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.

Team Multi-Agent per ruoli per DeepSeek Harness: prodotto, architettura, frontend, backend, revisione e QA operano in nove fasi controllate; disponibile un team persistente. Nessuna dipendenza runtime né build.

Accede a Huawei Cloud CodeArts e registra CodeBuddy, WorkBuddy, LobsterAI, Qoder (globale e Cina), TRAE, Cline, Loomy, Raccoon Work, MiniMax Code, TeleAgent, ZCode, Step Code e Antigravity come provider LLM con pool di account per provider. Alcuni mostrano anche saldo quota e check-in giornaliero nello stesso pannello.

Plugin per DeepSeek Harness che trasforma i giudizi Jev in tre azioni automatiche — potatura dell'output dei tool troppo grande ai segmenti rilevanti per la richiesta, filtraggio delle pagine recuperate in cerca di istruzioni rivolte al modello e scelta della skill adatta al passo successivo — più i tool jev_ask e jev_gate, un registro dei giudizi che sopravvive ai riavvii e un report /jev-status. Richiede una chiave API TypeSafe; senza, resta inerte e non invia nulla.

Una barra di compressione migliore: comprime automaticamente le chiamate agli strumenti e i segmenti Think in barre di compressione dei passaggi, e riduce ogni turno completato in un'unica intestazione di turno con metriche live (durata, TTFT, token, tok/s, cache hit) — resta visibile solo il riepilogo finale; icone iniziali personalizzabili con carte da poker animate integrate (animazione ciclica dei semi durante l'esecuzione, un mazzo quando compresso, un ventaglio quando espanso), una riga di impostazioni per la modalità di compressione ufficiale, compatibile con le versioni DSH nuove e vecchie. Nessuna intrusione nel sorgente DSH.

Riproduce sessioni su una timeline riproducibile con utilizzo dei token per passo, controlla operazioni sensibili, stima i costi, visualizza la discendenza dei fork, confronta sessioni ed esporta replay HTML autonomi.

Documenti di progetto e memoria a lungo termine come semplice Markdown in un vault Obsidian dedicato: sei strumenti mem_* (search, read, write, log, brief, admin), una singola iniezione di richiamo a budget al primo passaggio di una sessione e distillazione automatica dei turni completati. Obsidian non deve essere in esecuzione e il vault resta leggibile anche con il plugin disinstallato.

Gateway auth per la Web UI DeepSeek Harness: protegge pagine, /api, /plugins e WebSocket. PBKDF2 con salt utente, cookie HttpOnly SameSite, blocco IP, inviti, TOTP/passkey (WebAuthn), step-up prima di cambiare i fattori. Gli utenti gestiscono profilo/fattori; gli admin account, inviti e password. Le configurazioni private modello/API per utente sono cifrate con chiave derivata dalla password e illeggibili agli admin. Gli admin condividono selettivamente: l’utente può usarle e vedere il saldo, mai la chiave; revoca immediata. Senza configurazione l’utente è bloccato, senza fallback. REST/elenco e WS isolati per utente; sessioni persistenti al riavvio, audit JSONL, fail-closed. Richiede DSH 0.2.0 (trasporto 0.1.1-rc.2 rimosso in 0.7.0). Passkey: HTTPS/localhost.

Skill di code review basata su template: flusso di revisione in cinque fasi, classificazione per gravità (critica/media/minore), punteggio quadridimensionale (qualità, sicurezza, prestazioni, manutenibilità), output doppio in testo e HTML e knowledge base di riferimento on-demand.

Modalità di apprendimento che spiega ogni passo dell'agente (in lavorazione).

Avvolge il lavoro in attività con nome e, quando un'attività si chiude, comprime l'intero arco di messaggi in un unico riassunto al successivo confine di passo; il contenuto originale può essere ripristinato su richiesta.

Sincronizzazione multi-macchina: mantiene coerenti più repliche di dsh tramite un unico repository privato su GitCode — skill, sessioni, impostazioni e manifest dei plugin, ciascuno con un interruttore indipendente; le modifiche passano per branch, PR e merge, le aggiunte presenti solo nel remoto vengono recuperate prima di ogni push così che nulla venga eliminato, e una fase di allineamento intelligente con IA unisce semanticamente i file modificati da entrambe le parti (più risoluzione dei conflitti in un clic); i repository privati sono obbligatori e il pull non sovrascrive mai le modifiche locali.

