플러그인

DeepSeek Harness 비전 플러그인: 8가지 분석 모드(설명, OCR, 차트 데이터, UI 검토, 객체 감지, 비교, 코드 생성, 디버그), 모든 OpenAI 또는 Anthropic 호환 비전 API, 내장 무료 비전 모델 및 자동 속도 제한 페일오버를 지원합니다.

DeepSeek Harness용 LLM 디버그 콘솔: llm/stream 워터폴에서 모든 모델 호출의 전체 콘텐츠(옵션, 스트림 청크, 사용량, 와이어 프로토콜)를 캡처하고 DevTools 스타일 도킹 패널에 표시하며, 공유 접두사 컨텍스트 diffing, 와이어 JSON 재구성, JSON 내보내기 및 런타임 조정 가능한 캡처 정책을 지원합니다.

엔지니어링 방법론 스킬 라이브러리를 하나의 Cordis 플러그인으로 묶음: DeepSeek Harness의 ctx.skills에 14개 Agent Skill(계획·테스트·디버깅·리뷰·인도)을 등록합니다.

실제 로그인된 Chrome 브라우저의 정확한 프로필 제어: 탭, 로케이터, 파일 주입, 미디어 내보내기, 지속적 스크롤 캡처를 위한 MCP 서버 + MV3 확장 + 인증된 localhost 브리지로, 디버그 프로필이나 원격 디버깅 포트가 필요 없습니다.

모든 업스트림 모델 API 페이로드를 JSON으로 캡처(디버깅 및 관측성)

DeepSeek Harness용 구조화된 코드 리뷰 스킬 -- 버그, 보안, 성능, 스타일

현재 dsh 세션의 실시간 명령 체인과 프로젝트 스킬을 확인·관리, 그 자리에서 생성 및 편집 가능 — 보이는 그대로가 모델에 전달됨

DeepSeek Harness 세션을 위한 로컬 우선 실패 증거 캡슐

`dsh plugin add`로 설치하는 DeepSeek Harness용 Feishu(Lark) IM 브리지: 1명의 DM 사용자당 1개의 영구 dsh 세션, 상세한 디버깅 문서 포함

