Plugin

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.

DSCODE per Harness Desktop: collaborazione sul codice, memoria di sessione, flussi browser e gestione attività.

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.

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

Plugin per DeepSeek Harness che trasforma i giudizi Jev in tre azioni automatiche — potatura dell'output dei tool troppo grande ai segmenti rilevanti per la richiesta, filtraggio delle pagine recuperate in cerca di istruzioni rivolte al modello e scelta della skill adatta al passo successivo — più i tool jev_ask e jev_gate, un registro dei giudizi che sopravvive ai riavvii e un report /jev-status. Richiede una chiave API TypeSafe; senza, resta inerte e non invia nulla.

Ottimizzazione intelligente dei token tramite triage Jev System One, riduzione dinamica degli strumenti e instradamento ai subagenti.

Classifica automaticamente le sessioni di DeepSeek Harness con modelli decisionali Jev o strumenti Agent e aggiunge prefissi emoji al titolo (in corso 🚧, bloccata ⏸️, revisione 👀, completata ✅, piano 💡, bug 🐛). Include ripristino fluido del ciclo di vita, inferenza Jev facoltativa (richiede una chiave API Jev), manutenzione degli strumenti del modello e pannello impostazioni visivo.

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.

Inserisce a ogni turno un prefisso di selezione delle skill scelto dal modello JEV locale del workspace jev-decision-kit, così l’agente carica solo quelle skill senza sfogliare il catalogo. Richiede un workspace jev-decision-kit configurato separatamente (Python .venv, host/preface_worker.py, models/jev/head.json); senza di esso non inserisce nulla.

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.

Skill che verifica affermazioni sul web aperto, non nella memoria del modello. Scompone la tesi in fatti verificabili, li instrada a una gerarchia di fonti primarie per dominio, cerca in parallelo in ecosistemi nazionali e internazionali, recupera e valuta le pagine primarie e ripete la ricerca con termini di smentita. Prima la conclusione, con URL completo e posizione della citazione per ogni frase, separando non verificato/indeterminabile dal confermato. Con una chiave, tre giudizi possono usare TypeSafe Jev (System One); senza, regole deterministiche. Il modello può solo abbassare il livello di confidenza.

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.

Usa il paradigma del modello decisionale Jev (System One) con qualsiasi LLM compatibile OpenAI — nessuna chiave TypeSafe richiesta. Registra uno strumento jev_decide che restituisce risposte distribuite probabilisticamente a domande tipizzate (choice/score/boolean) in una sola chiamata.

TypeSafe Jev come servizio Cordis di prima classe e tre strumenti visibili al modello per DeepSeek Harness — offline per impostazione predefinita, traffico in uscita dichiarato, mai attivo di default.

Mostra nella chat DSH i piani scelti da JeV, aggiornamenti e riepiloghi per fase, con traduzione nativa o sintesi leggere. Richiede una chiave JeV; il servizio Jev è chiamato esternamente e può essere a pagamento. Include flussi gerarchici di attività seriali/parallele.

Workflow multi-agente in cinese per DeepSeek Harness, con fallback modello per ruolo, piani Mermaid versionati, revisioni indipendenti di Agent e Jev, collaborazione persistente di esperti e strumenti di calcolo a funzione pura.

Aggiunge ai prompt a scelta multipla DSH consigli TypeSafe Jev rivolti alle persone. Su richiesta per impostazione predefinita, con richieste automatiche facoltative. Include raccomandazioni, probabilità, confidenza, avvisi sui risultati ravvicinati, suggerimenti copiabili, adozione con un clic, layout delle schede per profilo e preferenze decisionali temporanee. L’anteprima facoltativa maschera credenziali comuni; include controlli locali dello stato ed export diagnostici sanificati.

Pipeline di riconoscimento delle intenzioni in cinque livelli (regole, recupero pgvector, punteggio Jev, arbitraggio ottimizzato, fallback LLM), con UI di gestione degli scenari, archivio PostgreSQL e servizi API distribuibili.

Provider browser per DeepSeek Harness: svolge attività web passo passo in un browser reale, usando una tabella indicizzata delle azioni possibili invece di HTML o screenshot. Una decisione Jev per passaggio, non un turno completo; benchmark repo: mediana 1,1 s contro 2,8–3,6 s per turno chat-model. La conversazione riceve solo la conclusione e il contesto non cresce con la pagina. Gli obiettivi provengono dalla pagina appena letta; le pagine cambiate vengono rilette. Usa il browser di proprietà di Session e non tocca il tuo Chrome quotidiano, salvo attivare attach mode.

Plugin DSH di selezione automatica del livello di ragionamento: il modello Jev System One valuta quanto pensiero merita ogni messaggio, il livello è dedotto da quanto dichiara il modello, una busta di contesto fa ereditare la profondità del tema ai follow-up come «continua», i pareggi si risolvono verso l'alto e ogni errore mantiene in silenzio il livello precedente. | Sforzo di ragionamento per messaggio guidato da Jev: scale per modello derivate da quanto ciascun modello dichiara, busta di contesto a dimensione fissa, pareggi risolti verso l'alto, fallback silenzioso su ogni percorso di errore.

Livello decisionale per dsh: giudizi tipizzati indipendenti dal provider (prima Jev), dietro i punti di controllo degli strumenti, il routing del modello, la valutazione dei risultati e l’approvazione della macchina.

Compattazione contesto con punteggio Jev per DeepSeek Harness: conserva i messaggi importanti e compatta gli altri.