Plugin

Client terminale a schermo intero per DeepSeek Harness basato su pi-tui: riproduzione/ripristino delle sessioni, risposte in streaming, schede strumenti richiudibili, approvazioni e domande nel terminale, gestione di modelli/preimpostazioni/permessi/piani/obiettivi, modalità shell e un registro delle traiettorie.

Pillola flottante dell'uso del piano OpenCode Go: percentuali di consumo in tre finestre (continua/settimanale/mensile) con mini grafici ad area, basata su campionamento in background contro l'API ufficiale /v1/usage.

Regno di governance degli agenti per DeepSeek Harness: territori, associazioni di ruolo (bind/unbind/session con identità di modello/agente), e un ciclo di attività pianifica→assegna→esegui→rivedi in cui le dichiarazioni del Worker non si completano mai automaticamente (Claim ≠ Fact), con una console operativa GUI locale.

Fuzzing diretto da un agente LLM. Da repository e bug (descrizione CVE, patch, traccia di crash o file:line), esegue il ciclo PLAN, IMPLEMENT, EXECUTE, REFLECT; il modello scrive generatori di input Python finché scatta l’oracolo di pattern stderr della campagna o la campagna si ferma.

Notifiche sonore per evento: completamento turno, approvazione, domanda, revisione piano, obiettivo bloccato e fallimento attività ognuno ha il proprio suono e volume, configurabile nella Web UI (synth integrato, mute o file audio locale).

Inietta una sezione nel system prompt perché la catena di pensiero dell'agente, la pianificazione e il ragionamento nell'invocazione degli strumenti restino in cinese semplificato. Nessuna dipendenza esterna - clona e installa con link da qualsiasi directory locale, senza build né pubblicazione su npm.

Riunioni rotonde visuali per DeepSeek Harness — nodi esperti su un anello con archi diretti, gateway di aggregazione, thinking proxy per modelli worker black-box e revisione avversaria (red-team) dei piani definiti con endorse/reject per ogni punto di vista.

Modalità di apprendimento local-first: thread di apprendimento cross-sessione con spiegazioni per ciascuna fonte.

Un motore di scrittura per web novel per DeepSeek Harness: stesura in parallelo, scaletta e brainstorming con una chiave DeepSeek separata, gestione di lore e presagi narrativi, recupero vettoriale semantico, una libreria di corpus, un registro di utilizzo, correzione di bozze meccanica e un piano di serializzazione locale.

Revisione dei piani con annotazioni ancorate e feedback strutturato restituito all'agente.

Sette modalità preset agente per DeepSeek Harness, ciascuna con un confine di strumenti fisso, routing del modello per modalità e livelli di delega omd_task veloce/profondo, più un loop plan-to-execute (/mode, /start-work, /ulw basato su obiettivi) e una pagina impostazioni che rimappa i modelli per modalità e livello.

Bundle di preset agente Programming Mode: l'agente di coding standard con una persona che impone la disciplina Superpowers (prima le skill, brainstorming prima della costruzione, piani prima del codice, TDD, debugging sistematico, verifica prima del completamento) più una disciplina di volume di codice Ponytail sempre attiva (scala di codice minimo a 7 livelli, predefinito completo); include tutte e venti le skill (14 superpowers + 6 ponytail) e inietta meccanicamente la skill using-superpowers completa nella prima richiesta di ogni nuova sessione.

Pannello delle attività per la barra laterale DSH Web: pubblica attività, distilla automaticamente sessioni correlate e gestisce le fasi di piano/sviluppo/revisione con subagent e accettazione nel pannello.

Preset agente in modalità apprendimento: un agente di coding che insegna mentre programma — spiegazioni concrete basate su scenari, guida socratica e spazi vuoti per esercitazioni TODO(你), modellato sullo stile di output Learning di Claude Code; installabile tramite dsh plugin add (dsh-learning-mode su npm).

Decisioni tipizzate di Laya (`noul` sì/no, `choice`, `score`) come servizio Cordis di prima classe (`ctx.laya`) più i tool visibili al modello `laya_ask` e `laya_plan`. Il plugin stesso non installa e non scarica nulla: è un client di un sidecar `laya-mcp serve` che avvii tu stesso, e segnala che il sidecar non è in esecuzione invece di fallire in modo oscuro alla prima chiamata del tool.

Sciami di IA basati sui ruoli per DeepSeek Harness: un architetto pianifica, costruttori paralleli eseguono, revisori controllano la qualità e un integratore rilascia. Fissaggio dei modelli per ruolo con catene di fallback, loop di revisione, contratti di evidenza, revisioni con approvazione umana, pausa/ripresa consapevole della quota, e un kanban live + diagramma di flusso nella GUI web. 40 test; installazione da GitHub o npm.

model router per passo: preset nominati con regole ordinate di gruppi immagine/parole chiave instradano ogni passo dell'agente attraverso ogni provider e modello montato, aggiungendo flussi di collaborazione per la trascrizione delle immagini, una protezione delle immagini, un pannello quote multi-piano e osservabilità delle decisioni per passo.

Pillola quota nell'angolo inferiore destro e pannello che aggregano le quote di abbonamento su piattaforme AI (Kimi Code, DeepSeek, Zhipu Coding Plan, BigModel, Qwen, Scnet, TokenRouter, SupaWriter), sincronizzando automaticamente le chiavi API dal dominio credenziali DSH con barre di utilizzo colorate.

Notifiche sonore a tema Perlica (Arknights: Endfield) a livelli: toni plan-ready, task-done, needs-your-input ed error; silenzioso per le chat semplici, riproduzione a livello di sistema (funziona in background), multipiattaforma (Windows/macOS/Linux), suoni TTS personalizzati.

Gestione di server VPS tramite login con chiave SSH: 21 comandi /vps- a zero token (query di stato, installazione di recipe con un piano e conferma /vps-yes, riavvio che attende il ritorno della macchina), un terminale in conversazione (xterm.js su ssh -tt) per programmi interattivi, 5 strumenti agente con conferma a livelli di rischio, backup file con ripristino automatico e una rete di sicurezza firewall/SSH, 29 recipe integrate e una pagina impostazioni per aggiungere macchine.

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.

Ricerca approfondita come modalità agente: un unico ciclo revisionato che pianifica, ricerca in round paralleli adattivi guidati dai gap che i ricercatori stessi dichiarano, sintetizza un rapporto citato e poi lo rivede in modo avversariale, invece di uno script che il modello riscrive a ogni chiamata. Le domande che il budget dei round non ha mai raggiunto vengono nominate nel rapporto anziché scartate.

Mostra l'uso del piano di coding e il saldo per 5 provider AI (MiniMax, DeepSeek, Kimi, OpenRouter, Zhipu) accanto all'input del composer, cambiando con il modello selezionato e riusando le chiavi API configurate nelle impostazioni modello DSH.