플러그인

DeepSeek Harness 번들로 제공되는 ARIS 연구 워크플로 스킬: 82개 스킬과 Codex를 통한 크로스 모델 적대적 검토.

DeepSeek Harness용 시각적 라운드테이블 회의입니다. 원형에 배치된 전문가 노드와 방향성 엣지, 집계 게이트웨이, 블랙박스 worker 모델을 위한 proxy thinking, 그리고 관점별 endorse/reject가 가능한 확정된 계획에 대한 적대적 검토(red-team)를 제공합니다.

적대적 점검 → 수정 → 검토 루프를 위한 도구 모음입니다.

적대적 점검 → 수정 → 검토 루프입니다.

DeepSeek Harness용 Math Agent Framework: 기호 도출 엔진(CES / 이차형식 / ODE / PDE), SymPy 검증, Lean 4 컴파일러 검증 형식 증명, QED 스타일 다중 에이전트 적대적 검증을 제공하며, Python 엔진을 연결하는 TS 셸을 통해 네이티브 DSH 도구로 노출됩니다. math-agent-framework 리포지토리를 클론하고 `pip install -r requirements.txt`를 실행해야 하며, MATH_AGENT_HOME이 리포지토리 루트를 가리켜야 합니다. 모든 결과에는 출처 정보(엔진 버전, 시드, 허용 오차)가 포함되며 신뢰할 수 없는 데이터로 표시됩니다.

에이전트 모드로서의 딥 리서치: 모델이 호출마다 다시 작성하는 스크립트 대신, 계획을 세우고, 연구자 자신이 선언한 격차에 의해 구동되는 적응형 병렬 라운드로 조사하며, 인용된 보고서를 종합한 다음 적대적으로 검토하는 하나의 검토된 루프. 라운드 예산에 도달하지 못한 질문은 삭제되지 않고 보고서에 명시됩니다.

다중 렌즈 구조 분석 스킬: 4개 범주에 걸친 16개 렌즈로 adversarial-first 분석을 수행하고, 10개의 구조 분석 도구, 신뢰도 보정, 사실에 근거한 계층형 출력을 제공합니다.

Runs a thesis-antithesis-seal debate whose verdict is computed from real command exit codes and case counts, never from agent prose.

엄밀한 오픈 수학 연구 스위트. 정리 증명을 위해 적대적 감사, 연구 프로그램 관리, 파이프라인 오케스트레이션, Lean 4 형식화 감사를 맡는 4개의 agent skills(rigorous-open-math-research, manage-math-research-program, math-research-workflow, lean-verify)을 제공하며, CI 검증 테스트와 기계적 upstream 동기화를 포함한다.

Answers hard questions by staging a formal debate: two adversarial subagents argue opposite sides with research, then the main agent rules on the transcript through the debate_open, debate_round, and debate_verdict tools.

Command-triggered red/blue adversarial review for ANY plan (not quant-specific). /plan-adversarial <plan>: arms a gate that requires the agent to derive two independent subagents (red=attack, blue=defend), have them converge on a consensus plan with NO th

Competition math (IMO/Putnam/USAMO/AIME) solved with a pure-reasoning pass, an adversarial verifier in a fresh subagent context, and calibrated confidence output (high / medium / honest "no confident solution"); optional LaTeX-to-PDF rendering.

Adversarial code review — parallel finders inspect a diff through separate lenses (correctness, lifecycle, contract, security), then each finding goes to independent verifiers tasked with refuting it, and one refutation drops it.

Adversarial multi-lens code review: parallel correctness/security/maintainability lenses attack a diff, with deterministic severity grading, suppression rules and incremental review history.