플러그인

Image Editor separates uploaded images into editable layers through Shenhuo MCP, with confirmed credit quotes, browser editing and local PSD downloads.

Windows multi-drive dashboard that labels cleanable, caution, and system space in green, yellow, and red, audits download folders, and suggests how to split data across drives.

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.

Turn a logged-in DeepSeek web account into an OpenAI and Anthropic compatible endpoint, with tool calling, image input, an account pool and a local admin console. First use needs a one-time `node scripts/fetch-assets.mjs` in the installed plugin directory to download DeepSeek's PoW runtime from the vendor CDN; without it the proxy starts but every upstream request fails.

Adds a Share to chat action under each reply: converts the answer to WeChat or WeCom text, ordered segments or a long image, editable-table email HTML, or a downloadable Word document.

Plugins 페이지 탭에서 DSH 플러그인을 설치·업데이트·제거합니다. 설치는 profile의 내부 pluginManager 서비스를 호출하므로 데스크톱 앱 실행 중에도 CLI 없이 추가할 수 있습니다. 업데이트는 dsh-market 공개 update API v1에 위임하며 해당 섹션에 필수입니다. 시장이 보고한 단계, 비율, 다운로드 바이트를 진행 막대로 표시하고 시장이 restorepoint를 보고할 때만 롤백합니다. bundle 사용 중이라 제거가 거부되면 bundle을 비활성화하고 profile manifest에서 제거하며 남은 파일은 다음 시작 후 정리하도록 예약합니다.

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.

주제·키워드·DOI로 Europe PMC, PubMed, OpenAlex, Crossref에서 의학 및 생명과학 문헌을 검색합니다. Unpaywall/OpenAlex/Europe PMC로 오픈 액세스를 확인하고 OA 경로가 있으면 매직 바이트와 페이지 수를 검증해 PDF를 다운로드합니다. 없으면 정확한 실패 이유와 네 가지 수동 대안(AbleSci assistance, Sci-Hub, SciDown, X-MOL)을 기록한 결정 카드를 작성합니다. 포함된 Python 도구는 표준 라이브러리만 사용합니다.

Image Designer는 DSH를 Shenhuo AI 디자이너에 연결합니다. 개인 OAuth, 자료 업로드, 제안, 크레딧 견적 확인, 로컬 다운로드를 지원합니다.

로컬 Gopeed 다운로더를 위한 에이전트 도구입니다. 다운로드 생성·조회·일시 중지·재개·삭제, Gopeed 프로세스 진단·실행, DSH 백그라운드 작업을 통한 완료 이벤트 수신을 지원합니다. 완료 이벤트는 유휴 에이전트를 깨웁니다. 프로세스 진단과 실행은 Windows 전용이며 다운로드 도구는 Gopeed가 작동하는 모든 환경에서 사용할 수 있습니다.

DSH Web GUI에 진행률 표시와 재개를 지원하는 분할 업로드, workspace 파일 및 session log ZIP의 네이티브 다운로드를 추가합니다. 페어링된 원격 링크로 연결된 세션도 포함합니다.

Windows x64용 Unreal Engine 4/5(UE4, UE5) 에셋 탐색 및 내보내기 도구입니다. CUE4Parse로 로컬 PAK 아카이브 안의 cooked 에셋을 탐색·미리보기·내보냅니다. 3D mesh 미리보기, 애니메이션 재생, 검색 가능한 에셋 색인을 제공합니다. Oodle 압축 아카이브에는 Epic의 oo2core DLL이 필요하며 번들에 없지만 Settings에서 다운로드할 수 있습니다.

이벤트 기반 trigger 플러그인(dsh-proactive 알람시계 옆의 초인종)입니다. 규칙별 debounce 창과 glob filter가 있는 재귀 fs watcher, 규칙별 token이 있는 loopback 전용 webhook endpoint, host agents service로 대상 session을 깨우는 fire rule을 제공합니다. 활성 session은 직접 후속 메시지를 받고, 비활성 session은 먼저 재개합니다. paths/count/payload 템플릿 변수를 렌더링한 prompt를 주입합니다. DSH 재시작 없이 규칙 파일을 hot-reload하고 모든 trigger를 감사 가능한 JSONL 기록에 추가하며 trigger_list/trigger_history로 조회합니다. loopback health route에서 설치 및 실행 상태를 확인합니다. 다운로드 폴더 자동 정리, 로컬 스크립트가 보낸 CI/모니터링 경보 진단, 로그 오류 감시에 활용할 수 있습니다. Pure JS, 빌드 단계 없음, MIT.

DSH용 graph-first 권한 사전 확인입니다. 모델이 계산 graph를 선언하고 각 node에 의미상 작업(무엇을 어디로 다운로드/쓰기/삭제하는지)을 명시합니다. 사용자는 side panel에서 node를 하나씩 승인하며, 한 번의 승인은 성공한 실행 한 번에만 적용됩니다. 각 node는 실제 실행 내역 audit trail을 유지합니다. 승인 범위 밖 작업은 기본 approval card로 다시 묻고, 응답되지 않은 권한 요청에 막힌 node는 일시 중단되어 의존하지 않는 작업은 계속할 수 있습니다.

