Plugin

Pet da desktop per la Web UI di DSH con 25 animazioni trasparenti, vagabondaggio sullo schermo, reazioni al clic e trascinamento, più una pipeline riproducibile per la generazione degli asset.

Esplorazione dell'architettura AGI white-box: metacognizione (ciclo di auto-cognizione), apprendimento continuo (volano della conoscenza), modello del mondo (spazio delle condizioni, grafo di memoria spazio-temporale), auto-miglioramento (disciplina bootstrap), pipeline white-box zero-LLM e guardrail di fiducia verificabili.

Verifica della qualità dei dati per DeepSeek Harness — pipeline di profilatura, pulizia e verifica con report strutturati.

Toolkit di R&D quantitativa per DeepSeek Harness — 59 strumenti in sei ambiti che coprono dati di mercato, indicatori, valutazione dei fattori, validazione ML walk-forward, rischio (VaR/CVaR/drawdown/Beta con Kupiec POF), opzioni, obbligazioni, FICC e simulazione di fondi, con una pipeline di ricerca end-to-end PDAT→PET.

lowtide: pipeline di task in batch fuori picco con decisione umana per dsh (consapevole dei prezzi picco/vallo)

Porta tutti i 38 temi di opencode (33 TUI + 4 desktop 2.0 + system) in DeepSeek Harness: pipeline data-driven (JSON → color resolve → DSH override), persistenza per browser, scelta monospace/proporzionale, cinque font per il codice e un fallback system che conserva solo la tipografia.

Pipeline QA come 10 agent skill: analisi dei requisiti, strategia di test, scrittura e revisione di casi, automazione E2E (Playwright) e API, esplorativa, ambito di regressione e analisi dei bug, supportata da una knowledge base condivisa con regole di formato, modello di rischio e validatori di schema.

Installa quattro preset di ricerca matematica multi-agente per DSH: v2 (pipeline guidata dalla probabilità con dibattito tra più verificatori), v3 (base di conoscenza Markdown in stile paper con un agente pianificatore e una libreria di metodi riutilizzabile), v4 (residenti persistenti auto-organizzati che si scrivono e si incontrano) e v5 (un istituto di ricerca con un accademico che scompone e assegna il lavoro, ricercatori votanti, lavoratori temporanei, chat di gruppo e una board di attività compare-and-set); tutti e quattro supportano la ripresa da checkpoint, l'intervento umano e un interruttore opzionale di verifica formale Lean (off/encourage/require) la cui prova superata trasforma il voto in un controllo di fedeltà delle affermazioni Lean.

Shell web mobile per la GUI Web DSH: cassetti overlay, FAB trascinabile, correzioni del composer mobile e un pulsante flottante per il caricamento immagini fissato sopra il composer (galleria/fotocamera nativa, integrato con la pipeline add-images validata), nessuna regressione desktop. Pubblicato su npm come dsh-webui-mobile.

Lettura approfondita e sintesi per DSH: libri, articoli, video e web trasformati in note strutturate di Obsidian tramite parser di plugin, sottoagenti paralleli MapReduce di lettura profonda, output JSON Schema e cache idempotente.

Pipeline per il costo in token di DeepSeek Harness: compattazione a livelli sensibile alla pressione (proiezione senza perdite sotto il 40% di pressione del contesto, riassunto con LLM sopra), allowlist dei tool per agente, conversione di testi lunghi in immagini con riassunto visivo e un comando /token-status che traccia pressione, livelli e token risparmiati.

Portato dal plugin ARS Claude Code (44k+ stelle su GitHub): skill di ricerca accademica per DeepSeek Harness — un team di agenti di ricerca approfondita, una pipeline di scrittura articoli, un pannello di peer-review multi-prospettiva e un orchestratore end-to-end, più sedici comandi /ars-*.

Preset modalità esperto DeepSeek Harness (v0.9.2, npm dsh-expert-mode, EN/ZH): coordinatore + 17 subagenti esperti con delega automatica. Funzioni: taskboard (stati pending/ready/running/done/failed, DAG dipendenze, rivendicazione atomica, retry, ripristino), gate qualità (pipeline 5 fasi: requisiti, implementazione, verifica, revisione, integrazione; 2 rilavorazioni), Five-Anchor (revisione/convergenza/anti-deriva/cooperazione/risorse), Near-distance (modello identità/compito/output), divulgazione progressiva (~28% risparmio token), persistenza, bus P2P, revisione incrociata, pool esperienza, via rapida, auto-retry. 17 esperti: dati, copywriting, legale, PM, frontend, UI/UX, architetto, social, growth, fin. quant., backend, DevOps, DB, QA, sicurezza.

