Plugin

Liang Saint Slider come selettore di modello e livello di sforzo di ragionamento per DeepSeek Harness.

Store dei plugin per la Web UI di DSH: sfoglia il catalogo, cerca, installa con un clic, badge di compatibilità ed elenco degli installati.

Analisi dettagliata dell'utilizzo e dei costi per modello, con statistiche di utilizzo per sessione e query di utilizzo per GLM, MiniMax, OpenCode Go, DeepSeek e altri.

Carica per impostazione predefinita solo gli strumenti base di DeepSeek Harness e attiva gli altri su richiesta.

Serie di comandi /logi per la manutenzione dei progetti: assegna esperti di sicurezza, correttezza logica, manutenibilità, affidabilità e prestazioni all’ispezione dell’intero progetto e produce un unico rapporto di miglioramento.

Offre skill Research Agent, ricerca bibliografica con tracciamento delle citazioni, creazione di basi di conoscenza Markdown dai documenti e lettura approfondita con workbench browser per DeepSeek Harness.

Registra tutte le chiamate modello tramite DeepSeek Harness: token, costi con tariffe di punta/fuori punta, latenza del primo token e velocità di output, saldo e quote dei provider, budget; suddivisione per modello, provider, progetto, origine, account e data.

Connettore host per l’app iOS DSH Mobile: si collega a un relay WSS self-hosted, così il telefono può raggiungere le sessioni DSH di questo computer tramite 4G/5G, senza IP pubblico né VPN; il relay autentica e inoltra soltanto.

Ambiente di lavoro per preset: modifica le personalità dei singoli agenti, le sezioni del prompt di sistema e le descrizioni degli strumenti; consente di scegliere strumenti e skill, vedere l’anteprima del contesto della richiesta e importare o esportare configurazioni JSON/YAML.

Carica solo gli strumenti di base di DSH per impostazione predefinita e attiva gli altri su richiesta; le impostazioni del plugin offrono un interruttore per ogni strumento.

Ricerca Web aggregata da più fonti per DeepSeek Harness: sostituisce web_search con grounding nativo del modello e API di ricerca agent, con attribuzione delle fonti e schede di citazione avanzate.

Gestisce il System Prompt predefinito di DeepSeek Harness: consulta, cerca e sovrascrive nelle impostazioni Web GUI il prompt finale di ogni turno.

Plugin LLVM di analisi statica per DeepSeek Harness: genera bitcode analizzabile ed esegue l’analisi di raggiungibilità kernel-analyzer (KAMain) tramite ctx.kanalyzer.

Disegna ogni ramo di una conversazione come un albero cliccabile accanto alla chat, con preferiti, icone e colori personalizzati, fusione e divisione dei rami, layout consapevole del rewind e rami di Claude Code che mantengono la loro memoria.

Definisce l'ambito delle persona del prompt di sistema per percorso del workspace o id di sessione (esatto, prefisso, contiene, regex), con una persona predefinita opzionale per le sessioni che nulla ha rivendicato, una scheda 人设 nella conversazione che mostra il prompt effettivamente inviato, importazione ed esportazione dell'elenco, e un interruttore che rifiuta le scritture degli strumenti nell'archivio delle persona.

Risvegli proattivi a livello di host per DeepSeek Harness: il modello pianifica le proprie sveglie (una volta, intervallo o cron, con jitter opzionale), le sessioni fredde vengono risvegliate puntualmente via session resume, i follow-up del modello sono limitati da ore silenziose e un budget giornaliero, e i turni di risveglio silenzioso terminano con proactive_reclaim e cadono fuori dal contesto come lapidi. I file di pianificazione dichiarati sincronizzano gli orari JSON nelle sveglie dell'host via glob; min_idle_seconds rinvia i risvegli finché la sessione di destinazione non si calma, e un pannello web gestisce sveglie e cronologia — il motore del battito per compagni IA e personaggi di ruolo con routine proprie.

Prosa concisa per DeepSeek Harness: comprime l’output dell’agent per ridurre i token di ogni risposta (livello 4). Cambia lo stile, mai il contenuto.

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.

Plugin in fase iniziale che collega DeepSeek Harness a un server OwnDsh self-hosted distribuito separatamente per identità del team, controllo di accesso ai modelli, quote e auditing dell'utilizzo.

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.

Skill di flusso di lavoro di ricerca AI-for-Science per DeepSeek Harness, rivolto a ricercatori e studenti post-laurea che usano IA agentica: revisione della letteratura multi-angolo con file per angolo, progettazione di esperimenti con elenco di caveat, lettura di figure e articoli; ogni lavoro restituisce file più un briefing di verifica incrociata per un secondo modello. Zero dipendenze, MIT.

Marketplace di plugin della community per DeepSeek Harness, conforme alla specifica ufficiale dei plugin: sfoglia, cerca e installa oltre 4000 plugin della community selezionati manualmente senza uscire dall'app, con aggiornamenti quotidiani.

Collega WeChat, QQ, DingTalk, Lark e Telegram a DeepSeek Harness con configurazione unificata, controlli di accesso per chat private e gruppi, e comandi di chat Agent e sessione lato canale.

Strumento a basso costo per la comprensione dei video: un tool video_understand trasforma un link Bilibili / BV / un video locale in un layer informativo AVIS (ASR + struttura delle scene + tracking degli oggetti + etichette YOLO) e restituisce summary + Q&A. Routing dinamico tra layer guidato dalle domande (L0 ASR / L1 tracking oggetti / L2 VLM su keyframe), riuso del layer semantico per domande ripetute, tetto di budget per singola domanda. Motore Python: il layer base richiede faster-whisper / opencv / yt-dlp (~200-300MB); il layer semantico opzionale aggiunge ~2GB di torch / transformers / ultralytics. Un doctor --fix incluso configura il venv e installa entrambi.