Plugin

Approvazione automatica basata su regole per le escalation della sandbox di DeepSeek Harness, con revisore LLM opzionale e fallback umano nativo.

Esporta il flusso di eventi della sessione verso OpenTelemetry OTLP e Langfuse come trace e metriche sanificate e bufferizzate, disattivato per impostazione predefinita.

Preset unificato di agente ancorato per DeepSeek V4 Pro/Flash sull'API ufficiale e su opencode-go: bootstrap della prima richiesta con due strumenti minimi ed esatti, percorsi Pro/Flash consapevoli del modello e gestione del catalogo consapevole delle epoche per la stabilità delle sessioni lunghe.

Animazione del testo in streaming migliorata per DeepSeek Harness.

Plugin esplora file per DeepSeek Harness: albero dei file, anteprima, markdown, evidenziazione della sintassi, modifica nel pannello, integrazione con VS Code.

Bridge per ShiGuang Memory Engine (SGME): memoria a lungo termine condivisa multi-agente via HTTP — distillazione L0/L1/L1.5/L2, iniezione basata su scenario, ricerca unificata e segnali proattivi di cura (memory_search / wiki_search / signal_pull / signal_claim / signal_ack), installabile come `dsh-sgme`

Livello di coordinamento dei plugin: i plugin dichiarano le proprie capacità, i comandi vengono instradati al plugin proprietario senza una chiamata al modello, gli schemi dei tool si caricano su richiesta per ridurre i token del prompt, la cronologia delle esecuzioni si consolida in memoria a lungo termine nei momenti di inattività e i guasti vengono classificati prima di qualsiasi retry.

Plugin di memoria cross-sessione per DeepSeek Harness (DSH): memoria di progetto Markdown mantenuta dal modello di dialogo mentre lavora, con file tematici a rivelazione progressiva, distillazione silenziosa opzionale in background, isolamento per progetto e pannello impostazioni con hot update. Meccanismo allineato a Claude Code auto memory. | Memoria Markdown cross-sessione mantenuta dall'agente: file tematici a rivelazione progressiva, distillazione silenziosa opt-in, isolamento per progetto. Allineato a Claude Code.

Livello di integrazione nativo DSH per il motore di memoria Minta: compone la riga ufficiale dsh-mcp-client, registra la skill minta-memory-governance più un prewarm della memoria all'avvio della sessione, e fornisce un preset agente Minta; richiede il motore Minta distribuito separatamente (Python/Docker) per fornire i 19 strumenti MCP — non utilizzabile senza di esso.

Uso del computer tramite un dispositivo USB HID esterno: indica un bersaglio in linguaggio naturale, un modello di visione lo individua in uno screenshot ritagliato di finestra, e un Raspberry Pi Pico 2 muove il mouse reale e digita sulla tastiera reale. 7 strumenti. Windows dispone di elenco finestre, ritaglio per finestra e sollevamento automatico della finestra; macOS richiede pyobjc e non li ha; Linux non è supportato.

Adattatore DeepSeek Harness per Koma Miko Agent Specs.

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.

Riduttore di risultati degli strumenti consapevole del contenuto: 13 riduttori tagliano l'output eccessivo per significato in tools/post-execute (i test falliti vengono mantenuti, il contesto diff viene rimosso, JSON e CSV vengono campionati, i problemi di lint sono raggruppati per regola, i frame dello stack delle dipendenze vengono compressi e le directory affollate vengono conteggiate), con gli originali completi scaricati su disco dietro un localizzatore.

Auto-approval assistito da LLM con fallback countdown per il preset di permesso Auto: regole statiche, livelli di rischio, breaker e audit dei file.

Layer di correzione dell'output degli strumenti per DeepSeek Harness — applica il vincolo dello schema JSON, la mappatura dei parametri e la riparazione JSON per le chiamate agli strumenti.

Plugin Cordis di DeepSeek Harness (DSH) che espone gli strumenti di workflow aflare

Livelli di utilizzo e schede statistiche condivisibili: 🐟→🐳 classifiche per consumo mensile di token con percentile stimato calcolato localmente, prezzi precisi per 46 modelli di 6 fornitori (inclusi prezzi cinesi per fascia di dimensione), backfill delle sessioni pre-installazione e confronto vecchio/nuovo dopo la modifica delle tariffe del 2026-08-17. Solo locale, nessuna telemetria.

Team multi-agente basato su ruoli per DeepSeek Harness. /team riunisce fino a 12 subagenti (prodotto, architetto, ricerca, UI, backend, frontend, DB, sicurezza, revisore, QA, DevOps, docs) ed esegue una pipeline a 9 fasi con gate (chiarire, ricercare, progettare, revisione spec, approvazione piano, implementare, revisione, test, consegna) su artefatti condivisi. I gate di qualità li impone il codice, non i prompt: un'attività incompleta non viene segnata come completata, i riscontri li arbitra il revisore o il QA, e lacune di copertura o rework appaiono live nell'overlay e in /team status. Include un overlay live (fasi, roster con modelli, DAG, artefatti, decisioni), una modalità team persistente e la contabilizzazione di token/tempo. Zero dipendenze a runtime, nessun build.

Tre strumenti Zhihu per DSH — ricerca nel sito, indice web globale di Zhihu con filtri per dominio e data, e risposte Zhida — con una scheda di impostazioni nativa e risultati con fonti citate.

Mouse e tastiera reali per un agente DeepSeek Harness: descrivi a parole cosa cliccare, un modello di visione lo individua, un dispositivo USB HID lo clicca.

Budget di utilizzo e tetti di costo per singolo plugin nel waterfall llm/stream: contabilità dell'uso per modello, budget di sessione e mensili con transizioni warn/block, finestre di latenza e stima dell'impronta di carbonio.

Intelligenza documentale locale per PDF, Office, immagini e OCR per DeepSeek Harness.

Adattatore LLM GitHub Copilot: accesso con flusso dispositivo OAuth, scoperta di modelli in tempo reale dall'API Copilot, supporto vision per modelli con capacità immagine (gpt-4.1, gpt-4o), e due protocolli wire (Chat Completions e Responses API) con routing automatico degli endpoint per modello.

Aggiunge un pannello di impostazioni multiutente al client web DSH: selezione della modalità d'uso, gestione dei membri con stato online e associazione dei dispositivi, e cambio o condivisione delle basi di memoria e conoscenza per ciascun membro.