One-step local model onboarding plus a light harness for DSH. On load it probes loopback and private-network inference endpoints (llama.cpp, Ollama, vLLM, LM Studio), reads each model's context window and output budget from the backend, and registers the provider through settings, so a local model becomes selectable without hand-writing config. It then trims only that provider: masks the tool list through tools.restrict, drops named system-prompt sections and memory contexts, swaps the injected instruction block for a short one while preserving its first 80 and last 96 characters, and truncates tool-schema descriptions without touching structure or required fields. Cloud providers are returned as the same assembly object, untouched. The injected block is re-read from disk on every assembly, so editing the file takes effect on the next request with no reload. The panel in the plugin detail page is a live operations view: it shows whether the takeover is active and by which hook, how many characters the last assembly was trimmed from and to, and which providers are online (probed concurrently, with a real one-shot completion reporting latency and reply text per provider). If a local backend is not running, the panel offers a one-click launch: it probes the port first (never starting a duplicate), then starts the matching server (ollama serve, or a custom command you supply) detached and polls until the endpoint answers, clamping the wait to 3-600 seconds, reaping the child it just spawned if it never answers, and naming the paths it searched when it cannot find the binary. A stop button kills backends this plugin started (SIGTERM, then SIGKILL) and refuses to touch a server somebody else launched. When a model has just been downloaded and no backend exists yet, the panel can also scan the machine for .gguf files with hard caps (300 models, 20000 directory entries, Downloads only one level deep), start llama-server on the chosen one (skipping the .mmproj. vision projection and reusing a server that already answers), register the provider under the model id the backend reports, and run one real completion to prove it works. Before spawning anything it does a fit check that counts only the part of the file the GPU cannot hold: hostBytes = fileSize - VRAM, compared against max(total RAM - 2GB, free RAM). A file far larger than RAM is refused outright; a heavy host-side remainder is refused unless you confirm; the same remainder under mmap is only a warning, because the weights land in reclaimable page cache. A load-mode selector (auto / mmap / none / mlock / mmap+mlock) maps to llama.cpp --load-mode, and the default is whatever the engine picks. From 0.4.2 everything above is derived from the platform instead of assumed: home and data directories come from os.homedir() and the OS conventions (LOCALAPPDATA on Windows, ~/Library/Application Support on macOS, XDG_DATA_HOME elsewhere); backend binaries are looked up in the official install locations of each OS and can be pinned with OLLAMA_BIN, LLAMA_SERVER_BIN, VLLM_BIN or LMSTUDIO_BIN; model discovery walks DSH_LOCAL_MODELS_DIR, ~/models, ~/llama.cpp/models, ~/.cache/llama.cpp and the LM Studio data directory, with the WorkBuddy layout demoted to one candidate among them. VRAM is asked from nvidia-smi, then rocm-smi, then sysctl hw.memsize on Apple Silicon (flagged unified, so the same bytes are not charged twice), and any flip to a unified-memory budget is handled explicitly. Before building a command line the plugin runs llama-server --help once and keeps only the flags that build actually has, so older engines get --n-gpu-layers 99 and no KV quantization while newer ones get auto plus q8_0; anything it cannot probe is passed through rather than dropped. LM Studio is started with lms server start --port N rather than being lumped in with the engines that need a model argument, and vLLM gets its own --model example instead of llama.cpp syntax. Windows, macOS and Linux are all exercised in CI, including a windows-latest and a macos-latest job, because a cross-platform claim that has only ever run on one OS is not a claim. Two of those suites exist specifically to catch this machine's blind spots: one replays the whole suite with process.platform rewritten to each OS, and one deletes every advantage this development box has — no nvidia-smi, no rocm-smi, no sysctl, an empty PATH, a home directory with no models — and requires graceful degradation rather than a crash. That last one caught a real class of bug: several assertions hardcoded 'lms.exe', which cannot pass where the executable has no suffix. Measured on the reference machine: a 16.9GB 27.2B MoE with 14.5GB of VRAM holds a 285-691MB working set and sustains 76 tok/s after a 1000-2000 token warm-up, so file size alone is not a fit signal. From 0.4.3 the scanned models are shown as a table rather than a dropdown (one row per gguf, with its size and any fit warning), so you can see what is on disk before choosing. From 0.4.4 the delete button on the provider table removes the provider entry, not the weights file on disk. That distinction matters: what people actually want to clear out is the dead entry - one pointing at a port that never answered, one registered twice for the same port, one whose model file was deleted long ago - not a 15.8GB gguf. Deleting a config is undone by importing again; deleting a gguf is not. The removal goes through settings.mutate with an unset op on \['providers', id], because update merges layers: writing null there leaves a null provider key that the loader reads as a broken config rather than an absent entry, and only mutate/unset is implemented as Reflect.deleteProperty. The result is read back afterwards, because unset on a key that comes from a lower layer (the profile cordis.patch.yml or a home patch) does not delete it - it restores the inherited value, so the call succeeds while the entry stays. When the entry is still there the panel says so and points at the file to edit instead of reporting success, and a DSH whose settings service predates mutate() is told plainly rather than silently ignored. Deleting takes two clicks and clearing the confirmation is as easy as clicking another row; on success the online and baseURL caches are cleared and the tool surface is recomputed, since the provider list changed. The gguf itself is never touched by this plugin - the scanned-model table is display and selection only.VRAM reporting is driver-dependent. From 0.4.5 model discovery also reads Ollama's own storage: its blobs are named sha256-… with no extension, so extension matching could never list them. Weights are now accepted by extension OR by GGUF magic header (only dot-free files of at least 8MB, capped at 600 header reads per scan; obviously-not-weights extensions like .json/.md/.safetensors/.part are never opened). Ollama models are resolved from their manifests: the model layer is picked by mediaType application/vnd.ollama.image.model (never adapter/mmproj layers), the human-readable name is restored from the manifest path (…/qwen3/8b becomes qwen3:8b, …/latest stays bare), tags sharing one blob merge into a single row, and the metadata kv supplies name, quantization and context length. Adopting an Ollama model does not start a duplicate llama-server over the same weights: it confirms ollama serve answers on 11434 (launching it if not) and registers the provider under the tag the endpoint itself reports — the blob's sha256 name would never match anything, since 11434 lists qwen3:14b, not sha256-a8cc…. Two real-machine-only traps fixed on the way: existsSync('<file>/') returns true on Windows, so manifest-vs-directory branching now goes by parseable content instead of trailing-slash semantics; and the quantization label table had been copied from a stale ggml enum generation, labelling ggml_type 15 as Q5_K_S while ollama show reports Q4_K_M. Same-blob dedup is by (dev,ino), keeping whichever entry has a name. Verified on the reference machine: the scan goes from 1 row to 4 — qwen3:14b (8.64G) and qwen3:8b (4.87G) now appear with Q4_K_M badges — in 4ms; npm run verify exits 0 (launcher 57, portable 35, panel-host green including the linux/darwin simulated-platform runs); the new panel-host suite builds a real miniature Ollama store in tmpdir and points OLLAMA_MODELS at it, so results no longer depend on whether the test machine happens to have Ollama installed. From 0.4.6 the panel shows each model its real name instead of its file name, because some download tooling stores every weight under one generic file name, leaving the real name only inside the GGUF header. The scan now reads each file GGUF KV section - not a fixed-size head buffer, because tokenizer.ggml.tokens (hundreds of thousands of strings on a large MoE model) and the chat template push general.file_type past any window; and GGUF string arrays are interleaved (u64 length plus payload per element), so treating them as a length table walks the cursor off the rails and produces astronomically large reads. Reading and skipping are accounted separately: key names and types are always read, string values over 256KB and string arrays are only walked past without copying, non-string arrays over 64 elements are skipped outright, and a cursor past the file size stops the read, because an out-of-range position means the cursor is wrong rather than that a limit should be raised. The displayed name goes Ollama tag, then general.basename plus size_label, then general.name, then the file name, with the full string kept for the hover text since it usually carries internal build numbers; mmproj files are now identified by general.type as well as by name. A short read (truncated file) no longer feeds half a value into the parser. On the reference machine, reading one file header parses 44 keys in about 16ms, and a whole scan takes about 31ms. From 0.4.7 the smoke test no longer fails the first time and passes the second. The old code gave both request attempts one shared AbortController and one shared 30-second timer, so the total budget covered both rounds: a cold load of a large model burned it in round one, the abort left the signal permanently aborted, and the second round (the Ollama-style reasoning_effort: none retry) could not even be sent - which is exactly why the first click returned This operation was aborted and the second succeeded. Now each attempt gets its own controller and timer, a timeout retries once automatically (retryOnTimeout, on by default) because a first-request timeout almost always means the weights are still being read from disk, and non-timeout errors (refused connection, HTTP error) are not retried at all. Timeouts report themselves: the message says the wait exceeded smokeTimeout, whether a retry already happened, and points at the new smokeTimeout setting (seconds, default 60, clamped to 5-600) - port responding is not the same as tokens coming out, so it is a separate knob from launchTimeout. Unrelated: an example naming one specific model was dropped from the panel copy, since not every machine has that model downloaded, and the explanation now describes the mechanism instead.

