플러그인

DeepSeek Harness에 TypeSafe Jev를 통합해 skill 및 파일 선택, 작업 감독, 공유 조사 결과 수정, 도구 출력 필터링, 승인 지원, 기록된 단계 탐색을 제공합니다. 모든 기능은 기본적으로 꺼져 있습니다.

dsh용 인과 메모리: 의존성 없는 MCP stdio 브리지로 causal-memory 서버의 17개 도구를 깔끔한 이름(mcp__ 접두사 없음)으로 마운트합니다. 로컬 SQLite 저장소에서 컴팩션 후에도 유지되는 유형 관계(caused / enabled / prevented)의 결정 → 결과 엣지와 고정된 시스템 프롬프트 섹션을 제공합니다. PATH에 causal-memory 서버 바이너리가 필요합니다(pip install causal-memory 또는 사전 빌드 릴리스).

DeepSeek Harness용 멀티 모델 평의회: 각 모델이 독립적으로 답변하고 익명 상호 리뷰를 거쳐 검증 가능한 최종 결정을 내립니다.

Matt Pocock 스킬 컬렉션을 DSH 퀘스트 보드로 전환하는 오른쪽 세부 패널: wayfinder 의사결정 맵, 이슈별 트리아지/수정/토론/실행 액션, 9항목 핵심 스킬 프로브 + 20개 스킬 레이더, 환경 점검, 세션 간 원클릭 핸드오프를 제공합니다.

tools/pre-execute에서 대기 중인 도구 호출을 Jev(TypeSafe AI의 비생성적 의사결정 모델)로 분류합니다 — 확신도 높은 고위험 호출은 거부되고, 모호한 호출은 승인 요청으로 에스컬레이션됩니다 — 또한 approval/request에서 명확히 허용된 가역적 호출은 인자 근거 게이팅을 거쳐 자동 승인됩니다. 세션 참조 리졸버도 서브클래싱하여 스냅샷이 가장 오래된 메시지부터 버리는 대신 Jev 점수가 매겨진 메시지를 유지하게 합니다. 프로바이더 장애 시 기본 동작으로 저하되며, /jev-stats 명령이 있는 섀도 모드, TypeSafe 또는 OpenRouter 엔드포인트, 64개 테스트를 제공합니다.

Jev DSH 의사결정 엔진｜Agent Harness 지향 구조화된 의사결정 플러그인. DeepSeek Harness 네이티브 지원, iPolloWork를 통한 OpenCode, Codex Harness 지원.

DeepSeek Harness용 Jev 기반 의사결정 레이어 플러그인

StrataGate는 DeepSeek Harness에 세션 간 사용자 선호, 프로젝트 결정, 대화, 도구 결과를 위한 진화하는 로컬 우선 장기 기억을 제공합니다. 사용자 조정 가능한 시간 감쇠로 기록을 누적하고, 실제 답변 사용을 통해 기억을 강화하며, 작업 공간을 인식하는 사용 횟수를 표시하고, 회수된 증거를 원본 메시지까지 추적 가능하게 유지합니다.

DeepSeek Harness Web용 중간 실행 조정 입력: 에이전트가 작업하는 동안 composer 위에 입력 바가 나타나며, 대화를 멈추지 않고 agent.steer()를 통해 다음 판단에 수정 요청을 주입합니다. 초안은 세션별로 유지되고, 읽지 않은 주입 메시지는 bubble에서 다시 불러올 수 있으며, 선택적 guiding prefix를 지원합니다.

DeepSeek Harness의 세션 간 기억: 에이전트가 사용자 선호, 사실, 프로젝트 결정을 저장하고 검색하고 갱신하며, 중요한 항목은 이후 세션에 주입되고, 설정 섹션에서 목록 보기, 편집, 보관, 삭제할 수 있습니다.

AI Company Framework: 한 문장을 다중 에이전트 회사로 변환 — 15개의 플랫 스킬(boss/pipeline/role-template/11 roles/generic customer-memory), 7개의 워크플로우 템플릿, AgentTeams 런타임 + 활동 패널, 세션별 격리가 있는 직원 사이드바, Feishu 봇 브리지(boss 및 직원별 봇, 그룹 라우팅, 자율 푸시, 인간 의사결정 게이트, 외부 연락처 가이드), 고객별 SQLite 메모리, 3계층 메모리(크로스 그룹 병합), /company 모드 전환; RAG 없음.

장시간 실행되는 DSH 에이전트가 사용자가 승인한 목표, 제약 조건, 결정 사항에서 벗어나지 않도록 지키는 런타임 요구사항 드리프트 가드.

Laya 타입 지정 결정(`noul` yes/no, `choice`, `score`)을 일급 Cordis 서비스(`ctx.laya`)로 제공하고 모델이 볼 수 있는 `laya_ask`와 `laya_plan` 도구를 추가합니다. 플러그인 자체는 아무것도 설치하거나 다운로드하지 않습니다: 직접 시작하는 `laya-mcp serve` 사이드카의 클라이언트이며, 첫 도구 호출에서 불분명하게 실패하는 대신 사이드카가 실행 중이 아니라고 보고합니다.

