Plugin

Dalla chat alla tela e all'opera: guida ComfyUI come IDE visuale dei workflow in DSH. Incorpora ComfyUI (locale o cloud) come tela a schermo diviso in DSH Web: l'agente scrive prompt e script nella chat, li applica dal vivo e produce immagini, musica, video e 3D. Operazioni: comporre pipeline, leggere/scrivere workflow, modificare nodi, cablare collegamenti, eseguire, regolare e correggere. Produzione: sweep di parametri in batch (batch_run) e recupero automatico degli output nella chat (get_outputs). Manutenzione: avvio e aggiornamento con un clic di ComfyUI, core e nodi personalizzati. Questo pacchetto è il plugin lato DSH e include il nodo ponte lato ComfyUI.

Scoperta progressiva degli strumenti stabile in cache: una superficie fissa tool_search e tool_dispatch a ogni richiesta, ricerca del catalogo in memoria, dispatch annidato attraverso la pipeline dell'Harness e un elenco nativo di strumenti stabile byte per byte attraverso la scoperta.

Comando Cordis /hongtou: pipeline a due fasi (JSON strutturato da LLM + rendering deterministico di modelli XML Word 2003)

Pipeline a livelli per l'ottimizzazione dei token per DeepSeek Harness: scala di output, caricamento lazy MCP, driver di compattazione, report sugli hit della cache. Basato su API reali dei plugin DSH; risparmio di ~40–60% di input nelle sessioni lunghe.

AI Company Framework: trasforma una frase in un'azienda multi-agente — 15 Skill piatte (boss/pipeline/role-template/11 ruoli/generic customer-memory), 7 template di workflow, runtime AgentTeams + pannello attività, sidebar dipendenti con isolamento per sessione, bridge bot Feishu (bot boss e per dipendente, instradamento di gruppo, push autonomo, gate di decisione umana, guida contatti esterni), memoria SQLite per cliente con memoria a tre livelli (merge cross-group), switch modalità /company; no RAG.

Una suite di competenze di modellazione matematica con gate per DeepSeek Harness: una pipeline in cinque fasi con gate di fase, pattern di scrittura per articoli premiati, analisi di sensibilità, diagnosi statistica e un preset per concorsi.

Failover ad alta disponibilità dei modelli (quarantena, circuit breaking, ripristino tramite probe) e orchestrazione di subagent (fanout/pipeline/supervisor) con interfaccia impostazioni bilingue.

Base di conoscenza secondo il pattern Karpathy LLM Wiki per DSH: competenze wiki-write/wiki-search, pipeline senza dipendenze (lint/indice/sincronizzazione memoria mnemon/feedback di qualità), plugin di ciclo di vita minimale che inietta schema + anteprima della conoscenza, richiamo semantico SiliconFlow via proxy compatibile con Ollama.

Pipeline di scrittura AI per account ufficiali WeChat: esecuzioni di articoli in sei passaggi (argomento, scaletta, bozza, controlli, render, immagini) con un contratto di brief di lancio, una bacheca di argomenti caldi con digest AI per elemento, pianificazione RRULE verso la casella bozze, un'interfaccia workbench più strumenti chat e un comando /wewrite, e approvazione fail-closed dell'host prima di qualsiasi invio alla casella bozze.

Uno swarm governato di sei agent DSH specialisti — orchestrator, planner, bridge alla knowledge base, developer e due reviewer — trasforma un requisito in una pipeline di fasi rigida in cui ogni consegna deve dimostrare il proprio valore con evidenze strutturate prima che possa iniziare la fase successiva; i reviewer sono sola lettura, i merge del codice avvengono solo dopo un passaggio di review e un log eventi append-only offre replay completo e audit su una bacheca kanban live. Il suo design trae ispirazione dal kanban di Hermes Agent.

Aggancia DeepSeek Harness a una pipeline Hermes: template di specifica di dispatch, instradamento per livello di modello, gate di qualità per l'esecuzione dell'orchestratore, regola del singolo scrittore Git, come pacchetto SKILL.md (installabile come bundle).

Pagina di impostazioni Models+ per l'interfaccia web DSH: tabelle dello sforzo di ragionamento per modello, modalità di input e flag di compatibilità salvati tramite la pipeline ufficiale delle impostazioni, con precompilazione dei metadati da models.dev e gestione delle chiavi API.