DeepSeek Harness에 내장된 폐루프 개발 작업대입니다. 한 패널에서 에이전트가 STM32 보드를 빌드하고 플래시하며 디버그 검증과 모니터링을 수행합니다. 사용자는 진행 단계, 스트리밍 로그, RAM/FLASH 사용량, 디코딩된 시리얼 파형을 실시간으로 봅니다. PATH에 호스트 Python 3.10+가 필요하며 플러그인은 설치할 수 없습니다. ARM 툴체인은 첫 사용 때 자동 다운로드됩니다(약 400 MB, Windows x64 전용). STM32 보드와 디버그 프로브도 필요합니다.

로그인이 필요한 사이트를 위한 브라우저 제어입니다. 로그인이 필요한 주소(URL과 날짜만, 자격 증명은 저장 안 함)를 목록으로 관리하고 방문 전에 등록 여부를 확인합니다. 사이트의 세션 쿠키 이름으로 디버그 브라우저의 로그인 여부를 확실/가능성 있음/로그아웃으로 보고합니다(_gh_sess 같은 익명 쿠키는 제외). 저장한 주소를 열고 화면에 보이는 텍스트로 지정한 요소 하나를 클릭하며 모든 iframe을 검색합니다. 호출당 한 번 클릭하고 크롤링은 하지 않습니다.

이미 실행 중인 NetEase Cloud Music 데스크톱 클라이언트를 CDP로 제어합니다(시작 시 `--remote-debugging-port=9222` 필요). NetEase 공개 웹 API로 노래를 검색합니다. API 키나 추가 로그인이 필요 없고 회원 전용 기능은 클라이언트에 로그인된 계정을 사용합니다.

Harness 사이드바의 Gitee Enterprise 작업 항목 워크벤치입니다. 프로젝트와 작업, 요구 사항, 버그를 탐색하고 세부 정보, 하위 작업, 댓글, Markdown을 확인합니다. 작업 항목 생성·편집과 @ 참조도 지원합니다.

AMD ROSS 에이전트 스킬 50개를 DeepSeek Harness에 번들합니다. Vivado, Vitis HLS, Versal segmented configuration, Vitis AI, 하드웨어 디버그를 지원합니다. 왼쪽 사이드바 카탈로그 패널에서 스킬 호출을 필터링하고 검색·복사할 수 있습니다.

DeepSeek Harness에 `muse` subagent provider와 `subagent_muse` 도구를 추가합니다. 메인 에이전트가 하나의 독립 과제를 Meta Muse Code CLI에 맡기고 최종 보고서만 받습니다. DSH 0.2.1용 `@pascapone/dsh-muse-code` 패치 fork로 제거된 `settleRun` export와 `subagents.start` method를 로컬 대체 구현하며 gateway stream-phase 오류용 선택적 proxy도 문서화합니다. `muse` CLI 필요. upstream 또는 이 fork 중 하나만 설치하세요(같은 subagent-muse loader row 등록).