Sposta le sessioni tra workspace tramite drag-and-drop con vera migrazione sul posto; recupera sessioni orfane o non registrate; riassegna i workspace obsoleti dopo la ridenominazione delle cartelle. Gli ID e la cronologia rimangono intatti, con backup e rollback per ogni passaggio.

Motore di persona per DeepSeek Harness: un config.json governa il nome con cui l'IA si presenta (per modello e livello), come ti chiama, la postura relazionale, il testo del carattere, contratti per elemento con interruttori, la lingua della catena di pensiero e il tono delle risposte, più memoria subordinata alla conferma umana: l'IA può solo accodare candidati, una riga di conferma li attiva, e il registro è in sola aggiunta e riproducibile. Le voci confermate vengono iniettate come blocco citato di dati, non di istruzioni; quelle con un kind vanno in file arbitrari e non raggiungono mai il prompt. Il prompt viene riletto dal disco a ogni assemblaggio: le modifiche si applicano senza riavvio. Preset: istantanee JSON condivisibili. Senza dipendenze, rete o shell.

Workflow in stile Trellis per DeepSeek Harness: breadcrumb di fase per turno tramite agent/pre-step, provider di skill bundle e stato task/fase nativo DSH con guardrail di pulizia git.

Statistiche live dei token sotto il composer DSH Web: token/s in streaming, latenza del token di output e del primo byte, più riconciliazione per fase tra stimato ed effettivo tramite il tokenizer BPE ufficiale, per distinguere un flusso lento da uno bloccato.

Persona e diario tra sessioni per DeepSeek Harness. Un filtro locale sceglie i turni da ricordare; una chiamata extra al modello crea un diario in prima persona e un’impressione dell’utente, legati al momento specifico. Le conversazioni successive ricevono circa 2000 tokens di memoria personale in tre livelli: nucleo della persona, giudizi scritti dal modello e diario. Uno strumento consente al modello di registrare giudizi con parole proprie. Il plugin può solo leggere il Markdown umano. Dalla barra laterale si può leggere, dimenticare o esportare l’archivio; dimenticare abbassa la priorità senza cancellare, e una forte corrispondenza tematica può farlo riemergere. Cartella locale modificabile e trasferibile. I segreti vengono rimossi prima dell’invio. Nessuna dipendenza runtime né build.

Kit di styling css-in-js (styled / Token / Styling) per l'UI di conversazione biforcata: consuma i token di design ufficiali --dsw-*, quindi non è necessario alcun passaggio di precompilazione di CSS Modules.

Knowledge base di team per la condivisione di conoscenza offline (scenario FDE box): punti di accesso per navigazione, ricerca full-text e raffinamento; il materiale grezzo viene accodato automaticamente e distillato in pagine wiki da una sessione bot seriale (modello Karpathy LLM Wiki: materiale grezzo immutabile, raffinamento in due fasi, flusso di log, lint mensile).

Memoria di esperienza e riflessione per agenti DSH: estrae automaticamente lezioni candidate dopo le attività e richiama quelle esaminate dall’utente nei successivi compiti pertinenti. Supporta provenienza delle fonti, recupero per progetto, conflitti, feedback d’uso e revisione scadenza. Acquisizione e richiamo hanno controlli separati; scrivere in AGENTS.md richiede anteprima e applicazione esplicita. Guida introduttiva di 4 passaggi nelle impostazioni.

Memoria locale completa: file JSONL per scope (session, project, global o nome personalizzato) con deduplicazione per scope; cinque strumenti modello (memory_save, memory_search, memory_list, memory_get, memory_forget), richiamo automatico, regole rigide iniettate nel pre-step dell’agent e pannello impostazioni. Il recupero combina IDF lessicale e backend locale per embedding, installabile e gestibile dal pannello.

kimi-tide (月汐) è un router di modelli per DeepSeek Harness basato su preset e regole. Preset nominati e regole ordinate per immagini e gruppi di parole chiave instradano ogni passaggio dell’agente verso qualsiasi provider/modello collegato (candidati dall’intero catalogo host, senza whitelist).

Compattazione del contesto autonoma del modello per DeepSeek Harness. mind_map esamina il contesto agente (seq ID stabili, ruoli, peso token, confini di pulizia e guida clear-mind); clear_mind sostituisce un intervallo scelto della cronologia con un checkpoint scritto dal modello tramite la transazione nativa. Coppie chiamata/risultato diventano tombstone di una riga; un promemoria interviene con contesti lunghi o troppi passaggi per turno.

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.