Math Agent Framework per DeepSeek Harness: motore di derivazione simbolica (CES / forme quadratiche / ODE / PDE), verifica con SymPy, dimostrazioni formali verificate dal compilatore Lean 4 e verifica avversariale multi-agente in stile QED, esposti come strumenti DSH nativi tramite una shell TS che fa da ponte a un motore Python. Richiede la clonazione del repository math-agent-framework e `pip install -r requirements.txt`, con MATH_AGENT_HOME che punta alla radice del repository. Ogni risultato riporta la provenienza (versioni dei motori, seed, tolleranze) ed è contrassegnato come dati non attendibili.

Riconoscimento di immagini grandi per modelli vision-exp: riconoscimento a tile 800×800 senza perdita (smart/pipeline/full), OCR locale con pre-elaborazione e instradamento della grafia, GPU multi-vendor opzionale (DirectML/CUDA/OpenVINO) con fallback automatico a CPU.

Pronuncia le risposte dell'agente nell'interfaccia web di DeepSeek Harness tramite una catena di fallback dei fornitori (OpenAI, ElevenLabs, Google, Azure, Groq, Deepgram, OpenRouter, Edge, Piper, eSpeak), così un fornitore in errore o con limite di velocità passa al successivo invece di restare in silenzio.

Preset dell'agente per team di prodotto virtuale: conversazione guidata dall'utente che ti accompagna attraverso l'intera pipeline di 12 fasi dall'idea al prodotto spedito, promosso e operato, con gate per fasi e competenze per fase.

Conserva le decisioni di progetto in Markdown anziché nella cronologia chat: un documento principale e documenti per modulo, con citazione file:line per ogni voce. L’agente ti intervista per risolvere le questioni aperte e calcola un punteggio in cinque dimensioni (complessità, estensibilità, manutenibilità, qualità del codice, riuso), mostrato accanto al selettore del modello. Una sessione può collegare più progetti; le dimensioni small/medium/large ampliano i limiti. Una sezione pipeline riutilizzabile del documento principale viene inserita quando compaiono le parole chiave.

Pipeline di Spec-Driven Development per Odoo: 15 strumenti portano una richiesta da una specifica immutabile, attraverso l'architettura, fino al codice del modulo o alla configurazione live, e poi richiedono un verdetto persistito supportato da evidenze di un'istanza Odoo reale, con gate fail-closed, batch approvati da una persona in un ambiente dichiarato, l'importatore CSV/Excel di Odoo e un journal che annulla i dati scritti tramite il plugin.

Memoria a livelli per DSH con 10 strumenti per l’agente: scritture privilegiate (memory_add, memory_delete, memory_import), controlli di riflessione (memory_ruminate e comandi correlati) e grafo della memoria. Una pipeline L0-L3 recupera e inserisce ricordi pertinenti prima di ogni passaggio del modello.

Traduzione cinese dell'intera pipeline per la GUI web dsh: traduzione in tempo reale del ragionamento del modello durante lo streaming, cinese in linea sotto ogni risposta inglese e riepiloghi cinesi di una riga per output degli strumenti e descrizioni delle chiamate di strumenti — una richiesta autonoma al provider che non entra mai nella trascrizione della sessione.

Pipeline di affidabilità dei plugin per DeepSeek Harness: scansione statica deterministica con verdetti, protezione runtime opzionale con esche honeypot, skill del protocollo di audit per agenti e indicatore di stato browser shield. Solo allarme, mai applicazione forzata.

Bacheca di consegna per progetti cliente: pipeline con modello predefinito, di governance o fasi personalizzate; schede con responsabile, scadenza, criteri di accettazione e DoD. Ogni cambio di fase registra l’audit del passaggio. Include registri di avanzamento/rischi/blocchi/decisioni, report settimanale Markdown, bacheca drag-and-drop limitata a loopback ed export HTML in sola lettura. Stato in delivery.json nell’area di lavoro; 11 strumenti delivery_* e /delivery.

Rendering Markdown per i messaggi utente inviati in DeepSeek Harness: ogni fumetto mostra elenchi, codice, tabelle, citazioni e formattazione in linea tramite la pipeline Markdown dell’host; code, anteprime e area di composizione mantengono la visualizzazione in testo semplice.

Esegue pipeline AItelier da DSH tramite MCP: 39 strumenti (22 lettura, 17 scrittura) per generare, eseguire, ispezionare, modificare, esportare e importare pipeline SkillFlow multi-fase. I passi vengono eseguiti in AItelier anziché nella sessione DSH e sono interrogati tramite run_id, si mettono in pausa ai checkpoint imposti dal motore a cui si risponde con answer_checkpoint, e lasciano tracce per passo e output di passo da leggere successivamente; add_provider / map_model / edit_role puntano un singolo ruolo verso un endpoint locale o più economico. Include un'abilità aitelier-pipelines.