DeepSeek Harness에 사용자가 직접 실행할 수 있는 코드 품질 skill 두 개를 추가합니다. /simplify는 현재 diff를 동작을 유지하며 정리하고, /code-review는 독립 검증 단계와 함께 다각도로 버그를 찾습니다. /review는 별칭입니다.

WuwaTappo 데스크톱 펫 말풍선을 활용합니다. DeepSeek 잔액, 오늘 지출, 턴별 비용을 보여주고 에이전트가 답변이나 승인을 기다리는 동안 호박색 알림 말풍선을 유지합니다. CDP로 펫과 통신하며 한 번만 적용하고 되돌릴 수 있는 바이트 패치로 디버그 포트를 활성화합니다.

DSH 플러그인 작성자를 위한 게시 전 게이트입니다. 공개 경로 전체를 결정론적으로 검사하고 GitHub/npm/마켓에 실행할 정확한 명령을 안내합니다. package.json(exports["."], files에서 lib/ 누락, type:module, ./client export), UTF-8 BOM, JSON/YAML 오류, cordis.patch.yml 들여쓰기/insert 이름, entry export 누락, ESM 내부 require(), LICENSE/README 설치 안내, 테스트 누락, granular token으로도 원인을 알 수 없는 403을 내는 비스코프 npm 이름, 이미 등록된 버전, 없는 GitHub 저장소 등을 확인합니다. 수정법이 포함된 에이전트 도구 6개. 읽기 전용, LLM 없음.

각 턴의 컨텍스트 예산 지출을 감사합니다. AGENTS.md, 스킬 카탈로그, 도구 스키마, 런타임 컨텍스트의 비용을 나누고 변경되지 않은 내용의 반복 주입을 낭비로 표시합니다. 스킬 60개 이상 설치 시 모델이 매 턴 읽는 설명 토큰 수와 플러그인별 도구 스키마 팽창을 순위화합니다. 결정론적이며 LLM을 사용하지 않습니다. 전체 세션 스윕 포함 4개 도구.

컨텍스트 압축에서 실제로 사라진 내용을 감사합니다. 원시 세션 이벤트 로그로 사용자 상시 제약(금지/필수/한정 지시)의 요약 내 생존 여부, 이력에 없던 경로/버전/포트/ID 환각, 삭제된 문장을 가리키는 “위 참조”, 절감량만큼 큰 요약, 미집계 삭제를 검사합니다. arXiv 2608.11242 측정에 따르면 압축기 전반에서 제약 생존율은 약 17%입니다. 압축 피해 정도로 대화를 정렬하는 전체 세션 스윕 등 에이전트 도구 4개. 결정론적이며 LLM을 쓰지 않아 오답은 특정 규칙 버그입니다.

DSH 왼쪽 사이드바의 ZenTao 작업 패널입니다. 내 담당 작업/버그/스토리를 나열하며 웹 로그인 방식으로 RESTful v2 API를 사용할 수 없는 환경도 지원합니다(오픈소스 ZenTao 18.13에서 검증). 검색, 스마트 정렬, 기한 초과/오늘 마감 필터, 플로우 보드를 제공합니다. 카드 설명·최근 댓글·스크린샷을 채운 새 채팅(또는 빈 채팅)을 열거나 워크스페이스/모델/추론 강도/선택적 지침을 골라 새 백그라운드 세션에 단일/다중 항목을 보냅니다. 티켓 설명의 스크린샷은 실제 이미지 첨부로 변환합니다. 카드 완료 시 연결 세션의 최신 답변을 읽으며 실행 중/결정 필요/완료 상태, 수동 재정의, 직접 완료 표시를 추적합니다. 다중 계정 지원. 읽기 전용이며 ZenTao에 쓰지 않습니다.

Windows 전용 DSH 사이드바 미리보기와 Dart hot reload다. 설정된 Starcompanion/Operit2 파생 프로젝트용이며 preview script, 사전 빌드 debug APK, Android SDK, Flutter, scrcpy 3.3.3이 필요하다.

stdio MCP 서버를 DeepSeek Harness 네이티브 도구로 노출한다. 공식 Microsoft Playwright MCP preset이 포함되어 이미 열린 Edge/Chrome을 로그인 상태 그대로 사용한다. 다른 stdio MCP 명령도 설정할 수 있다. 호스트 전용이며 클라이언트 번들과 npm 의존성이 없다. 자체 브라우저를 제어하려면 Edge/Chrome을 remote debugging으로 시작하고 npx의 @playwright/mcp 가져오기를 허용해야 한다.