단계별 model router. 정렬된 이미지/키워드 그룹 규칙을 가진 명명된 프리셋이 마운트된 모든 공급자와 모델에 걸쳐 각 에이전트 단계를 라우팅하며, 이미지 전사용 협업 플로우, 이미지 가드, 다중 플랜 쿼터 패널, 단계별 결정 관측 가능성을 추가합니다.

DeepSeek Harness 알림음입니다. Agent가 결정을 요청하거나 작업을 마치면 부드러운 차임을 재생합니다. 시스템 알림을 눌러 창으로 돌아가고 설정에서 음량과 효과음을 조절할 수 있습니다.

DeepSeek Harness를 위한 AX 우선 macOS 컴퓨터 사용: 안정적인 참조가 있는 접근성 스냅샷, 백그라운드 입력, 유니코드 입력, 메뉴, 앱, set-of-mark 스크린샷, 온디바이스 OCR, 검증된 작업, 그리고 선택적 Jev(TypeSafe System One) 시맨틱 가드 — 1

DeepSeek Harness용 AX 우선 macOS 컴퓨터 사용: 안정적 ref를 쓰는 접근성 스냅샷, 백그라운드 입력, 유니코드 타이핑, 메뉴와 앱, set-of-mark 스크린샷, 온디바이스 OCR, 검증된 동작 — macos-cu CLI에 브리지된 11개 도구.

웹사이트 복제 방법론 스킬: 정적 사이트, React/Vue/Next 콘텐츠 사이트, WebGL/Canvas 중심 프런트를 아우르는 실제 소스 우선 결정 트리, 2차 AI 분석에서 인용한 실행 가능 코드의 필수 검증, 그리고 CDP 브라우저 정찰, 에셋/폰트 수집, 라우트 크롤링, 소스맵 탐색, 픽셀 차이 감사를 위한 13개의 무의존성 Node 스크립트.

이름이 있는 프로필(모델, reasoning effort, 작업별 도구 범위)로 subagent를 배치하고, 안전성 검사, 절감 비교가 포함된 비용 추정, 전체 배치 결정 기록을 제공한다.

DSH Desktop 강화 플러그인으로 검증 가능한 사실을 드러냅니다. 제약은 관련될 때만 주입되어 유휴 대화에는 추가 토큰이 들지 않고, 주입은 계층화되어(세션 고정 텍스트는 시스템 프롬프트, 변동 내용은 꼬리 스냅샷) 프롬프트 캐시가 유효하게 유지됩니다. 규율: 매 턴을 질문/조사/논의/진단/실행으로 분류하고 경계를 강제합니다 — 질문 턴에서는 파일 편집 금지, 진단 턴에서는 요청 없는 수정 금지. 이번 세션에서 열지 않은 코드 줄 인용, 보지 않은 심볼에 대한 부정적 단정, 산출물과 맞지 않는 요구사항, '확인하지 않았다'를 '결정을 기다리는 중'으로 포장하는 행위를 모두 지적합니다. 답변은 사람을 위해 작성되며 코드·필드명·id는 처음 등장할 때 쉬운 말로 설명해야 합니다. 기억과 지식: 75%/90% 컨텍스트 경고와 세션 요약 내보내기(새 세션에서 'continue' 입력), 작업 디렉터리별로 세션을 넘어 축적되는 프로젝트 지식(자동 캡처, id로 삭제 가능). 검사 가능한 산출물: 작업 계약 / 변경 기록(자동 로깅, 미검증 항목은 인도 시 표시) / 가설 기록(결론은 근거 게이트를 통과해야 함) / 설계 결정. 대시보드와 페르소나: 라우팅, 트리거 적중, 블록 조립이 lume-metrics.jsonl에 기록되고 lume_metrics로 조회 가능하며, 페르소나는 채팅 로그·소설·대본·캐릭터 시트에서 증류하고 장기 및 임시 기억, 기억 성도, 페르소나 카드 내보내기/가져오기를 지원합니다.

능동적 다중 모델 스케줄링 프로필: 중복 제거 및 긴급도 랭킹이 포함된 다중 소스 신호 인테이크, 4방향 execute/defer/dismiss/ask-user 결정 엔진, 병렬 모델 실행이 포함된 DAG 플랜 생성, 자동 재시도 및 모델 전환이 포함된 품질 리플렉션, 태스크 패턴 및 교훈을 위한 장기 메모리, 샌드박스 평가 및 카나리 롤아웃이 포함된 유전 알고리즘을 통한 전략 진화.

dsh-plugin 생태계를 위한 커뮤니티 검색, 유사성 분석, 설치/중복 제거/직접 제작 의사결정.

독립적인 AI 상대와 하는 1대1 텍사스 홀덤 훈련입니다. 공개 행동 기록을 지속적으로 기억하고 의사결정 리뷰를 제공합니다.

DeepSeek Harness용 jev_decide 도구로서의 TypeSafe Jev(System One 의사결정 모델): noul, choice, score 질문이 보정된 확률을 반환합니다. 자격 증명은 DSH 자격 증명 시임을 재사용하고, 429/529 백오프 재시도가 내장되어 있습니다.