d’installation GPT-SoVITS de 6,4 Go : le plugin installe son runtime et sa voix. Un GPT-SoVITS existant peut être utilisé, avec le même modèle vocal.

Endurance-coaching skill bundle that defaults to Intervals.icu for training data (activities, intervals, streams, training load, HRV, resting heart rate, sleep in-bed hours, eFTP) and uses COROS only for training-plan read/write and for fields Intervals.icu lacks (sleep score, recovery score), with iGPSPORT as a fallback for ride details. It turns that data into readiness gating, VDOT pace and heart-rate zones, periodized weekly plans, session reviews, race-day pacing and fueling, and weather-adjusted workouts. The bundle registers the endurance-coach skill in the profile, ships deterministic helper scripts, reads an athlete profile created by its init script, and requires the agent to state when data is unavailable instead of inventing it. Data comes through separately installed MCP servers — the Intervals.icu MCP server for training data, the dsh-coros plugin for training-plan read/write and sleep/recovery scores, an iGPSPORT MCP server only as a ride-detail fallback — and its bundled scripts need Python 3.10+; with none of them it works only from numbers you type in.

Bridges the official COROS MCP server into DeepSeek Harness with a self-contained local stdio-to-HTTP bridge and on-device OAuth login, exposing 34 COROS tools on the current endpoint for sleep, HRV, resting heart rate, recovery, training load, activities and FIT files, plus workout and training-plan CRUD and scheduling.

Local LoRA and QLoRA fine-tuning in a panel: import JSONL, see a VRAM estimate before training starts, evaluate, and export an adapter. One-click Python venv setup, but you must supply your own Python 3.10+ and an NVIDIA GPU (6 GB or more). Verified end to end on Windows 11 with an RTX 3060 6 GB; the installer refuses non-Windows hosts, so Linux, macOS and other GPUs are unsupported for now.

COROS Sport panel for DeepSeek Harness: sign in to COROS inside the panel, read the account, bound devices, recovery, fitness, recent workouts, daily health and the training schedule in one dashboard, and get a plan from the model with /coros-plan. The plan page writes a fixed four-week, 16-session plan to the account only after a two-step confirmation.

Vérifie le registre des qualifications de sécurité d’un chantier : heures de formation, quatre éléments de dossier requis et validité des certificats d’opérations spéciales selon les dates travaillées.

Simulateur de débat multi-agent chinois : huit débatteurs, discussion live en deux colonnes et notes brouillon, juges/scoreboard, horloges d’un seul côté, ZIP par round. Le volet entraînement s’arrête au seuil de victoires ou après un nombre fixe de rounds. Pack de préparation Word inclus.

Tableau local de scalaires TensorBoard : métriques sélectionnables, sens d’amélioration explicite, lissage EMA facultatif et UI chinois/anglais. Requiert Python et TensorBoard existants.

Boucle d’auto-amélioration à trois rôles : Data-RSI nettoie quotidiennement (winsorize→standardisation cross-sectionnelle→median fill) et extrait l’expérience ; Harness-RSI fait évoluer prompt/mémoire/skills ; Model-RSI fait évoluer les recettes alpha par walk-forward natif, gap de 2 jours et multi-seed. Hors ligne en une commande, détection GPU, un skill.

Espace de formation juridique : interface académique à trois volets qui lit le profil d’apprentissage « Minglü » (préréglage lawagent : dossiers, cartes mémoire, carnet de réponses erronées et notes) et envoie des consignes à la session Minglü en un clic.

AlphaRSI : boucle d’auto-amélioration à trois rôles qui fait évoluer la recette d’entraînement des modèles de séquences alpha. Operator exécute le walk-forward, Evaluator note avec OOS RankIC et Refiner propose des hyperparamètres par recherche bayésienne TPE ; seules les recettes strictement meilleures sont conservées. Exécution hors ligne en une commande, bundle de données vérifié par sha1, détection GPU automatique. Une skill incluse.

Attestation de formation : formation standardisée hors site, reproductible, attribuable et auditable pour l’évaluation d’actifs. Bloque strictement quatre défaillances : rafraîchissement partiel, hash incorrect, lecture inconnue considérée comme réussie et pollution du référentiel maître. Un Skill inclus.

Étape d’analyse complète, d’entraînement de modèles et d’estimation pour la recherche en évaluation des actifs et apprentissage automatique. Une skill est fournie.

Kit d’apprentissage des algorithmes qui synchronise les soumissions Codeforces et AtCoder, repère les lacunes, crée des plans d’entraînement IA et suit les révisions espacées sur un cursus de 114 leçons.