Plugin

Pacchetto di memoria e contesto OpenViking per DeepSeek Harness: richiamo automatico pre-passo e iniezione del profilo, acquisizione della sessione, protezione degli URI `viking://` e strumenti di memoria per richiamare/scrivere basati su un server OpenViking.

iPolloWork HyperFrames Video Studio e 27 modelli video modificabili come vista di conversazione nativa di DeepSeek Harness.

Collega DeepSeek Harness alla base di conoscenza personale local-first e auto-evolutiva di ReMe: cattura automaticamente le conversazioni completate dell'agente principale come memoria Markdown di proprietà dell'utente, cerca conversazioni e materiali originali tramite reme_search con BM25, embedding opzionali e espansione dei wikilink, e pianifica una consolidazione giornaliera della memoria.

Collega DeepSeek Harness alla base di conoscenza personale locale-first e autoevolutiva di ReMe: cattura automaticamente le conversazioni completate dell'agente principale come memoria Markdown di proprietà dell'utente, cerca nelle conversazioni e nel materiale sorgente tramite reme_search con BM25, embedding opzionali ed espansione dei wikilink, e pianifica il consolidamento giornaliero della memoria.

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

Auto-evoluzione continua: stato dell'harness (prompt, memoria, skill, specifiche dei subagent) versionato, verificabile e sicuro per il rollback, raffinato dalle traiettorie di sessione, con gate di revisione e skill ricaricate a caldo.

Suite di agenti per la ricerca: controllo degli obiettivi a lungo termine con catene di prove verificabili, pianificazione cron, squadre di esperti multi-agente, memoria di ricerca auto-evolutiva (recupero FTS5 + RRF), spazi di lavoro per progetto e una UI personalizzata per lo spazio di lavoro.

Plugin di memoria a lungo termine e auto-evoluzione per DSH: acquisizione L0 → estrazione della memoria L1 → raggruppamento delle scene L2 → persona utente L3, iniezione automatica dei ricordi, sintesi delle competenze, completamente locale (SQLite FTS5 + jieba, recupero vettoriale opzionale).

Memoria di team auto-evolutiva come semplice Markdown in git: un plugin nativo Cordis che registra 38 strumenti di memoria bare-name più una sezione di segnali di prompt rivalutata ad ogni assemblaggio, con rinforzo RPE, decadimento e consolidamento durante il sonno; condivide un repository dati con i suoi host Claude Code (MCP) e OpenClaw; verificato con DSH 0.1.0-rc.6.

Memoria di team auto-evolutiva come semplice Markdown in git: un plugin Cordis nativo che registra 38 strumenti di memoria dal nome semplice più una sezione di segnali del prompt rivalutata a ogni assemblaggio, con rinforzo RPE, decadimento e consolidamento durante il sonno; condivide un unico repository dati con i suoi host Claude Code (MCP) e OpenClaw; verificato con DSH 0.1.0-rc.6.

Memoria cross-sessione con richiamo deterministico a zero token (bigram-Jaccard fuso con FTS5 BM25 via RRF, tokenizzazione consapevole del cinese), rinforzo che rafforza le osservazioni ripetute, e procedure cristallizzate in file SKILL.md rifiniti in loco tramite un ciclo di vita active-stale-archived con archivio e rollback reversibili. L'ingestione e la disposizione espongono entrambe un livello di autonomia scelto dall'utente; conflitti e scritture ad alta importanza vanno sempre a revisione umana, e nulla viene mai eliminato automaticamente. Richiede Node 22.5+.

Controller di autoevoluzione con priorità alle evidenze: generazione delimitata di candidati Cordis, ammissione one-shot del Loader reale, valutazione Harbor e una discendenza journaled ripristinabile dopo un arresto anomalo.

Riavvio graduale + riconnessione automatica del client + continuazione dell'obiettivo tra riavvii per DeepSeek Harness (dsh). Dopo un aggiornamento del plugin, dsh-phoenix riavvia dsh a un confine di inattività sicuro, mantiene connessa la pagina del browser e riprende un obiettivo in esecuzione affinché un'attività possa continuare.

Suite di plugin Git e controllo del codice sorgente per DeepSeek Harness: operazioni git locali più adattatori GitHub, GitLab, Bitbucket, Azure DevOps e Gitea, con memoria autoevolutiva.

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.

Plugin auto-evolutivo per DeepSeek Harness: osserva come lavora l'agente, propone miglioramenti ai propri asset tramite l'LLM, valida ogni proposta in un agente di prova in sandbox e applica solo mutazioni verificate — con registro versionato e rollback automatico in caso di regressione.

Agent a livello di progetto autoevolutivo per DeepSeek Harness: 16 competenze di flusso di lavoro SDD (chiarimento, PRD, issue, coding, localizzazione, accettazione, revisione) più memoria e conoscenza di progetto che si accumulano nel tempo.

Long-term memory and self-evolving skills for the DeepSeek Harness · DeepSeek Harness 的长期记忆与自我演进能力 —— Plain Markdown on disk, no vector store

DSH 自进化信号源：机械挖掘会话日志（重试簇/工具错误簇/中断回合/Token 浪费）→ 结构化问题工单。dsh-darwin 双插件架构的 B 面，可独立安装当会话体检用。

Self-evolution actuator: consumes problem tickets mined from session logs, synthesizes skill candidates (zero-code tiers by default) behind an eval gate with hold-out canaries, then promotes to project .dsh/skills with human confirm and deterministic rollback.

Session health-check: mechanically mines session logs into structured problem tickets (retry loops, tool-error clusters, interrupted turns, token waste) over the official session-query seam; works standalone.

Plugin DeepSeek Harness e Skill inclusa per far evolvere in sicurezza i Cordis Candidates con Harbor.

受控自进化 AI Agent 框架：CQRS 读写分离、子代理自主进化、人类锁定根分类的 Agent 错误自愈路由表（DSH 插件生态 bundle 包）

Windows computer-use capability for DeepSeek Harness: screenshot → vision model → simulated mouse/keyboard input, with self-evolving knowledge base.