Plugin

Applica branding OpenQuantum, metadati del browser e asset PWA all'interfaccia web nativa di DeepSeek Harness.

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.

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 un preset di scrittura di romanzi multi-agente per DeepSeek Harness: un agente direttore assegna il lavoro a cinque sottoagenti specializzati — costruzione del mondo, trama, gestione dei personaggi, scrittura della prosa e revisione QA.

Banco di lavoro per progetti QA di dsh: gestisci progetti di test, requisiti, casi di test, difetti, milestone, report e gate di approvazione tramite un'interfaccia browser e 18 strumenti del dominio QA.

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.

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.

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.

Esegue il lavoro come un equipaggio di agenti per ruolo: un product manager scrive il PRD o DoD, attende la tua conferma, quindi avvia architetto, ingegnere, QA e revisori i cui set di strumenti sono bloccati per ruolo, e condivide il lavoro tramite file su disco.

Plugin di vision DeepEye per DeepSeek Harness (DSH): descrizione delle immagini, OCR, VQA, layout UI e analisi degli appunti.

Una scheda di domande nella sidebar basata su DSH-better-sidebar, che implementa la funzione di domande laterali in stile Codex o /btw di Claude Code.

Plugin orchestratore di QA per DeepSeek Harness: un agente esplora la tua app e lascia evidenze, poi il percorso esplorato viene riprodotto in modo deterministico. Pilota i driver per browser, desktop macOS, iOS e Android.

Toolkit di scrittura accademica per agenti DSH: schemi per articoli, strutture per titolo e abstract, citazioni GB/T 7714 / APA / MLA, QA della formulazione e checklist pre-invio.

A focused end-user QA surface backed by native DeepSeek Harness sessions

Product Design workflow suite for DeepSeek Harness - a router plus nine pd-* skills carrying ideas from a minimum design brief through visual directions, evidence-grounded research and audits, URL cloning, frontend builds and a blocking design-QA gate.

Toolkit di traduzione per gli agenti DSH: segmentazione in frasi, estrazione di termini e glossari, QA origine-destinazione (numeri, unità, parentesi), guide di tono e una memoria di traduzione durevole del workspace.

Image and video production toolkit for DeepSeek Harness - background removal with quality tiers, local inpainting retouch, headline and logo compositing, batch platform-size exports and image QA reports; for video, AI subject matting with background replacement (RVM ONNX, plus a chroma-key path), animated titles with fade/slide/typewriter/karaoke presets, 53 transitions with stylized variants, and light-effect and grading presets with LUT support, alongside footage inventory, accurate cutting, subtitle burn-in, music mixing and platform-spec exports; it provisions its own local Python runtime through a bundled bootstrap script.

Quality suite: background tsc --noEmit diagnostics fed back after the agent edits TypeScript, plus a /code-review command running five parallel review lenses with confidence scoring; absorbs dsh-code-check and dsh-command-code-review.

Design mode for DeepSeek Harness: the design-loop agent preset plus design-principles and design-qa skill packs

Visione per LLM solo testo: descrizione delle immagini / OCR / VQA tramite le API di visione gratuite di Gemini e GLM