Plugins

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.

Convertit les vidéos Bilibili en texte structuré pour l’IA : métadonnées, commentaires, danmaku, sous-titres, ASR local et OCR des images. Traitement local, sans envoi au cloud ; vérifie les images pour détecter les faux sous-titres, réutilise le cache et produit manifeste et résumé pour l’IA. L’OCR des images nécessite ffmpeg. L’ASR/OCR local requiert des environnements virtuels Python 3.10+ et, sous Windows, le runtime VC++. Les sous-titres IA nécessitent une connexion Bilibili.

Emballe les compétences de présentation amont ppt-master comme plugin DeepSeek Harness installable : compétences intégrées à l’identique octet par octet, trois outils de cycle de vie (ppt_master_info, ppt_master_check_env, ppt_master_setup_deps), isolation facultative de l’interpréteur venv et carte de configuration dans Plugins. Requiert python3 >= 3.10 et les dépendances pip installées via ppt_master_setup_deps.

Injecte à chaque tour un préambule de sélection des skills choisi par le modèle JEV local de l’espace jev-decision-kit, afin que l’agent charge uniquement ces skills sans parcourir le catalogue. Nécessite un espace jev-decision-kit configuré séparément (Python .venv, host/preface_worker.py, models/jev/head.json) ; sans lui, aucune injection n’a lieu.

Conversion des commandes CLI Lanting en outils + garde L0 : 9 outils de mémoire + 6 outils de qualité (enregistrement defineTool, spawn venv _cli.py) + garde d'écriture/d'appel direct

Chat du direct Bilibili pour DSH : lit le chat, n’envoie de messages qu’après confirmation explicite et reste dans la salle en arrière-plan. Le modèle peut décider s’il répond ; la transcription audio du flux est facultative. Pas de compréhension vidéo. Nécessite un environnement virtuel Python 3 avec requirements fournis et cookies Bilibili ; la transcription requiert aussi ffmpeg et un moteur Whisper.

Studio de modélisation solide NURBS BRep avec saisie en langage naturel, viewport 3D live (mesure/wireframe/ajustement), export STEP et outils agent pilotant NVIDIA usd-brep dans un venv CPython géré. CPython 3.12 requis; les wheels usd-brep ne couvrent que Windows/Linux 64 bits.

Environnements d'exécution par projet pour DeepSeek Harness : adopte ou crée automatiquement un venv Python local au projet (.venv_local/python) et câble les chaînes d'outils et variables d'environnement des runtimes utilisés par chaque projet (python venv / node / go) — python et pip se résolvent toujours vers le projet, jamais silencieusement vers le Python système.

Plugin bio-informatique « analyse à la demande » : couverture complète BioPython (exécuteur de code arbitraire bio_python + 14 skills de domaine) + outils sémantiques haute fréquence + environnement Python auto-amorcé zéro dépendance (uv + venv + biopython téléchargé automatiquement dans le répertoire privé du plugin). L'utilisateur télécharge et installe puis formule ses vœux.

A durable RAG-enhanced long-term memory layer for LLM agents, featuring holographic memory, state-slot conflict detection, and timeline retrieval. Requires Python 3.10+ and this repository's Python dependencies: create a venv and run pip install -e ".\[dev]" in the checkout before enabling the plugin (the bundled installer is a PowerShell script, i.e. Windows).

Inclut une bibliothèque de lecture approfondie d’articles et le skill paper-deepread-html : panneau latéral pour consulter des rapports interactifs, importer des PDF dans une bibliothèque gérée, les analyser avec un agent ou un worker de lecture automatique du site (facultatif), gérer ou reconstruire la bibliothèque. Outils model : paper_deepread, paper_deepread_uploads, paper_deepread_reports. Python 3 requis pour lecture/ingestion/rapports ; le skill prépare un environnement PyMuPDF au premier usage, et la reconstruction de l’index utilise plain python3 en repli.

Mémoire à long terme fondée sur mem0 et un magasin Chroma local : injecte le profil utilisateur et les faits retrouvés dans le system prompt, et capture à la fin de session. Une tâche nocturne déduplique, fusionne les paraphrases et résout les contradictions ; un graphe thématique persistant est écrit sous forme de cartes Markdown. Export périodique vers un dépôt Git et interface mémoire pleine page avec recherche, fusion par lot, instantanés et annulation. Avant usage, configuration manuelle d’un environnement Python venv et clés API LLM et embeddings requises.

Remplace l’exécuteur bash intégré et résout l’environnement selon le répertoire de travail de chaque commande. Configure les préfixes de PATH, l’activation de Python venv et les shims mise ; une section dédiée est disponible dans les réglages de l’interface Web.

Plugin de saisie vocale (dual-face) : bouton micro près de l’envoi, bulle d’enregistrement qui transmet le PCM à un service Python local Qwen3-ASR géré par l’hôte et page de réglages ASR (clone les dépôts runtime/modèle et crée un venv).