Plugin

Anteprima tecnica della memoria a grafo locale per DSH e Codex: ricorda le evidenze globali del proprietario e del progetto corrente prima di ogni turno, scrive i record USER e ASSISTANT separatamente e preserva la provenienza di progetto, sessione, attore e fonte per un atlante visivo e pagine di conoscenza citate.

Esporta eventi DSH di solo metadati — turno, modello, strumento, approvazione, nuovo tentativo ed errore — verso Tuning Engines per tracce governate, valutazione delle policy, analisi dei costi e revisione delle Work Session, con una coda di ripetizione su disco.

Memoria a grafo locale in anteprima tecnica per DSH e Codex: richiama le prove a livello di proprietario e del progetto corrente prima di ogni turno, scrive separatamente i record USER e ASSISTANT e conserva la provenienza di progetto, sessione, attore e fonte per un atlante visivo e pagine di conoscenza citate.

Plugin di memoria Honcho di Plastic Labs: inietta il profilo utente, il riepilogo della sessione e le conclusioni rilevanti all'inizio della sessione, carica ogni turno su Honcho in background con i segreti oscurati, e aggiunge gli strumenti honcho_search / honcho_chat / honcho_remember più il comando di stato /honcho; configurato tramite ~/.honcho/config.json condiviso con le altre integrazioni Honcho, verso honcho.dev ospitato o un'istanza self-hosted.

Plugin proattivo di scheduling multi-modello: intake segnali multi-fonte con dedup e ranking di urgenza, motore decisionale a quattro vie execute/defer/dismiss/ask-user, generazione piano DAG con esecuzione parallela di modelli, riflessione qualità con retry automatico e switch di modello, memoria a lungo termine per pattern di task e lezioni, ed evoluzione della strategia tramite algoritmi genetici con valutazione sandboxed e rollout canary.

Completa i compiti 头歌 (EduCoder) tramite l’API JSON della piattaforma, senza automazione del browser. `educoder_sweep` scansiona i corsi ma salta i compiti già completati senza leggerne le prove; la scansione dell’intero account non consuma token del modello. Anche i quiz a scelta multipla non consumano token, perché la piattaforma restituisce la chiave di risposta in ogni invio. Il modello genera il codice, caricato con `evaluate:0` e valutato una volta per prova; i tentativi successivi usano il rapporto d’errore ricevuto. Strumenti: `educoder_sweep`, `educoder_homework`, `educoder_account`.

Chat nativa affiancata accanto alla conversazione principale: una sessione DSH indipendente e archiviata con UI nativa completa, recupero del contesto del genitore su richiesta, citazione della selezione e ciclo di vita conserva-o-elimina.

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.

Memoria e riflessione per agent DSH: estrae automaticamente possibili lezioni dopo i task e richiama quelle revisionate dall’utente in attività successive pertinenti. Include provenienza delle fonti, recupero per progetto, gestione dei conflitti, feedback d’uso e revisione della scadenza. Acquisizione e richiamo hanno controlli separati; la scrittura in AGENTS.md richiede anteprima e applicazione esplicita.

Sistema di memoria persistente a cinque livelli con iniezione della rilevanza, estrazione automatica tramite LLM, rotazione dei profili e sei strumenti per l’agente.

Drives a locally installed Moli headless browser from DeepSeek Harness with two tools: rendered fetch, JavaScript evaluation, Markdown, semantic trees, screenshots and PDFs. Installs Moli when it is missing; verified on Windows and Linux.

Combina lo scheletro di codice di Headroom (Apache-2.0) con lo stimatore di TokenPilot (arXiv:2606.17016). Dati pubblicati: Headroom indica il 20% di token in meno per agent di coding e il 60–95% per JSON, a parità di risposte; TokenPilot fino al 60% di costi in meno nelle sessioni lunghe. Sono dati dei progetti citati, non misure o benchmark di questo plugin. In DSH si impostano profilo, soglia Auto Compact e compressione a scheletro. Misura col tokenizer esatto DeepSeek V4 e verifica la stessa revisione; sui modelli non supportati fail-open conserva i risultati originali degli strumenti. Compressione a scheletro durante il turno e riepilogo finale dell’intento nella compressione JSONL ufficiale.

Collega un server MCP MATLAB locale a DSH per valutare codice MATLAB, eseguire script e test .m e ispezionare i toolbox installati con mcp__matlab__*. Richiede MATLAB, il binario MathWorks MATLAB MCP Server e la modifica di un percorso dopo l’installazione. Il plugin da solo non registra strumenti.

Archivio di lettura per dsh: dopo aver letto codice open source, cattura note rapide o scrivi note approfondite che si raggruppano in una scheda per repo / file / simbolo, memorizzate come log in sola aggiunta di note Markdown apribili in Obsidian; interroga la cronologia, sfoglia le letture recenti o cerca nel tuo vault Obsidian e collega note correlate a una scheda di lettura. Nove strumenti, un comando /codevault e una skill di lettura del codice.

Esegue 3 o 5 candidati agenti di coding in Git worktree detached, valida le loro patch con comandi di progetto, classifica solo i candidati che passano e richiede un'approvazione separata prima di applicare il vincitore.

Motore di equipaggiamento plugin basato su attività: doppio recupero (regole curate + semantica LLM), punteggio combinato (sinergia/conflitto/costo/fiducia), rilevamento conflitti ed esportazione dei comandi di installazione.

Sistema di base di conoscenza in stile Cherry Studio per DeepSeek Harness (DSH): basi, documenti, chunking, embeddings (compatibile con OpenAI / Ollama / locale / fallback lessicale), recupero, strumenti rivolti ai modelli e un pannello di gestione nel browser.

Runtime di visione e Computer Use multipiattaforma verificabile per DeepSeek Harness con prove che preservano la fonte.

Consulente per la valutazione e il miglioramento delle PR: valuta la probabilità di successo delle PR in base ad anti-pattern storici e modelli di successo, con punteggio in un clic e suggerimenti pratici.

Pianificazione proattiva: un heartbeat adattivo e una value network (urgenza, rilevanza, costo dell’interruzione) decidono quando l’agente deve parlare senza essere sollecitato.

Controlla il browser reale dell'utente tramite il demone Kimi WebBridge locale: strumenti di navigazione, ricerca schede, snapshot, clic, compilazione, valutazione, CDP, screenshot, rete, caricamento, esportazione PDF e gestione delle schede che riutilizzano le sessioni di accesso esistenti.

Richiamo della cronologia delle conversazioni per DSH: recupero a tre livelli (letterale/fuzzy/semantico) sul testo originale di ogni sessione passata, completamente locale e offline — l'AI non dimentica mai ciò che le hai detto. Installazione con un comando tramite `dsh.bundle.patch`, il livello semantico gira in un thread worker.

RAG a doppio grafo di conoscenza per note Markdown con decadimento di memoria half-life: grafi di prerequisiti e similarità (attraversamento P/S-Agent), chunking per paragrafi, ricerca ibrida n-gram/embedding e ciclo esplicito di feedback dei pesi — plugin nativo Cordis, installabile via npm come @eqman00003/knowlp-rag.

Scheda dsh-better-sidebar che analizza staticamente i file Qoder Canvas *.canvas.tsx e li mostra come pagine strutturate nella barra destra DSH. Il sorgente non viene mai eseguito: niente eval, bundler o iframe sandbox. Sostituisce anche il visualizzatore .tsx e include uno Skill per creare il formato.