플러그인

DeepSeek Harness를 위한 세션 간 메모리 엔진: SQLite 저장소 + 사람이 편집 가능한 Markdown 미러, autoDream 통합, 오프라인 시맨틱 검색(로컬 벡터/재순위화/클러스터링), 엔티티-속성-타임라인, Sleep Mode, 커스텀 모델 autoSummarize, 그리고 7가지 메모리 도구를 제공합니다.

주 대화는 계획·하위 에이전트 브리핑·결과 요약만 맡고 파일 읽기·명령·검색·빌드는 하위 에이전트 컨텍스트에서 수행하는 Multitask agent preset입니다. 작업자 유형 4개와 위험 작업 승인 게이트가 있으며 DSH 소스는 변경하지 않습니다.

DSH용 심층 읽기 및 요약 도구: 플러그인 파서, MapReduce 병렬 심층 읽기 서브에이전트, JSON Schema 출력, 멱등 캐시를 활용해 책·논문·영상·웹을 구조화된 Obsidian 노트로 변환합니다.

기본 task-system 통합이 있는 dsh용 프로젝트 메모리: 세션 todo와 파일 읽기가 자동으로 세션 간 작업 기록(task↔file 링크)으로 압축되어, 재맥락화 없이 워크플로를 전환하고 재개할 수 있습니다. 읽기 시점 메모리(사전 스캔 없음): 코드 심볼을 추출하고, 문서를 요약하며, docs↔symbols를 교차 연결합니다. 선택적 TS semantic enhancement(TS 설치 시 자동 켜짐)를 제공합니다. 경험 노트는 자동 중복 제거됩니다. 모든 회상에는 추적 가능한 인용이 포함됩니다. 순수 JS, 단일 의존성, 바로 사용 가능, 조용히 동작하며 오버헤드가 없습니다.

DSH의 스마트 세션 제목: 각 대화 턴 후 독립적인 보조 LLM 호출이 사용자+어시스턴트 전체 기록을 요약해 첫 메시지를 그대로 반영하는 대신 세션의 실제 주제를 따르는 제목을 만듭니다. 첫 메시지는 즉시 제목이 붙고, 실패한 내장 제목은 이후 턴에서 자동 재시도되며, 수동 이름 변경은 덮어쓰지 않고, 서브에이전트/포크 세션은 건너뜁니다.

내장된 DSH 압축 요약기를 5개 섹션 핸드오프 요약으로 대체하고, 가려진 모든 메시지를 세그먼트 디렉터리에서 읽을 수 있게 유지합니다.

Multi-agent roundtable discussion: each member runs as a subagent on its own model and speaks in turn, a host summarizes each round, and termination writes meeting-minutes Markdown.

Claude Pro/Max 멤버십으로 DeepSeek Harness에 로그인하고(API 키 불필요), Anthropic 요청 이미지를 긴 변 2000px로 축소하고, /compact 요약기 페이로드를 슬림화하고, 5시간/주간 플랜 사용량과 DSH 메시지 수를 표시합니다.

DSH용 Doubao 스타일 음성 채팅. 작성란의 마이크를 길게 누르면 음성을 텍스트로 변환해 자동 전송하고, AI 응답은 소리 내어 읽어줍니다. 선택적 LLM 축약(긴 응답을 현재 대화 모델을 따르는 짧은 음성 문장으로 요약), TTS 친화적 텍스트 정리, 선택 가능한 Edge TTS 음성, 조절 가능한 무음 자동 중지를 지원하며 설정은 DSH 설정 대화상자에 내장되어 있습니다.

Select text in any Windows app to explain, summarize, translate, or read it aloud with DeepSeek Harness — answered in a streaming always-on-top overlay with a horizontal capsule menu.

Preview conversation context and selectively keep, summarize, or omit exchange groups before applying persistent compaction through Harness session services.

dsh 세션 제목을 "날짜 | 유형 | 주제" 형식으로 재구성하며(유형과 주제는 전체 대화에서 모델이 요약), 사용하지 않는 세션은 삭제하지 않고 사이드바에서 숨깁니다.

DeepSeek Harness용 컨텍스트 관리자: 모든 턴을 우선순위로 정렬된 기록으로 자동 요약하고, 이를 고정된 세션 간 노트 및 사용자 지정 텍스트와 함께 각 모델 요청에 주입하며, 크기에 관계없는 실제 대화 범위를 요약으로 접어 토큰을 절약합니다. 영구적이며 재시작에 안전합니다. 참고: 수동 다단계 설치 — 세 개의 패키지 폴더를 profiles/node_modules에 복사하고 제공된 cordis.patch.yml 행을 추가한 뒤 DSH를 재시작하세요. 표준 원클릭 설치는 아닙니다.

전송 상자 옆의 녹색 interrupt button: 실행 중인 에이전트를 조용히 중지하고 진행 상황을 요약한 후 새 요구 사항을 묻습니다. interrupt prompt는 사용자 정의 가능.

Windows only. Bilibili video summarizer: downloads the audio track, transcribes it locally with faster-whisper (Python + faster-whisper, about 725 MB of models on first run), then writes the analysis markdown and renders a one-page infographic PNG.

Model-callable compact_agents tool that force-compacts context in every live session (main session, ordinary sub-agents and AgentTeams members alike), queues busy targets and compacts them when the turn ends, reports the shadowed node count and estimated tokens per target, and ships a browser form for the trigger ratio, retained ratio, controlled-phase output budget, auto-continue budget and an end-of-turn pre-compaction ratio that compacts near the trigger line once a turn ends, so a reply no longer opens with a wait for the summarizer.

Single-file persistent companion memory: interests, preferences, tasks, and past works summarized into the system prompt, with read/update tools.

긴 세션을 깨끗한 새 세션으로 인계: /handoff가 LLM으로 대화를 요약하고, 같은 워크스페이스에 새 세션과 에이전트를 만들며, 인계 문서를 첫 메시지로 주입하고 자동으로 엽니다. 원래 세션은 그대로 유지됩니다.

각 사용자 라운드를 요약하는 '轨迹解读(궤적 해석)' 탭 — 무엇을 원했는지, 어시스턴트가 어떻게 사고하고 실행했는지, 파일/명령/오류 — 를 규칙 엔진과 선택적 LLM 서사로 제공합니다. 사용자 메시지는 그대로 유지됩니다.

활성 에이전트를 기다리거나 중단하지 않고 집중된 컨텍스트를 인계: 제한된 세션 스냅샷을 고정하고, 격리된 노-툴 LLM으로 비동기 요약하고, 출처가 명시된 캡슐을 다른 세션 또는 인가된 룸에 전달 — 세션의 경우 기본적으로 조용하며, 명시적 깨우기 가능.

Saves architecture and validated plans, runs native AgentTeams workers with approval, parallel coding and independent review, and summarizes progress and verification results.

Notes-backed context compression for DeepSeek Harness: replaces LLM-summarized compaction with a model-written persistent notebook plus recoverable raw history, so the rollover boundary itself costs zero model calls.

Chunked compaction for oversized sessions: takes over only when the live context exceeds 85% of the model window (or the request exceeds 4 MB), summarizes the history in 1.5 MB chunks and merges them; smaller sessions keep the built-in compaction.