Plugin

Quattro strumenti di sola lettura su una base di conoscenza WeKnora: elenca basi di conoscenza, ricerca ibrida di passaggi, riassembla i chunk di un documento in ordine, e la risposta RAG citata o la risposta agente ReAct di WeKnora con un session id ripristinabile.

Strumenti di recupero della conoscenza WeKnora per DeepSeek Harness (dsh): ricerca semantica, lettura di documenti e risposte RAG/agente sulle tue basi di conoscenza.

Collega DeepSeek Harness alla base di conoscenza personale local-first e auto-evolutiva di ReMe: cattura automaticamente le conversazioni completate dell'agente principale come memoria Markdown di proprietà dell'utente, cerca conversazioni e materiali originali tramite reme_search con BM25, embedding opzionali e espansione dei wikilink, e pianifica una consolidazione giornaliera della memoria.

Collega DeepSeek Harness alla base di conoscenza personale locale-first e autoevolutiva di ReMe: cattura automaticamente le conversazioni completate dell'agente principale come memoria Markdown di proprietà dell'utente, cerca nelle conversazioni e nel materiale sorgente tramite reme_search con BM25, embedding opzionali ed espansione dei wikilink, e pianifica il consolidamento giornaliero della memoria.

Memoria Markdown condivisa per DSH e altri agenti di codifica, con cattura automatica, iniezione di contesto pre-passo, richiamo ricercabile ed evoluzione automatica da memoria a skill tramite un pannello di revisione.

Legge i file di sessione che altri trentatré agenti di coding su questa macchina hanno già scritto — Claude Code, Codex, Cursor, VS Code Copilot Chat, opencode, OpenClaw, Hermes, Kimi, Cline, Zed e altri — incluse le sessioni precedenti alla sua installazione: sei tool (deja_recall, deja_session, deja_blame, deja_fix, deja_how, deja_remember), un comando /deja e il richiamo automatico opzionale aggiunto al contesto di runtime. Indice BM25 locale, nessun LLM, nessun embedding, nessuna rete (dsh plugin --profile web add dsh-deja).

Ambiente di roleplay per DeepSeek Harness: importa schede SillyTavern/TauriTavern o creane una da zero con un flusso interattivo; trasforma un lungo romanzo TXT in una scheda giocabile con lettura intensiva o rapida; l'agente principale consulta i worldbook su richiesta e la prosa si legge in una scheda dedicata; esplora più worldline in un'unica conversazione (rigenera, modifica-e-invia, clona); preset di stile con 16 stili integrati, un cluster di agenti personaggio, una scheda decisionale ed esportazione di scheda o romanzo; la coerenza nelle storie lunghe si basa su prefisso di impostazioni congelato, finestra di contesto a taglio netto, note del regista tracciabili e richiamo per parole chiave/semantico/ibrido, con embedding online o locali. Puntato a Harness 0.1.2-alpha.3.

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.

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.

RAG per una knowledge base bibliografica locale: 10 strumenti (kb_ingest, kb_search, kb_rag, kb_zotero, kb_dedup, kb_clear, kb_fetch, kb_scope, kb_stats, kb_status), ricerca ibrida BM25+vector+reranker, QA con citazioni e link DOI cliccabili, embedding bge interamente locali su un indice SQLite in un singolo file. Richiede Python 3.9+ con pymupdf, faiss-cpu e sentence-transformers; l'installer `npx dsh-kb-rag-install` li configura e pre-scarica il modello.

Memoria a lungo termine tra sessioni con la metafora del «palazzo della memoria»: archivi SQLite a doppio ambito (utente + progetto per origine git), recupero ibrido FTS5 + vettori locali con fusione RRF e potenziamento del ranking per recenza/prova, acquisizione automatica dal registro della sessione (incluso il turno finale), catene di audit della provenienza, distillazione per consolidamento e oblio per decadimento, e un pannello Memory Library nella pagina delle impostazioni con topologia dei corridoi, maggiordomo per i tour e lista di ristrutturazione.

