Plugin

Valuta l’umore del companion a ogni turno e lo mostra come breve nota di contesto, con pannello per umore, dimensioni emotive e cronologia.

Memoria a lungo termine tra sessioni in un archivio SQLite locale: due ambiti (utente e progetto per origine Git), recupero ibrido FTS5 + vettori locali unito con RRF, controllo delle evidenze che impone un giudizio esplicito di sufficienza, catene di audit della provenienza, ripasso dilazionato SM-2, distillazione del consolidamento e oblio progressivo, più pannello laterale Memory Palace con nove viste. 22 strumenti con parametri circoscritti, senza servizi esterni, API key o Docker.

Scheda di query dei log per la GUI Web DSH su Elasticsearch/OpenSearch: un’unica superficie con query per dialetto ed esempi cliccabili, completamento dei nomi campo, chip filtro, istogramma temporale con zoom sull’intervallo della barra, facet trasformabili in filtri e risultati con colori per livello, righe di continuazione dello stack, colonne e paginazione. I log dei container Docker sono una fonte di raccolta che riutilizza il plugin docker. Include cinque strumenti loglens_* di sola lettura (sources/search/fields/facets/context), che condividono il livello di esecuzione del pannello. Le richieste in uscita raggiungono solo fonti configurate, vengono valutate in base all’IP risolto, non seguono reindirizzamenti e hanno limiti di dimensione e timeout.

QA di fedeltà al design per modelli solo testuali: uno strumento `deepseek_vision` prende in prestito un occhio da qualsiasi percorso vision compatibile con OpenAI, così il modello può giudicare se un'implementazione corrisponde al mock — fornito con il benchmark alla base di quel giudizio (quattro fixture, 23 difetti iniettati, trascrizioni grezze) e la disciplina di interrogazione da cui dipende.

Routing automatico dello sforzo di pensiero per dsh: un classificatore a 7 domande fine-tunato localmente (ModernBERT, 842MB, inferenza CPU <1s) sceglie low/high/max per i messaggi senza intento; i retry in-sessione alzano il livello (da low a high a max) sotto vincoli di esclusione; il servizio di giudizio ritorna in sicurezza a low se irraggiungibile. Un chip del livello nella barra di input mostra il livello attuale e gli ultimi 20 giudizi. Tutta l'inferenza è locale - il testo delle attività non lascia mai la macchina.

Ottimizza un’istruzione grezza con un clic: tre stili, profilo contestuale di ruolo/attività/obiettivo, selezione di più output da un giudice modello e miglioramento iterativo tramite memoria sessione, default intelligenti e override utente. /template copre 22 sottoscenari senza chiamate al modello. ✨ ottimizza/annulla nel campo, tool prompt_optimize, hook automatico, pagina stato runtime, pannello Settings (dsh 0.2.0) e rilevamento documenti zh/en.

Plugin di memoria a lungo termine per DeepSeek Harness. Ogni turno viene valutato e salvato in SQLite locale (enunciato / evento / versione / fase / decisione), con un pannello consultabile.

Persona e diario tra sessioni per DeepSeek Harness. Un filtro locale sceglie i turni da ricordare; una chiamata extra al modello crea un diario in prima persona e un’impressione dell’utente, legati al momento specifico. Le conversazioni successive ricevono circa 2000 tokens di memoria personale in tre livelli: nucleo della persona, giudizi scritti dal modello e diario. Uno strumento consente al modello di registrare giudizi con parole proprie. Il plugin può solo leggere il Markdown umano. Dalla barra laterale si può leggere, dimenticare o esportare l’archivio; dimenticare abbassa la priorità senza cancellare, e una forte corrispondenza tematica può farlo riemergere. Cartella locale modificabile e trasferibile. I segreti vengono rimossi prima dell’invio. Nessuna dipendenza runtime né build.

OMK — Osserva. Misura. Conosci. Modifiche della knowledge supportate da evidenze per applicazioni AI.

Intervista sui requisiti prima di iniziare: valuta se la richiesta è chiara e pone domande mirate se non lo è. In modalità strict blocca gli strumenti di modifica finché l’utente non conferma in chat un riepilogo in quattro parti; le preferenze confermate restano in una memoria a due livelli.

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.

Un sottoagente di approvazione indipendente giudica ogni escalation di sandbox, con un modello configurabile e un log di audit.

