Plugin

Long-term memory for dsh via a local Hindsight service: each turn is retained with local timestamps and relevant memories (time-aware, reranked) are recalled into context before replies; each workspace binds to one memory bank, several workspaces can share a bank, and banks can have Chinese names; what gets retained is configurable (default: user messages and AI replies); history is imported only when you choose to; includes a three-step setup page with one-click local deployment (uv + Python 3.12), a sidebar status card and a panel to browse and search memories. Needs a SiliconFlow API key for the default embedding and reranker models; only Linux is verified so far.

Counts agent steps and, every N of them, adds a progress-report instruction to the batch that is about to be sent, so the agent states what it is doing, what it finished and what comes next, then carries on without stopping for you. Interval, prompt text and a main-agent-only default are editable in its settings page.

Plugin leggero di font e temi per DSH: i selettori per font latino, cinese e codice mostrano solo le famiglie installate; 5 palette ufficiali (One Dark Pro, Dracula, Nord, GitHub, Catppuccin) sono applicate tramite token ufficiali, inclusi i colori di sintassi del codice. Nessun font incluso, dipendenza o build. Richiede DSH 0.2.0-rc.2 o successivo.

Card in vetro per visualizzare quote e saldi di più provider nel piè di pagina della barra laterale di DSH. Include 11 provider, tra cui StepFun, Xiaomi MiMo e Claude, con accesso al browser in un clic, oltre al credito Step Plan. Installabile dal marketplace dsh-plugin (topic GitHub "dsh-plugin").

Aggiunge una libreria di modelli 3D in una propria scheda di conversazione, dove gli agenti archiviano modelli creati da script CadQuery o forniti come mesh tassellate; la libreria li mostra in anteprima con three-cad-viewer, li organizza in cartelle e li esporta in 10 formati, tra cui STEP, BREP, STL e DXF.

Affianca all'esecutore in funzione un modello revisore più forte tramite chiamate advisor() senza parametri e controlli di pattugliamento a ogni step, restituendo indicazioni di piano, correzione o stop.

Stile di output Conciso con un clic per DeepSeek Harness: risultati prima, niente riempitivo, stessa profondità di lavoro. Ogni risposta finale si apre con una scheda di sintesi in linguaggio semplice (seleziona il testo da copiare), con ambito per sessione, funziona anche in headless/CLI, con comando /concise, override style.md e API locale. Link e percorsi file dentro la scheda di sintesi sono resi come chip cliccabili: gli URL aprono il link, i file locali si aprono con l'app predefinita del sistema operativo (v0.9+). Un promemoria del contratto di pre-generazione per passo (v0.11.2+) corregge in modo misurabile le mancanze nella sintesi nelle risposte a forma di report di audit/tabella.

Segue l’avanzamento delle sessioni DeepSeek Harness senza consultare i log: l’agente mantiene una checklist annidata e ponderata, dalle fasi ai singoli passaggi, così anello e percentuale riflettono il progresso reale. Al passaggio mostra l’attività; la scheda Session Progress presenta obiettivo, checklist con pesi, prossimi passi e note. A fine sessione resta il resoconto del lavoro.

Dopo che il llm-retry ufficiale (n/5) si arrende, continua a ritentare i guasti API transitori (timeout, trasporto, limite di frequenza, 5xx, SSE interrotto) sullo stesso passo aperto fino al successo, all'annullamento o alla pausa; AUTH, QUOTA e lo Stop dell'utente non vengono mai ritentati.

Riprende un turno dell'agente terminato dopo aver narrato l'azione successiva senza chiamare alcuno strumento: il guard riesegue il log del turno su agent/turn-stopping, pone una sola domanda vero/falso a un modello giudice e indirizza lo stesso turno a eseguire un altro passo.

Comprime le righe Think e di chiamata strumenti in una pillola di riepilogo flottante con conteggi di errore in rosso, per una vista chat più pulita e amichevole per gli autori.

Gruppo separato di comandi slash nel composer della UI Web: /steer inserisce testo nel passaggio successivo dell'agente senza interrompere il turno, /new avvia una sessione vuota, /skill e /docs incapsulano /steer con attività post-turno per skill o documenti, e alias /steer personalizzati sono configurabili in Impostazioni.

