Plugin

Sostituisce i provider del filesystem e bash con uno spazio di lavoro virtuale mirage: gli strumenti per i file e i comandi shell vengono eseguiti su risorse montate (RAM, S3, Redis, Slack, Gmail, Notion, Postgres) invece che sul disco host, con modalità di lettura/scrittura/esecuzione per ciascun mount, instradamento sandbox per comando (monty, pyodide, quickjs in processo; docker, e2b, daytona remoti) e CLI installate (git, gh, slack, linear, ntn, gws, oppure una registrata dall'utente) come parole iniziali nel terminale virtuale.

Memoria persistente supervisionata da LLM per agenti AI — recupero basato su grafo, conoscenza cross-sessione, binario singolo. Funziona con DeepSeek Harness, Claude Code, OpenClaw e qualsiasi runtime agente.

Evolvi skill, agenti, prompt, codice e plugin dall'interno di DeepSeek Harness, con AgentDescent.

Espone i modelli gratuiti OpenCode Zen a DeepSeek Harness, senza chiave API.

Labirinto di esecuzione per le sessioni DSH: il percorso reale dell'agente — avanzamento principale, deviazioni fallite o senza uscita, ritorni indietro, ritentativi di richiesta e rami dei subagent — disegnato su una sola timeline di tempo reale, con tre tracce sotto ciascuna corsia che condividono quell'asse (densità dei tool-call, impulso dei token, pressione del contesto) e un pannello di analisi deterministico sotto di esso (matrice dei risultati degli strumenti, catene fallimento-recupero, distribuzione delle durate); guardalo crescere in tempo reale in una scheda sessione, oppure carica fino a 5 log di sessione per un confronto sullo stesso asse.

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).

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.

Trace Compare & Live Maze: disegna l'esplorazione reale dell'agente — percorso principale, deviazioni fallite o senza uscita, ritracciamenti e rami dei sotto-agenti — su un'unica linea temporale a orologio da parete; carica 1–2 log di sessione per un confronto sullo stesso asse oppure osserva la crescita in diretta in una scheda di sessione.

Bundle DeepSeek Harness: il relay AgentRouter come un'unica rotta pi-ai con un interruttore tra endpoint nazionale/internazionale nelle Impostazioni, oltre alla compatibilità delle richieste in uscita richiesta dal relay.

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.

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.

Livello di integrazione nativo DSH per il motore di memoria Minta: compone la riga ufficiale dsh-mcp-client, registra la skill minta-memory-governance più un prewarm della memoria all'avvio della sessione, e fornisce un preset agente Minta; richiede il motore Minta distribuito separatamente (Python/Docker) per fornire i 19 strumenti MCP — non utilizzabile senza di esso.

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.

Instradamento e evoluzione intelligenti dei subagent: associa ruoli a qualsiasi provider/modello registrato in DSH, inclusi i modelli forniti dai plugin provider di Codex e Claude Code, con apprendimento del workspace.

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.

Swarm in stile Kimi-Code: dispatch di subagent in parallelo a lotti con pianificazione adattiva, un comando /swarm e righe di progresso in diretta in chat.

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.

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.