Windows 데스크톱을 PNG로 캡처해 경로를 모델에 전달하는 스크린샷 도구를 추가합니다. composer 카메라 버튼에서 캡처를 미리 보고 다운로드하거나 복사할 수 있습니다.

DSH용 앱 내 브라우저입니다. 지속 프로필을 가진 전용 Chromium을 사용해 Feishu 또는 SSO 로그인이 재시작 후에도 유지되며 CDP로 제어합니다. 에이전트 도구 7개(status, open, eval, read, feishu, screenshot, tabs)를 제공하고 페이지를 오른쪽 사이드바에 실시간 미러링하며 도구 호출 시 패널을 자동으로 엽니다. 가상 스크롤을 훑어 Feishu 문서를 Markdown으로 변환합니다. 로컬 설치된 Chrome, Edge, Chromium 또는 Playwright Chromium 빌드가 필요하며 다운로드하지 않습니다. 특정 바이너리는 DSH_IAB_CHROME으로 지정합니다.

Windows x64에서 링크나 로컬 클립의 동영상을 다운로드하고 GIF를 만듭니다. 크기 제한은 선택 사항입니다.

Windows x64용 DSH NEXT Desktop의 HarmonyOS 기기 작업 공간입니다(DSH NEXT 2.0.21-next와 Better Sidebar 0.28.2에서 테스트). 플로팅 미러는 DSH의 Electron을 재사용하거나 처음 사용할 때 약 140 MB를 다운로드합니다.

한 창에서 무료 도서 라이브러리 4곳을 검색합니다. Project Gutenberg는 OPDS 카탈로그, Shuge는 WordPress 검색과 각 도서 페이지의 s.shuge.org 단축 링크, NCPSSD는 Solr 기반 endpoint를 사용합니다. Chinese Text Project는 약관상 자동 접근이 금지되어 링크만 제공합니다. 도구는 readbook_search와 readbook_open 두 개이며, 후자는 Gutenberg와 Shuge의 실제 다운로드 URL, NCPSSD의 페이지 링크만 반환합니다.

DSH Desktop용 로컬 문서 라이브러리입니다(Windows 전용, 번들 PowerShell 스크립트로 설치). 파일을 한 번 올리면 모든 대화에서 4개 도구(library_list / library_search / library_read / library_save)로 검색하고 읽을 수 있습니다. 업로드·다운로드·일괄 다운로드는 Settings 패널에서 합니다. 선택적 vision model을 켜지 않는 한 파일은 기기에 남으며, 켜면 이미지를 설정한 endpoint로 보냅니다.

Windows/Linux의 로컬 NTQQ(QQ 9.9.x) DB를 읽어 그룹/개인 채팅을 txt/csv/json/md/html/sqlite로 내보냅니다. 도구 16개: qqnt_status, qqnt_doctor, qqnt_extract_key, qqnt_index, qqnt_list_groups, qqnt_list_chats, qqnt_search, qqnt_stats, qqnt_export_group, qqnt_export_chat, qqnt_export_batch(모호한 이름은 추측하지 않고 거부), qqnt_jobs, qqnt_media, qqnt_storage(디스크 사용량/허용 목록 기반 정리), qqnt_ask, qqnt_recall(인용 검색). 로컬 UI 127.0.0.1:46728은 증분 SQLite 색인, 6개 보기, 작업 패널, 좁은 화면의 단일 창, 발신자 비식별 처리, 미디어 묶음, 날짜별 분할, 내보내기 프리셋, AES-256 암호 ZIP을 제공합니다. OCR·음성·임베딩은 필요할 때 플러그인 전용 virtualenv에 설치됩니다. python3와 sqlcipher3가 필요하며 설정에서 virtualenv를 만들 수 있습니다. DB 키는 실행 중이고 로그인된 QQ 클라이언트에서 읽습니다.

고래 소녀 시작 애니메이션, 사이버 코드 아이 영상 배경, 홀로그래픽 다크 테마를 한 번에 설치합니다. 스킨과 배경 영상(CC BY-NC-SA)은 최초 시작 때 upstream 저장소에서 내려받고, 시작 애니메이션은 `@ljwei-stak/dsh-boot-animation`이 이미 있을 때만 설치합니다.

DSH Desktop 내장 업데이트 배지(계정 버튼 옆 다운로드 화살표 ‘新版本’ pill)를 숨깁니다. 현재 빌드용 CSS와 제한된 MutationObserver의 접근성 label 매칭으로 DSH 업그레이드 뒤에도 작동합니다. 업데이트 확인, 수동 ‘Check for updates’ 메뉴, 연결 표시는 건드리지 않습니다.

DeepSeek Harness가 시작되면 Genshin Impact 공식 사이트를 열고 공식 launcher를 다운로드합니다.