Pipeline di ricerca multipiattaforma e ricerca profonda: harvest_scout per la scoperta parallela su GitHub, Web, Twitter, Reddit, Xiaohongshu, Bilibili e YouTube; harvest_deep_research per report di ricerca completi automatizzati; più estrazione, verifica incrociata delle fonti e audit di credibilità.

Team multi-agente basato su ruoli per DeepSeek Harness. /team riunisce fino a 12 subagenti (prodotto, architetto, ricerca, UI, backend, frontend, DB, sicurezza, revisore, QA, DevOps, docs) ed esegue una pipeline a 9 fasi con gate (chiarire, ricercare, progettare, revisione spec, approvazione piano, implementare, revisione, test, consegna) su artefatti condivisi. I gate di qualità li impone il codice, non i prompt: un'attività incompleta non viene segnata come completata, i riscontri li arbitra il revisore o il QA, e lacune di copertura o rework appaiono live nell'overlay e in /team status. Include un overlay live (fasi, roster con modelli, DAG, artefatti, decisioni), una modalità team persistente e la contabilizzazione di token/tempo. Zero dipendenze a runtime, nessun build.

Dalla chat alla tela e all'opera: guida ComfyUI come IDE visuale dei workflow in DSH. Incorpora ComfyUI (locale o cloud) come tela a schermo diviso in DSH Web: l'agente scrive prompt e script nella chat, li applica dal vivo e produce immagini, musica, video e 3D. Operazioni: comporre pipeline, leggere/scrivere workflow, modificare nodi, cablare collegamenti, eseguire, regolare e correggere. Produzione: sweep di parametri in batch (batch_run) e recupero automatico degli output nella chat (get_outputs). Manutenzione: avvio e aggiornamento con un clic di ComfyUI, core e nodi personalizzati. Questo pacchetto è il plugin lato DSH e include il nodo ponte lato ComfyUI.

Plugin «scrittura mono-core» per DeepSeek Harness: strumenti meticolosamente semplificati e output irrobustito per modelli piccoli quantizzati, adatto a eseguire pipeline di romanzi lunghi in locale con modelli on-device.

Comando Cordis /hongtou: pipeline a due fasi (JSON strutturato da LLM + rendering deterministico di modelli XML Word 2003)

Pipeline a livelli per l'ottimizzazione dei token per DeepSeek Harness: scala di output, caricamento lazy MCP, driver di compattazione, report sugli hit della cache. Basato su API reali dei plugin DSH; risparmio di ~40–60% di input nelle sessioni lunghe.

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.

Una suite di competenze di modellazione matematica con gate per DeepSeek Harness: una pipeline in cinque fasi con gate di fase, pattern di scrittura per articoli premiati, analisi di sensibilità, diagnosi statistica e un preset per concorsi.

Scoperta progressiva degli strumenti stabile in cache: una superficie fissa tool_search e tool_dispatch a ogni richiesta, ricerca del catalogo in memoria, dispatch annidato attraverso la pipeline dell'Harness e un elenco nativo di strumenti stabile byte per byte attraverso la scoperta.

Il bundle DeepSeek Harness registra un'abilità che converte la produzione lunga (articoli accademici, analisi di settore, commenti aziendali) in pipeline a 9 ruoli: scout T1 letteratura / T2 dati / T3 casi in parallelo, T4 analista, T5 scrittore, T6 compagno critico, T7 revisore contabile, T8 finalizzatore, T9 revisore paritario eseguiti dal coordinatore. Su 6 fasi con verifica triangolare delle evidenze, M-gate di 23 controlli, audit G0-G14 incluso gate di tracciamento IA cinese, punteggio peer-review con abbinamento riviste, e 4 checkpoint umani. Installazione con `dsh plugin add lunheng-article-pipeline` (package.json#dsh.bundle.patch più lib/index.js); fornisce schede ruolo T1-T9, modelli e 11 script di verifica senza dipendenze, con README in cinque lingue.