Plugin

Download locale fatture IMAP, OCR, archiviazione e bundle riepilogativo Excel per DeepSeek Harness

Auto-collasso del workflow in stile Codex: i turni completati si comprimono in un'unica riga «elaborato in Xs» lasciando solo la risposta finale; le chiamate agli strumenti e i blocchi di pensiero si comprimono in chip di riepilogo dal vivo che seguono lo streaming; espandibile livello per livello, completamente reversibile alla disinstallazione.

DSH Knit ordina Markdown/codice/immagini/video del workspace nella sidebar e offre Context Pack via knit_docs. BM25/IDF locale predefinito confronta messaggi recenti con titolo/sommario/contenuto: niente modelli/rete, nulla esce; indice persistente dopo riavvii/sessioni. Prove/anteprima; attribuzione fissata alla lettura, pin/esclusione pre-recupero reversibile. v0.23 ibrido opzionale OFF, richiede embedding Ollama/OpenAI-compatible configurati dall’utente. Invia query+titolo/sommario (Markdown: inizio ≤60 caratteri; codice: cartella relativa; media: nome), mai corpo completo/percorso assoluto; loopback locale. v0.24 associa modifiche non committate via git status read-only (argv fisso, senza shell, env allowlist), OFF. Nessun test con provider reale; nessun miglioramento dichiarato.

Pannello impostazioni statistiche di utilizzo: heatmap attività 26 settimane, trend token giornaliero con curva cache hit-rate, ciambella e suddivisione per modello, filtri per intervallo temporale, schede di riepilogo, backfill storico una tantum e ricostruzione lossless.

Cronologia di input in stile terminale per il compositore web: richiamo con le frecce che privilegia i margini, con ripristino esatto di bozza/cursore, cronologia persistente locale nel browser, ricerca inversa con Ctrl+R e consapevolezza del contesto scorrevole; la versione 0.5.0 aggiunge un livello di input intelligente — snippet tra sessioni (/save, /load), modelli di prompt con variabili, insight sul riutilizzo ed evidenziazione dei riepiloghi di compattazione.

Compattazione del contesto protetta per DeepSeek Harness (dsh): la LLM propone, le guardie deterministic decidono — riduzione eager per atomo (extract/summary/false sotto guardie verbatim) + eviction lazy del reference-graph (0-LLM) + recall byte-esatto da un log append-only.

Una barra di compressione migliore: comprime automaticamente le chiamate agli strumenti e i segmenti Think in barre di compressione dei passaggi, e riduce ogni turno completato in un'unica intestazione di turno con metriche live (durata, TTFT, token, tok/s, cache hit) — resta visibile solo il riepilogo finale; icone iniziali personalizzabili con carte da poker animate integrate (animazione ciclica dei semi durante l'esecuzione, un mazzo quando compresso, un ventaglio quando espanso), una riga di impostazioni per la modalità di compressione ufficiale, compatibile con le versioni DSH nuove e vecchie. Nessuna intrusione nel sorgente DSH.

Strumento a basso costo per la comprensione dei video: un tool video_understand trasforma un link Bilibili / BV / un video locale in un layer informativo AVIS (ASR + struttura delle scene + tracking degli oggetti + etichette YOLO) e restituisce summary + Q&A. Routing dinamico tra layer guidato dalle domande (L0 ASR / L1 tracking oggetti / L2 VLM su keyframe), riuso del layer semantico per domande ripetute, tetto di budget per singola domanda. Motore Python: il layer base richiede faster-whisper / opencv / yt-dlp (~200-300MB); il layer semantico opzionale aggiunge ~2GB di torch / transformers / ultralytics. Un doctor --fix incluso configura il venv e installa entrambi.

Seleziona parte di una conversazione e fai domande a riguardo in una chat laterale a destra; riporta le risposte dell'AI nella chat principale direttamente o come riassunto.

Avvolge il lavoro in attività con nome e, quando un'attività si chiude, comprime l'intero arco di messaggi in un unico riassunto al successivo confine di passo; il contenuto originale può essere ripristinato su richiesta.

Statistiche di utilizzo e costi con tariffe di punta/fuori punta dopo la modifica tariffaria del 17-08-2026, un pannello riepilogativo flottante, ripartizioni per sessione e una mappa di calore dell'utilizzo giornaliero/settimanale/mensile/annuale/totale.

