Plugin

Controlli di igiene pre-submit per pull request dentro DeepSeek Harness: esamina il diff corrente alla ricerca di TODO residui, segreti hardcoded e subject di commit non convenzionali.

Guardia della disciplina ingegneristica: verifica dei requisiti prima della prima modifica, gate di evidenza dei test rosso/verde, revisione avversaria biforcata e un rapporto di consegna con un flusso di verifica per dimensione.

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

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.

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.

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.

Punteggio qualitativo multidimensionale per i plugin di DeepSeek Harness che valuta un repository o un pacchetto npm su successo di installazione, attività di manutenzione, completezza della documentazione, scansione di sicurezza e conformità al protocollo usando prove CLI reali, e produce un report leaderboard in JSON o Markdown.

Skill di code review basata su template: flusso di revisione in cinque fasi, classificazione per gravità (critica/media/minore), punteggio quadridimensionale (qualità, sicurezza, prestazioni, manutenibilità), output doppio in testo e HTML e knowledge base di riferimento on-demand.

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.

Sveglia l'agente principale dopo ogni riavvio DSH così il lavoro interrotto riprende automaticamente — aggiunge uno strumento di riavvio e un canary opzionale che valida il boot e interrompe con un alert prima di un riavvio problematico.

Aggancia DeepSeek Harness a una pipeline Hermes: template di specifica di dispatch, instradamento per livello di modello, gate di qualità per l'esecuzione dell'orchestratore, regola del singolo scrittore Git, come pacchetto SKILL.md (installabile come bundle).

Sciami di IA basati sui ruoli per DeepSeek Harness: un architetto pianifica, costruttori paralleli eseguono, revisori controllano la qualità e un integratore rilascia. Fissaggio dei modelli per ruolo con catene di fallback, loop di revisione, contratti di evidenza, revisioni con approvazione umana, pausa/ripresa consapevole della quota, e un kanban live + diagramma di flusso nella GUI web. 40 test; installazione da GitHub o npm.

Toolkit di dati finanziari per agenti DSH: formattazione di numeri e valute (incluse le unità cinesi wan/yi), calcoli di rendimento e CAGR, rapporti di valutazione e redditività, PV/FV, metriche di rischio e una checklist per la qualità dei dati.

Base di conoscenza secondo il pattern Karpathy LLM Wiki per DSH: competenze wiki-write/wiki-search, pipeline senza dipendenze (lint/indice/sincronizzazione memoria mnemon/feedback di qualità), plugin di ciclo di vita minimale che inietta schema + anteprima della conoscenza, richiamo semantico SiliconFlow via proxy compatibile con Ollama.

Renderizza in tempo reale nel browser gli sfondi scene di Wallpaper Engine (player three.js più una simulazione CPU di particelle in Rust/WASM) e riproduce sfondi video e web, con fallback all'immagine di anteprima, senza richiedere il runtime di Wallpaper Engine. Scansiona la libreria locale del workshop di Steam (431960) tramite rilevamento automatico o percorso manuale, e offre un pannello di impostazioni per la selezione degli sfondi, le directory della libreria e del motore, bagliore, pausa e qualità.

Plugin DeepSeek Harness che risparmia token in modo aggressivo senza intaccare la qualità: troncamento senza perdita di testa/coda dei risultati degli strumenti (default), ripiegamento dei risultati grep, delega a dsh-compaction-basic attivata dalla pressione e una sottoclasse CompactionEngine con riassunto LLM per la modalità aggressiva. Risparmia il 97,6% dei token di input su una suite sintetica di 8 scenari, con tutte le riduzioni che passano dal flusso di eventi dsh, così modello-visibile = registrato resta valido.

Plugin proattivo di scheduling multi-modello: intake segnali multi-fonte con dedup e ranking di urgenza, motore decisionale a quattro vie execute/defer/dismiss/ask-user, generazione piano DAG con esecuzione parallela di modelli, riflessione qualità con retry automatico e switch di modello, memoria a lungo termine per pattern di task e lezioni, ed evoluzione della strategia tramite algoritmi genetici con valutazione sandboxed e rollout canary.

Guardrail applicati dal motore per gli sciami di agenti di DeepSeek Harness: i gate di qualità respingono il lavoro a metà, checkpoint a prova di crash riprendono sul posto — tiene i team IA non solo in funzione, ma integri.

Store dei plugin: catalogo ufficiale npm + lista curata awesome (550+ plugin, 11 categorie), verifica di qualità del campo dsh, installazione con un clic tramite l'ufficiale `dsh plugin add/remove`, voce in sidebar e nelle impostazioni

Orchestra team multi-agente durevoli da una sessione DSH: un capitano genera sub-agent membri, pilota un DAG di attività consapevole delle dipendenze con gate di qualità e si coordina tramite mailbox persistenti, con pannello attività in tempo reale.

Flusso di lavoro di pubblicazione dei contenuti dell'Account Ufficiale WeChat in sei fasi, con strumenti di quality gate e una competenza inclusa.

Preset agente di documentazione tecnica per DeepSeek Harness: scrittura basata su modelli con libreria di modelli auto-apprendente, rimozione del sapore IA per documenti tecnici e toolkit di garanzia della qualità (audit documenti, coerenza tra documenti, ridenominazione, sincronizzazione versioni, esportazione PDF e Word, automazione screenshot).

Registra la skill commercial-ui-ux per DSH: progettazione, revisione, correzione e implementazione di UI/UX/GUI commerciali consapevoli del task (SaaS, dashboard, pannelli di amministrazione, moduli, tabelle, design system), con sistema di documenti di riferimento e controlli di qualità.

Folio (兰亭) @nyantused/folio-dsh-tools: 15 strumenti convalidati dallo schema (memoria + gate di qualità) più una protezione L0 del motore di generazione di documenti di consulenza; abbinalo a @nyantused/folio-dsh-events per il protocollo di sessione completo.