Plugins

Indique quelles Skills chaque tour a invoquées (chargées par le modèle, saisies sous la forme /name, ou aucune) et gère le répertoire local des Skills : installation depuis une adresse de dépôt, de dossier, de SKILL.md ou de zip collée, définition d'un nom d'affichage chinois dans le meta.yaml de la Skill, et suppression d'une Skill en conservant une sauvegarde.

Règles de permissions déclaratives façon Claude Code : règles YAML ordonnées allow/deny/ask correspondant aux noms d'outils, arguments, chemins de l'espace de travail et identité de l'agent dans la cascade tools/pre-execute, avec audit complet du journal de session, mode simulation (dry-run) et rechargement à chaud.

Pilote le tracé scientifique OriginLab Origin depuis le chat IA via MCP : 62 outils. Chien de garde des boîtes de dialogue modales, garde de sécurité LabTalk, release/reconnect, ajustement avec paramètres initiaux/fixes/pondérés, retouches fines de graphiques et feuilles, outils matriciels, FigureSpec YAML déclaratif (diffable et rejouable), instantané en lecture seule des MCP Resources, passerelle matplotlib-figure, assemblage PowerPoint avec étiquettes de panneaux, recherche de modèles du Graph Gallery, export EPS, liste blanche d'accès aux fichiers, base de régression visuelle et livrable OPJU éditable avec vérification déterministe de relecture.

Fournisseur natif Rapid-MLX pour DeepSeek Harness (dsh) — dsh lit les informations du modèle depuis le serveur au lieu de votre settings.yaml.

Atelier de préréglages pour modifier les personas par agent, les sections du prompt système et les descriptions d’outils ; sélection des outils et skills, aperçu du contexte de requête et import/export de configurations JSON/YAML.

Harness d'évaluation pour les plugins DSH : des cas au format YAML pilotent de vraies exécutions d'agent en mode headless, avec des assertions sur les appels d'outils, les arguments, les résultats et l'utilisation des tokens, ainsi qu'une barrière de référence pour la non-régression en CI.

Préréglage d’écriture de webroman pour DeepSeek Harness. L’agent principal joue le rôle de rédacteur en chef et délègue plans, rédaction, relecture, suivi de l’univers et recherche à cinq assistants en sept phases. Le roman est conservé dans un répertoire novel/ structuré en Markdown/YAML (fiches de personnages, machine à états des présages, chronologie, mémoire narrative), avec un panneau de création latéral et six commandes CLI sans dépendance.

Gardien de la rédaction de brevets pour dsh — filtre d'abord l'idée au regard de l'art antérieur chinois, puis mène des entretiens d'alignement à cinq parties, la rédaction d'un exposé en huit chapitres, des figures et des exécutions de simulation, une revue en sept dimensions et l'export docx/PDF. Les skills fonctionnent immédiatement ; les outils de recherche, d'export et d'expérimentation proviennent d'un service MCP Python inclus, livré désactivé — une ligne dans ~/.dsh/patent-services.yaml l'active, et uvx récupère le wheel depuis PyPI.

Modèle par défaut configurable pour les délégations de sous-agents via settings.yaml, avec stratégies mono-modèle et multi-modèles en tourniquet ou aléatoire.

Indique quelles skills chaque tour a invoquées (chargées par le modèle, saisies sous la forme /name, ou aucune) et gère le répertoire local des skills : installation depuis un dépôt, un dossier, un SKILL.md ou une adresse zip collés, définition d'un nom d'affichage en chinois dans le meta.yaml de la skill, et suppression d'une skill en conservant une sauvegarde.

Gère les modèles OpenCode Zen niveau gratuit et Go dans settings.yaml — récupère les listes de modèles en direct depuis opencode.ai, signale les écarts configuré/en direct par route, et ajoute ou supprime des entrées via quatre outils d'agent et une section de paramètres OpenCode Models.