Memoria Markdown tra sessioni con LLM-Wiki/SOUL.md. Per default viene iniettata dopo il primo messaggio solo nella sessione attiva. remember/recall/consolidate/forget, skill, migrazione pack/unpack e ricordi personali in inattività. Budget per file evita indice troncato; last_access permette decadimento. Salute in sola lettura: dimensione/freschezza/lint. Indice via summary:, grafo pagine/tag trascinabile con zoom, filtri tag/type/salience/hot/stale, suggerimenti di link, checkup con azioni prioritarie. Skill su richiesta riduce payload iniziale ~23%. Icona propria e feedback al repo. Richiede formato DSH v4, DeepSeek Harness ufficiale 0.1.7+; fonte messaggi plugin:memory.

Badge inline +N −M sulle righe degli strumenti edit/write e una scheda riepilogativa pieghevole delle modifiche ai file per turno con diff allineati, revisione e undo — copre edit/write nativi, str_replace_editor e sub-call di Code Dispatch, senza bisogno di git.

Sostituisce il riassuntore di compattazione integrato di DSH con un riepilogo di passaggio in cinque sezioni e mantiene leggibile ogni messaggio ombreggiato in una directory di segmenti.

Combina lo scheletro di codice di Headroom (Apache-2.0) con lo stimatore di TokenPilot (arXiv:2606.17016). Dati pubblicati: Headroom indica il 20% di token in meno per agent di coding e il 60–95% per JSON, a parità di risposte; TokenPilot fino al 60% di costi in meno nelle sessioni lunghe. Sono dati dei progetti citati, non misure o benchmark di questo plugin. In DSH si impostano profilo, soglia Auto Compact e compressione a scheletro. Misura col tokenizer esatto DeepSeek V4 e verifica la stessa revisione; sui modelli non supportati fail-open conserva i risultati originali degli strumenti. Compressione a scheletro durante il turno e riepilogo finale dell’intento nella compressione JSONL ufficiale.

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 di memoria Honcho di Plastic Labs: inietta il profilo utente, il riepilogo della sessione e le conclusioni rilevanti all'inizio della sessione, carica ogni turno su Honcho in background con i segreti oscurati, e aggiunge gli strumenti honcho_search / honcho_chat / honcho_remember più il comando di stato /honcho; configurato tramite ~/.honcho/config.json condiviso con le altre integrazioni Honcho, verso honcho.dev ospitato o un'istanza self-hosted.

Turn another computer into a remote Agent teammate: the worker runs its own DSH and a full Agent loop locally, so dispatched tasks keep running when the link drops and its model credentials never leave that machine. The hub dispatches through 8 remote_* tools, receives only a handoff summary plus an artifact manifest, and pulls finished products on demand — intermediate artifacts stay on the worker. Pairing-code onboarding, direct or relay transport for NAT, Web panel on both sides.

Aggiunge una riga di riepilogo dei file modificati ai turni conclusi e annulla o riapplica le modifiche ai file dell'ultimo turno della sessione.

Adapter ACP che pilota DeepSeek Harness da Obsidian Agent Client (e altri client ACP): elenca, riprende, dirama ed elimina sessioni, cambia modello per sessione, mostra un'anteprima con riassunto di una riga, importa sessioni ACP esterne e porta le conversazioni di Obsidian Agent Client nell'archivio nativo delle sessioni dsh. Richiede DSH >= 0.1.5-rc.3.

Compressione del dialogo in-place con curva di dimenticanza per DeepSeek Harness: i turni recenti restano verbatim, quelli centrali sono strutturalmente disidratati (senza LLM), quelli antichi si ripiegano in una coppia di riassunti limitata — conversazioni illimitate su un budget di memoria limitato.

Requirements interview before work starts: judges whether a request is clear, asks focused questions when it is not, in strict mode denies editing tools until the user confirms a four-part summary in chat, and keeps confirmed preferences in two-layer memory.

Postazione di lettura paper: libreria, PDF accanto alle note Markdown e una sessione AI dedicata per paper. Evidenziazioni e screenshot di aree vanno direttamente nelle note; una domanda sulla selezione include la pagina. Note modificabili sul posto con salvataggio automatico; sessioni riunibili in Summary.

Contesto di vita simulata per DeepSeek Harness: a ogni turno inserisce come avviso compresso gli eventi delle ultime 24 ore da .life/ del workspace, con finestra mobile, deduplica e aggiornamenti delta per sessione e riepilogo del mondo. life_react registra sentimenti, pensieri e azioni nel diario per la prossima evoluzione, creando un personaggio di ruolo con vita quotidiana persistente.