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.

Cerca nella libreria curata di progetti AI GitHub di AIGC Radar (ammissione a 500 stelle, tag bilingue zh/en, snapshot di crescita stelle) tramite il suo endpoint MCP con schede di risultato native; un listener agent/pre-step suggerisce proattivamente un controllo di riuso prima che l'agente scriva codice.

Visualizzazione del saldo del conto multi-provider per la GUI web di DeepSeek Harness. Interroga le API di fatturazione reali (DeepSeek, StepFun, Kimi Coding, OpenRouter, MiniMax, xAI) e mostra saldo/quota davanti al selettore del modello. I provider senza un endpoint di fatturazione a livello API ripiegano su una visualizzazione con offset manuale.

Analisi dell'esecuzione della sessione: passaggi, chiamate agli strumenti, fallimenti, azioni ripetute, utilizzo dei token e segnali di verifica, resi come report in testo/Markdown/JSON.

Layered long-term memory for DeepSeek Harness: each turn injects a persona frame plus a relevance-ranked memory index while full transcripts stay on disk and are expanded on demand, so the vault never floods the context window. Facts are slot-keyed, so a changed mind retires the old value instead of recalling two contradictory answers. The persona frame is derived from memory by the model itself, behind three anti-pollution gates (rejecting development chatter, blocking echoes of its own injection, and merging restatements by shared content words). Periodic consolidation merges near-duplicates, rolls long topics into digests, and archives low-value old entries by tagging only — raw text is never deleted. The append-only store is compacted in place (measured 4.7 MB to 355 KB). Zero third-party dependencies, no build step. Note: per-turn injection inevitably lowers prompt-cache hit rates, so this plugin is not recommended for work scenarios.

Separate font slots for content, code and terminal text, plus an interface font, an interface-size stepper and an inline-code size stepper, with line-height and letter-spacing controls. Typography only — it never touches colour.

Diagnoses third-party LLM API endpoints from the sidebar: a four-layer check (DNS/TCP/TLS, key and model, a real streaming conversation, then timed repeat runs) reporting time-to-first-token, output speed and success rate, with every failure attributed to the step it stalled at and the byte count that actually left the machine. 37 provider presets, no model names hardcoded.

File di annunci condiviso da più sessioni agente sulla stessa macchina. È un semplice file di testo a cui gli agenti possono solo aggiungere righe. Prima di ogni step la sessione riceve le voci non viste; una nuova sessione recupera quelle ancora valide e le voci vengono rinviate dopo la compattazione del contesto.

Esegue un passaggio deterministico di instradamento delle skill per ogni istruzione dell’utente, consultando il catalogo prima della risposta del modello. Sull’host valuta il catalogo attivo con parole chiave dell’istruzione e metadati, senza chiamate a LLM o embedding. Aggiunge un solo messaggio con tag producer allo step: elenco ordinato per impostazione predefinita, corpo del SKILL.md vincente oltre soglia oppure istruzione di chiamare esattamente una volta un router skill nominato. Il plugin non interviene sulle istruzioni non pertinenti.

Provider browser per DeepSeek Harness: svolge attività web passo passo in un browser reale, usando una tabella indicizzata delle azioni possibili invece di HTML o screenshot. Una decisione Jev per passaggio, non un turno completo; benchmark repo: mediana 1,1 s contro 2,8–3,6 s per turno chat-model. La conversazione riceve solo la conclusione e il contesto non cresce con la pagina. Gli obiettivi provengono dalla pagina appena letta; le pagine cambiate vengono rilette. Usa il browser di proprietà di Session e non tocca il tuo Chrome quotidiano, salvo attivare attach mode.

Memory-assembly team for DeepSeek Harness: every message triggers a five-step cognition loop (judge, retrieve, assemble, feedback, calibrate) carried by role-playing subagents (judge, retriever, archivist, advocate, editor, scribe), using BM25 retrieval, time-ordered material, and LLM assembly to build useful material packs injected into linghun. Works with dsh-linghun.