Rileva i file di regole di tutte le convenzioni supportate da OMP e li inserisce nel prompt di sistema come livello sempre attivo e indice del regolamento. Regole in streaming possono interrompere un output non conforme durante il turno, negare una chiamata allo strumento, aggiungere un promemoria al risultato o chiedere a un modello giudice di valutare la risposta conclusa. Lo stesso strumento consente al modello di scrivere regole; il pannello audit in Plugins spiega perché ciascuna è applicata.

Mappa l'audio di sistema analizzato localmente su effetti di conversazione reattivi alla musica, giudizi di gioco ritmico, feedback di punteggio e combo e barre dello spettro RGB opzionali in DSH Web.

Firewall runtime per plugin solo nelle sessioni avviate dal launcher; non è iniettabile in DSH Desktop e non lo copre. Attribuisce le chiamate a file/rete/sottoprocessi al plugin d’origine: gli usi dichiarati non generano avvisi, gli scostamenti sono registrati. Attribuzione best-effort, non garantita; chiamate non classificate ricadono sull’host, mai su un altro plugin. Include scheda preliminare (capacità, combinazioni critiche, PASS/WARN/BLOCK), verifica dei confini, blocco pre-esecuzione facoltativo e disattivato di default (regola contro l’esfiltrazione di credenziali), prova aggiornamento in processo figlio isolato, export audit SARIF/CSV e aggregazione multi-sorgente. Solo archiviazione locale, nessuna telemetria; webhook facoltativo disattivato di default.

Approvazione e revisione automatiche per le chiamate ai tool che richiedono approvazione: bucket di parole chiave corrispondono alle red line senza contesto, poi un modello giudice classifica ciò che è stato richiesto e lo invia ad allow, reject o a un umano secondo la riga corrispondente e il livello di rischio; un giudizio mai eseguito va sempre a un umano, e i rifiuti spiegano al modello il perché.

Riprende un turno dell'agente terminato dopo aver narrato l'azione successiva senza chiamare alcuno strumento: il guard riesegue il log del turno su agent/turn-stopping, pone una sola domanda vero/falso a un modello giudice e indirizza lo stesso turno a eseguire un altro passo.

Esegue 3 o 5 candidati agenti di coding in Git worktree detached, valida le loro patch con comandi di progetto, classifica solo i candidati che passano e richiede un'approvazione separata prima di applicare il vincitore.

Harness di memoria dell’agente a tre livelli: CLAUDE.md L1 sempre attivo, indice L2, scheletro dettagliato L3 con modelli, un gate che blocca le scritture nei file protetti senza un token di approvazione monouso, registrazione degli eventi senza giudizi, distillazione settimanale e una skill di ciclo di esecuzione TDD.

Plugin modalità di apprendimento Feynman: ciclo insegna → ripeti l'insegnamento → valuta → rispiega, reso come schede lezione HTML ricche (diagrammi mermaid + evidenziazione del codice shiki)

Plugin di dibattito tra più model per DeepSeek Harness: diverse IA configurate discutono lo stesso tema a turni, con persona proprie e context condiviso. Il giudice pesa sei dimensioni: aggressività, logica, fedeltà alla persona, interesse, strategia e profondità. Il rapporto costo-beneficio è separato e usa il ledger reale di dsh-cost-meter. Esporta un report Markdown e docx.

Compagno IA con ritmo biologico appreso, sonno reale offline e memoria propria; comunica affect auto-riferito, valutato con lo stesso judge math della versione pi.

Team di assemblaggio memoria per DeepSeek Harness: ogni messaggio avvia un ciclo cognitivo in cinque fasi (judge, retrieve, assemble, feedback, calibrate) con subagent nei ruoli judge, retriever, archivist, advocate, editor e scribe. Recupero BM25, materiali cronologici e assemblaggio LLM creano pacchetti utili iniettati in linghun. Compatibile con dsh-linghun.

Fork mantenuto di dsh-approval-gate. Se un’operazione neutra raggiunge la soglia di conferme e il judge non è disponibile, viene approvata automaticamente senza richiedere di nuovo l’intervento umano. Le spiegazioni per chi approva sono generate in cinese dal modo sandbox, comando e percorsi reali. Include inoltre diniego deterministico di esfiltrazione credenziali e distruzione di percorsi di sistema, mascheramento dell’input del judge, catena di modelli judge, regole per fingerprint e vista con diff unificato e ripristino in un clic.