Plugin

Memoria persistente supervisionata da LLM per agenti AI — recupero basato su grafo, conoscenza cross-sessione, binario singolo. Funziona con DeepSeek Harness, Claude Code, OpenClaw e qualsiasi runtime agente.

Esplorazione dell'architettura AGI white-box: metacognizione (ciclo di auto-cognizione), apprendimento continuo (volano della conoscenza), modello del mondo (spazio delle condizioni, grafo di memoria spazio-temporale), auto-miglioramento (disciplina bootstrap), pipeline white-box zero-LLM e guardrail di fiducia verificabili.

Evolvi skill, agenti, prompt, codice e plugin dall'interno di DeepSeek Harness, con AgentDescent.

Webhook di messaggistica istantanea e notifiche locali al completamento del turno, in caso di errori o approvazioni (Feishu/WeCom/DingTalk/Slack/Discord/personalizzato).

Bacheca condivisa di attività multi-agente (crea/rivendica/transizione/interroga) tramite una service key Cordis.

Store dei plugin in-app per la Web UI di DSH: sfoglia, cerca, installa con un clic, badge di compatibilità.

Esporta il log di sessione append-only come Markdown o HTML leggibile, raggruppato per origine della traiettoria.

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

Pannello di anatomia per gli organi di Agent-Body: fornisce una dashboard dei parametri vitali in tempo reale su /anatomy all'interno dell'harness stesso — organi, battito, registro di guarigione, contatori di auto-addestramento e il flusso di impulso reale — letti direttamente dai file di runtime anziché ridigitati. Solo host, senza bundle client e senza fase di build.

Motore di contesto Zero-residence: i payload di grandi dimensioni degli strumenti vengono espulsi dal contesto attivo verso un archivio interrogabile e rimangono solo puntatori deterministici, così i token di prompt per turno smettono di crescere con la trascrizione. Qualsiasi contenuto mascherato viene ricostruito alla lettera dal log della sessione su richiesta, tramite id di chiamata dello strumento o seq della sessione.

Kernel di organi di Agent-Body: plugin organizzati come un unico corpo. Ogni comando diventa un impulso nervoso che innerva deterministicamente l'organo competente e nomina la capacità; i riflessi scattano senza chiamata al modello; un battito a intervallo variabile pompa direttive dell'operatore, propriocezione e avvisi di omeostasi ovunque; i guasti seguono un'attribuzione deterministica (strumento, argomenti, permesso, timeout, rete), una prescrizione e un ciclo di ricontrollo, e gli errori di argomento non vengono mai ritentati. Un organo mancante è compensato da quello con maggiore sovrapposizione di capacità, e gli schemi degli strumenti sono filtrati dall'intento corrente (riduzione misurata dell'84,7%, riproducibile nel repository). Pacchetto kernel del repository agent-body.

L'organo di memoria di Agent-Body: dopo 2 minuti di silenzio entra in sonno leggero e dopo 5 in sonno profondo, dove regole deterministiche distillano l'esperienza reale in carte di memoria (trappole, playbook, hotspot, problemi irrisolti, fatti). I comandi in arrivo richiamano le carte correlate per parola chiave e le iniettano nel contesto; le carte inutilizzate a lungo decadono con un tempo di dimezzamento e vengono archiviate invece che eliminate. Inoltre elimina il rumore degli avvisi di omeostasi di tutto il corpo: le ripetizioni entro una finestra vengono contate invece di essere ristampate, e un avviso che ricorre senza mai guarire converge in uno scostamento di stato stazionario noto e tace. Consolidamento e richiamo non fanno chiamate al modello.

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.

AI Company Framework: trasforma una frase in un'azienda multi-agente — 15 Skill piatte (boss/pipeline/role-template/11 ruoli/generic customer-memory), 7 template di workflow, runtime AgentTeams + pannello attività, sidebar dipendenti con isolamento per sessione, bridge bot Feishu (bot boss e per dipendente, instradamento di gruppo, push autonomo, gate di decisione umana, guida contatti esterni), memoria SQLite per cliente con memoria a tre livelli (merge cross-group), switch modalità /company; no RAG.

Math Agent Framework per DeepSeek Harness: motore di derivazione simbolica (CES / forme quadratiche / ODE / PDE), verifica con SymPy, dimostrazioni formali verificate dal compilatore Lean 4 e verifica avversariale multi-agente in stile QED, esposti come strumenti DSH nativi tramite una shell TS che fa da ponte a un motore Python. Richiede la clonazione del repository math-agent-framework e `pip install -r requirements.txt`, con MATH_AGENT_HOME che punta alla radice del repository. Ogni risultato riporta la provenienza (versioni dei motori, seed, tolleranze) ed è contrassegnato come dati non attendibili.

Fissa ogni richiesta al livello nativo di massimo impegno e aggiunge un pannello di profondità di ragionamento per modello/modalità con uno slider di capacità 0-20, profili Velocity/Apex isolati e toolbox di ragionamento offline. Distribuito come build offuscata; uso commerciale consentito, reverse engineering chiuso.

un plugin dimostrativo per un preset: il motore wasm musescore di editing/anteprima è integrato per la composizione da parte dell'agente

Aggiunge memoria a timeline a DeepSeek Harness: un registro di fatti a larghezza fissa e in sola aggiunta + una piramide di riassunti mantenuta dall'agent stesso, con un budget di lettura fisso e un costo di recall che non cresce con la quantità di memoria.

Microsoft Agent Framework (MAF) plugin for DeepSeek Harness: validate, run, and scaffold declarative agents and workflows (YAML).