Plugin di memoria tra sessioni per DSH (v0.6.1, npm @asherliner/dsh-memory-connect): estrazione automatica, indicizzazione SQLite FTS5, richiamo semantico RRF iniettato nel prompt di sistema a ogni turno, manutenzione pianificata, consolidamento LLM via ctx.llm, prevenzione dell'esplosione del contesto, identità Soul globale via ~/.dsh/soul.md. v0.5.0: grafo di contesto temporale, modello di fiducia, riassunto a fine turno. v0.6.0: embedding semantici locali (BAAI/bge-small-zh-v1.5), nessuna chiamata al cloud. v0.6.1: corretta l'espansione di ~ nella configurazione dei percorsi. Installazione senza configurazione.

Sistema di memoria biomimetica per DeepSeek Harness: un singolo archivio SQLite (node:sqlite, WAL) il cui albero Markdown è mantenuto come mirror di sola lettura; strumenti di memoria, iniezione di snapshot congelato all'avvio della sessione, gating di approvazione graduato, estrazione on-demand della sessione corrente, fusione dei quasi duplicati, un ciclo di vita di archiviazione e sostituzione, metabolismo della memoria (dream), pin di memoria, richiamo semantico su embedding locali, e il comando /memory.

Memoria in testo normale tra sessioni: recall BM25 deterministic per parole chiave (senza embeddings), strumenti memory_save/list/search/confirm/forget dietro un gate human-confirm, e archivi JSON globali e di progetto che seguono il tuo repo git.

Memoria vettoriale completamente locale per DSH: embedding locali, archiviazione SQLite, iniezione automatica di richiamo, deduplicazione con rilevamento dei conflitti, cestino con cancellazione temporanea, backup online ed estrazione LLM opzionale.

Sistema di base di conoscenza in stile Cherry Studio per DeepSeek Harness (DSH): basi, documenti, chunking, embeddings (compatibile con OpenAI / Ollama / locale / fallback lessicale), recupero, strumenti rivolti ai modelli e un pannello di gestione nel browser.

Ricerca semantica locale di codice per DeepSeek Harness: indicizzazione a livello di frammento consapevole dei simboli, embedding lessicali offline o un endpoint compatibile OpenAI, e retrieval ibrido vettoriale + BM25 fuso con RRF - tre strumenti dsh più una CLI sema.

Server MCP di memoria a lungo termine a livelli: turni grezzi → frammenti di attività → riepiloghi giornalieri → indici di argomenti, embedding locali MiniLM a 384 dimensioni o backend API compatibile con OpenAI, ricerca semantica con fallback Jaccard, installazione del plugin DSH con un solo comando.

Tiny local vector memory via Ollama embeddings and ~/.dsh/vecmem (workspace namespaces; optional IM crumb via vecmemOnReply).

Per-project memory for DeepSeek Harness. Three Markdown files per workspace — PROJECT.md, DECISIONS.md and SESSIONS.md — are auto-created on the first step of any session in that workspace, re-read from disk and re-injected only when they change (and re-injected if compaction dropped them), and written back by classification through a memory_checkpoint tool, with a bounded end-of-turn nudge when a turn did work but recorded nothing. memory_read and memory_search read the live log and the archive, the latter over a zero-dependency BM25 index. The session log is capped at 200 entries with the overflow moved to SESSIONS-archive.md — never injected, but visible, readable and searchable, and restorable one entry at a time. Settings page: a workspace list with a path filter, read-only tabs for the three memory files plus the archive, reload, export/import of one workspace's memory as a JSON bundle, a two-step clear, a panel that rewrites or removes the AGENTS.md instruction block, and a PROJECT.md staleness reminder. A composer status chip shows that workspace's sync state and creates the files on click. Zero dependencies — no vector store, no embeddings, and no model calls.

Persistent, searchable, per-project memory for the DeepSeek Harness: decisions, rules, and sprint context in a queryable DuckDB file, rules enforced on every model request, with a full management UI in the Web Client