Réécrit la copie chinoise d'un plugin installé sur le marché en anglais via un modèle déjà configuré dans le harness : automatiquement à l'installation du plugin, puis rechargé à chaud. Chaque fichier est traduit en une passe complète, validé par un analyseur réel lorsqu'il existe (node --check pour JavaScript, analyseurs JSON et YAML sinon), puis renvoyé au modèle avec l'erreur jusqu'à trois tentatives de réparation ; les fichiers de plus de 48 Ko, ou qui ne s'analysent jamais, basculent vers une passe par plages de lignes comparant chaque ligne renvoyée à l'originale pour la structure. Les phrases de déclenchement et les tables de locale peuvent être préservées au lieu d'être traduites, et l'original intact est conservé à côté du fichier en .zh.bak.

Hooks de cycle de vie pilotés par configuration, y compris l'injection de contexte : déclarez event, handler et outcome en YAML, où le handler est un outil in-harness (MCP inclus), une commande shell ou un endpoint HTTP, et l'outcome est model-visible context, un denied tool call, ou fire-and-forget.

Moteur de règles de permissions à la Claude Code : paliers hard/deny/ask/allow avec un palier hard au-dessus de l'accès complet, règles limitées à l'espace de travail, protection de chemins par jokers et éditeur visuel par étapes ; les règles persistent dans settings.yaml.

Gérez les automatisations dans des fichiers versionnables et révisables : YAML/JSON/JS définissant schedule, prompt, model, permission et dossier de travail. DSH Schedule est créé/mis à jour/désactivé/supprimé dans la seconde après sauvegarde. Chaque tâche a sa conversation, persistante ou nouvelle à chaque exécution. /automations synchronise sur demande et signale les erreurs de fichier; zéro tâche n’efface jamais Schedule.

Connecte le serveur MCP distant officiel de GitHub comme plugin DSH : stocke le PAT dans le centre d'identifiants de DSH (.credentials.yaml) via github_set_token, et expose les outils GitHub sous mcp__github__*.

Exécute des pipelines AItelier depuis DSH via MCP : 39 outils (22 lecture, 17 écriture) pour générer, exécuter, inspecter, éditer, exporter et importer des pipelines SkillFlow multi-étapes. Les étapes s'exécutent dans AItelier plutôt que dans la session DSH et sont interrogées par run_id, marquent une pause aux points de contrôle imposés par le moteur et répondus avec answer_checkpoint, et laissent des traces par étape et des sorties d'étape à lire ensuite ; add_provider / map_model / edit_role dirigent un rôle individuel vers un endpoint local ou moins cher. Regroupe une compétence aitelier-pipelines.

Éditeur des capacités des modèles : modifiez en ligne les niveaux reasoning-effort et la prise en charge de l’image (multimodal) sur la page officielle ; l’ensemble du groupe est réécrit dans settings.yaml. Un accès flottant sert de secours si l’ancre échoue.

Council of High Intelligence : réunissez un think tank de 18 personnages historiques pour un débat structuré multi-perspectives, avec un panneau latéral DAG en direct, un historique d'exécution SQLite et des valeurs par défaut par projet via .council.yaml.

Utilisez AItelier comme sous-agent depuis DeepSeek Harness : générez, modifiez, exécutez, exportez et importez des pipelines SkillFlow. Client uniquement — nécessite un backend AItelier en cours d'exécution (Docker ; voir le README).

Boîte à outils de recherche sur les modèles du monde : inspecte les images, nomme les routes 3D/pixel/latentes, note pred vs GT, et compétences RSI / wm.yaml.

Defines multi-agent team rosters as YAML or JSON files, validates them, bridges each member into dsh-agent-teams member arguments, and verifies the result against the running team.

Définit des équipes multi-agents en YAML ou JSON, valide les fichiers, relie chaque membre aux arguments member de dsh-agent-teams et vérifie le résultat avec l’équipe active.