Plugin

Aggiunge una tela di conversazione modificabile a DeepSeek Harness, dove le connessioni del grafo selezionano il contesto per le richieste sulla tela, con ramificazione, unione e importazione di sessioni di agenti locali.

ThoughtDAG per DeepSeek Harness: trasforma la sessione DSH corrente in un grafo di pensiero modificabile su una tela infinita.

Memoria PLUR per DeepSeek Harness — gli engrammi vengono iniettati direttamente nel prompt, senza bisogno di chiamate a strumenti

Auto-memoria in stile Claude Code, nativa: file di memoria tipizzati (user/feedback/project/reference) con un indice MEMORY.md iniettato automaticamente nel system prompt (zero footprint quando è vuoto); memory_write/read/list/delete seguono le regole di scrittura di Claude Code (deduplica e aggiornamento, date assolute, collegamenti incrociati); livelli con ambito workspace e ambito utente, file locking tra processi con recupero dei lock orfani, Markdown semplice su disco, nessun servizio esterno, nessun embedding.

Agent Context Editor è un plugin cross-agent per escludere, modificare e comprimere selettivamente il contesto delle conversazioni IA manualmente. Supporta anche ricerca, filtro, selezione, nascondere, ripristinare e annullare le modifiche alla conversazione preservando la sessione originale.

Memoria a lungo termine per DSH: le conversazioni vengono distillate automaticamente in fatti atomici, riassunti di scena e un profilo persona, con ricordi rilevanti iniettati prima di ogni passo del modello. Pronto all'uso senza configurazione — recupero ibrido BM25 + vettoriale, embedding locali offline opzionali, separazione delle famiglie chat/lavoro.

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.

Grafo di conoscenza del codice local-first per agenti di coding: 10 strumenti MCP per compressione contestuale a livelli, pianificazione DAG, indicizzazione AST incrementale, flywheel di competenze cross-session, diagnostica e import/export di artefatti del grafo.

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.

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.

Gateway MCP a divulgazione progressiva che cerca in grandi cataloghi remoti tramite `mcp_search`, poi invoca gli schemi esatti tramite `mcp_call` con connessioni lazy e cache limitate

Plugin di memoria a lungo termine NeatMem per DeepSeek Harness: client REST leggero verso un server neatmem

Compressione senza perdita del contesto per DeepSeek Harness: l'intervallo più vecchio viene sostituito da un riassunto, mentre gli originali restano nel registro della sessione.

Disciplina di esecuzione modulare d'avanguardia per DSH: instradamento basato sulle evidenze attraverso 26 skill, pianificazione dei file in stile Manus, gate di verifica, recupero dopo sequenze di errori e dashboard web interattiva.

Profilazione delle prestazioni e diagnostica della cache LLM per DeepSeek Harness — engineering del contesto, profilazione della latenza e report sul comportamento della cache.

Mostra quale indice di graft sta servendo una sessione dsh e se corrisponde ancora al codice, e fornisce al modello graft_ask, graft_grep, graft_callers, graft_skeleton e graft_map come tool nativi.

Memoria a lungo termine governata per DeepSeek Harness: registro delle evidenze di sola aggiunta con protezioni di scrittura, affermazioni su 7 livelli di autorevolezza, catene di sostituzione e iniezione pre-passaggio con budget e quote per dominio.

La CLI self di Superself come strumenti rivolti al modello (contesto progetto, unità di lavoro, report, decisioni) più un comando /self — stato di progetto cross-sessione e cross-progetto tenuto fuori dal repo di codice.

Aggiunge contratti di esecuzione persistenti, grafi di lavoro ricorsivi, chiarificazione critica e gate di evidenza per attività Harness lunghe o poco specificate.

Unisce il contesto di altre sessioni nel turno corrente: risoluzione dei conflitti ponderata per evidenze, ritrattazione delle affermazioni le cui premesse sono state ritrattate, etichettatura di fiducia che resiste all'iniezione di prompt tra sessioni, e impacchettamento limitato dal budget. Include un benchmark.

Plugin per DeepSeek Harness: la CLI `self` di Superself come strumenti rivolti al modello più un comando /self — stato del progetto tra sessioni e progetti per gli agenti.