Plugin

Integra TypeSafe Jev in DeepSeek Harness per selezionare skill e file, supervisionare attività, correggere risultati condivisi, filtrare gli output degli strumenti, assistere nelle approvazioni e navigare tra le fasi registrate. Tutte le funzioni sono disattivate per impostazione predefinita.

Memoria causale per dsh: bridge MCP stdio senza dipendenze che monta i 17 strumenti del server causal-memory con nomi puliti (senza prefisso mcp__) — archi decisione → esito con relazioni tipizzate (caused / enabled / prevented) in un archivio SQLite locale che persiste alla compattazione — più una sezione di prompt di sistema fissata. Richiede il binario del server causal-memory nel PATH (pip install causal-memory, oppure una release precompilata).

Consiglio multi-modello per DeepSeek Harness: risposte indipendenti, revisioni anonime tra pari e una decisione finale ispezionabile.

Pannello laterale destro che trasforma la raccolta di skill Matt Pocock in una bacheca missioni DSH: mappe decisionali wayfinder, azioni di triage/correzione/discussione/esecuzione per ticket, sonda di 9 skill chiave + radar di 20 skill, controlli ambientali e passaggio con un clic tra sessioni.

Classifica le chiamate ai tool in sospeso con Jev (il modello decisionale non generativo di TypeSafe AI) su tools/pre-execute — le chiamate ad alto rischio ad alta confidenza vengono negate, quelle ambigue escalate all'approvazione — e approva automaticamente le chiamate reversibili chiaramente consentite su approval/request dietro un gating basato sulle prove negli argomenti. Ridefinisce anche il resolver dei riferimenti di sessione, così gli snapshot conservano i messaggi valutati da Jev invece di scartare i più vecchi. Degrada al comportamento standard in caso di errore del provider; modalità shadow con il comando /jev-stats; endpoint TypeSafe o OpenRouter; 64 test.

Motore decisionale Jev DSH｜Plugin decisionale strutturato orientato ad Agent Harness. Supporto nativo di DeepSeek Harness, supporto di OpenCode e Codex Harness tramite iPolloWork.

Plugin dello strato decisionale basato su Jev per DeepSeek Harness

StrataGate fornisce a DeepSeek Harness una memoria a lungo termine evolutiva, local-first per preferenze utente, decisioni di progetto, conversazioni e risultati degli strumenti tra le sessioni; sovrappone la cronologia con decadimento temporale regolabile dall'utente, rafforza i ricordi tramite l'uso nelle risposte reali, mostra conteggi d'uso consapevoli dell'area di lavoro e mantiene le evidenze richiamate tracciabili fino ai messaggi originali.

Un input di steering a metà esecuzione per DeepSeek Harness Web: mentre l'agente lavora, compare una barra di input sopra il composer per iniettare richieste di modifica nella decisione successiva tramite agent.steer(), senza interrompere la conversazione. Le bozze persistono per sessione, i messaggi iniettati non letti possono essere richiamati dalla bolla, ed è supportato un prefisso guida opzionale.

Memoria tra sessioni per DeepSeek Harness: gli agent salvano, cercano e aggiornano preferenze dell'utente, fatti e decisioni di progetto; le voci importanti vengono iniettate nelle sessioni successive, e una sezione delle Impostazioni le elenca, modifica, archivia o elimina.

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.

Guardia di deriva dei requisiti a runtime che mantiene gli agenti DSH di lunga durata allineati con l'obiettivo, i vincoli e le decisioni approvati dall'utente.

Decisioni tipizzate di Laya (`noul` sì/no, `choice`, `score`) come servizio Cordis di prima classe (`ctx.laya`) più i tool visibili al modello `laya_ask` e `laya_plan`. Il plugin stesso non installa e non scarica nulla: è un client di un sidecar `laya-mcp serve` che avvii tu stesso, e segnala che il sidecar non è in esecuzione invece di fallire in modo oscuro alla prima chiamata del tool.

model router per passo: preset nominati con regole ordinate di gruppi immagine/parole chiave instradano ogni passo dell'agente attraverso ogni provider e modello montato, aggiungendo flussi di collaborazione per la trascrizione delle immagini, una protezione delle immagini, un pannello quote multi-piano e osservabilità delle decisioni per passo.

Suoni di notifica per DeepSeek Harness: un lieve segnale quando l’agente ha bisogno di una decisione o termina un’attività. La notifica di sistema riporta alla finestra; volume ed effetti si regolano nelle impostazioni.

Uso del computer su macOS con AX-first per DeepSeek Harness: snapshot di accessibilità con riferimenti stabili, input in background, digitazione Unicode, menu, app, screenshot set-of-mark, OCR sul dispositivo, azioni verificate e guardie semantiche opzionali di Jev (TypeSafe System One) — 1.

Computer use su macOS basato prima di tutto su AX per DeepSeek Harness: snapshot di accessibilità con riferimenti stabili, input in background, digitazione Unicode, menu e app, screenshot con set-of-mark, OCR on-device e azioni verificate — 11 tool collegati alla CLI macos-cu.

Skill di metodologia di clonazione di siti web: un albero decisionale che privilegia la fonte reale, coprendo siti statici, siti di contenuti React/Vue/Next e frontend ricchi di WebGL/Canvas, la verifica obbligatoria del codice eseguibile citato da analisi IA di seconda mano, e 13 script Node senza dipendenze per la ricognizione del browser via CDP, la raccolta di asset/font, il crawling delle route, la caccia alle sourcemap e l'audit per differenza di pixel.

Invia subagent con profili nominati (modello, effort di ragionamento e ambito degli strumenti per attività), controlli di sicurezza, stima dei costi con confronto dei risparmi e un registro completo delle decisioni di dispatch.

Plugin di potenziamento per DSH Desktop: mette in chiaro fatti verificabili. Vincoli iniettati solo quando servono, a livelli (testo stabile per la sessione nel system prompt, contenuto volatile in coda); la cache resta valida. Disciplina: ogni turno è classificato (domanda/ricerca/discussione/diagnosi/esecuzione); niente modifiche nei turni di domanda né correzioni non richieste in quelli di diagnosi; segnala citazioni di codice non aperto e affermazioni su simboli mai visti. Memoria: avvisi al 75%/90% del contesto, riepilogo esportabile, conoscenza di progetto per directory. Artefatti: contratto del task, registro modifiche, registro ipotesi con gate, decisioni di design. Dashboard: metriche in lume-metrics.jsonl via lume_metrics; personas distillate da chat, romanzi o schede.

Plugin proattivo di scheduling multi-modello: intake segnali multi-fonte con dedup e ranking di urgenza, motore decisionale a quattro vie execute/defer/dismiss/ask-user, generazione piano DAG con esecuzione parallela di modelli, riflessione qualità con retry automatico e switch di modello, memoria a lungo termine per pattern di task e lezioni, ed evoluzione della strategia tramite algoritmi genetici con valutazione sandboxed e rollout canary.

Ricerca nella community, analisi di similarità e decisioni di installazione/deduplicazione/auto-costruzione per l'ecosistema dsh-plugin.

Allenamento heads-up (1 contro 1) di Texas Hold’em con avversario IA indipendente, memoria persistente delle azioni pubbliche e revisione delle decisioni.

TypeSafe Jev (modello decisionale System One) come tool jev_decide per DeepSeek Harness: le domande di tipo noul, choice e score restituiscono probabilità calibrate; le credenziali riusano il passaggio credenziali di DSH; retry con backoff su 429/529 integrato.