플러그인

text-only models를 위한 디자인 충실도 QA: `deepseek_vision` 도구가 어떤 OpenAI 호환 vision route에서든 한 쪽 눈을 빌려와 모델이 구현이 mock과 일치하는지 판단할 수 있게 하며, 그 판단 뒤에 있는 벤치마크(4개 fixture, 23개 주입 결함, raw transcripts)와 그것이 의존하는 질문 규율까지 함께 제공합니다.

OMK — 관찰. 측정. 파악. AI 애플리케이션을 위한 증거 기반 지식 변화.

llm/stream waterfall에서 플러그인별 사용 예산과 비용 상한: 모델별 사용량 집계, 경고/차단 전환이 있는 세션 및 월간 예산, 지연 시간 창, 그리고 탄소 발자국 추정.

DeepSeek Harness에서 Excel과 대화: 대화를 통해 스프레드시트를 생성, 편집, 수리, 검증하며, 모든 편집 후 자동으로 수식 건강 검사를 수행합니다.

Zero-LLM 자동 캡처와 점진적 공개를 갖춘 상징적 \[ENGRAM\] 인덱스, ESR-lite 작업/증거 프로토콜(esr_task / esr_node / esr_close / esr_link), 그리고 오프라인 회상 벤치마크(npm run eval)가 포함된 workspace별 사용 원격 측정.

DeepSeek Harness에서 대화로 Excel을 다룹니다: 대화만으로 스프레드시트를 생성, 편집, 복구, 검증할 수 있으며 매 편집 후 수식 상태를 자동으로 점검합니다.

ml-quant-trading 프로토콜 v1 CPU 벤치마크를 재현·검증하고, 이어서 이슈 제출용 보고서를 초안 작성하는 DSH 도구입니다. initial-d/ml-quant-trading의 로컬 클론(워크스페이스 또는 repoPath로 설정), Python, PyTorch가 필요합니다. 이 플러그인은 저장소를 가져오거나 의존성을 설치하지 않습니다.

장기 또는 명세가 불충분한 Harness 작업을 위해 지속적인 실행 계약, 재귀적 작업 그래프, 핵심 확인, 증거 게이트를 추가한다.

다른 세션의 컨텍스트를 현재 턴에 병합합니다: 증거 가중 충돌 해결, 전제가 철회된 주장의 철회, 세션 간 프롬프트 인젝션에 저항하는 신뢰 라벨링, 예산으로 제한된 패킹. 벤치마크를 제공합니다.

설정 페이지에 CodexRadar 모델 성능 벤치마크를 표시하고, 컴포저 옆에 선택된 세션 모델의 DeepSWE 점수를 보여줍니다.

DSH 에이전트용 검증 게이트: 완료 게이트가 목표를 통과시키기 전에 모든 수락 기준이 서버 스탬프가 찍힌 실제 도구 증거로 뒷받침되어야 함(자문 감사, 강제 게이트, 영구 허가).

Security-audit facts AI coding agents cannot compute, plus a verdict gate: euthyna history attributes deleted lines to commits and flags those from security fixes (--origins finds the first introducer), euthyna coverage reports which changed symbols no test ever invoked, and euthyna gate checks each finding against six gates, downgrading any without evidence to an observation.

DeepSeek Harness용 TypeSafe Jev(System One 의사결정 모델) 엔드투엔드 통합: jev_decision(choice/score/noul, 병렬, 타입 지정 답변 + 신뢰도), API 키와 스위치를 위한 Settings > Plugins 카드, 대화의 모든 결정(답변, 신뢰도, 지연 시간, 비용)을 보여주는 인라인 도구 뷰, 자동 가드(결정적 + Jev 위험/루프 점검), 로컬 /jev 대시보드, 온라인 검증 벤치마크(라벨링된 27개 질문에서 96.3%, jev-latest에서 중앙값 약 283ms, 2026-09-21). 설계상 정직함: 실제 API만 사용하며 mock 폴백이 없습니다.

Long-form novel writing plugin: each book is a git repository of frontmatter files, with 39 DSH domain tools and a web writing UI. Deep import drafts candidates, AI adoption into canonical assets requires DSH approval, and deterministic continuity checks ship with a report-only benchmark. Independent open source (MIT), not an official DeepSeek product; requires Node >= 24.11.0 and currently targets DSH 0.1.2-rc.1.

Same-origin in mechanism with the two loudest lines in context compression. The code-skeleton gate follows the skeletonization approach of Headroom (Apache-2.0), whose published headline is 20% fewer tokens for coding agents and 60–95% fewer tokens for JSON, same answers. The estimator channel follows TokenPilot (arXiv:2606.17016), which reports up to 60% lower cost for long-session agents. Both figures are theirs, quoted as-is; this plugin ships no benchmark of its own and claims no reduction of its own. What it adds for DeepSeek Harness: choose a compression profile, set the Auto Compact trigger level and toggle code-skeleton compression from one settings section, with exact DeepSeek V4 tokenizer measurement, same-revision count verification, and fail-open behaviour that keeps the original tool results on unsupported models.

One MCP tool instead of every schema you own — a lazy capability broker that cuts resident tool context by a measured 94.4%. Search, inspect, enable and call MCP servers and skills on demand.

Compares existing DSH sessions or runs controlled A/B trials between agent presets, showing aligned timelines, paired metric deltas, explicit success checks, and exportable reports.

Piano performance plugin: ask the agent to play a piece and it renders on a Canvas2D grand piano with real Salamander Grand samples, an immersive stage, and an interactive 88-key keyboard.

Experience validation layer for DSH: zero-token collection of tool-failure/retry/search signals, AI refinement into verified skill books (three-layer verification), looked up at task start. Ships 10 trial skills and benchmark data (complex-task success 100% vs 60% bare).

Run the same prompt through every model you have, and see the difference without squinting.

DSH web plugin: a LiveBench tab in the Trajectory view (right of 对话/轨迹). Run LiveBench evaluations against every model configured in the DeepSeek Harness — pick provider/model, category, task, release and question range from dropdowns, watch progress, and

Control panel for local LLM inference servers in the DSH web view: service registry with health checks and stop controls, named parameter profiles for llama.cpp, SGLang and vLLM with pre-save KV/VRAM validation, GPU detection, and tok/s benchmarks.

Paired experiments and promotion gates for DSH plugins.

에이전트 평가 플랫폼: 벤치마크 YAML, 헤드리스 실행 오케스트레이션, 추적 기반 지표, 실행 리포트