플러그인

저장소 하나에 세 부분: DSH 플러그인 패키지용 런타임 인젝터(주입·핫 리로드·언로드, 개발 스테이징 도구 전면 승격, 자가 치유 라우팅, 설정 페이지 플러그인 관리자), 작업 인식 추론 모드 라우터 agent preset(router-standard / router-spec / router-react), 그리고 작업 상태를 디스크에 고정하는 6개 도구(commit_star, lock_stage, revise_do, edit_plan, mark_task, redteam_verdict)를 갖춘 단계적 2층 작업 프로토콜. 인젝터 구현이 동봉되어 의존성 목록이 아닌 동작 자체를 함께 가져옵니다.

승인 응답 체인에서 이루어지는 2차 모델 자동 검토: 읽기 전용 리뷰어 서브에이전트가 이유와 함께 구조화된 허용/거부 판정을 반환하며, 기본값은 fail-closed(오류 시 거부)입니다.

DeepSeek Harness용 검증 가능한 리서치 리포트 엔진. 콘텐츠 주소 기반 증거 원장, 모든 클레임에 검증 판정이 첨부되고 매니페스트 해시가 디렉터리를 봉인하는 버전 관리된 봉인 리포트, ctx.web 및 ctx.jobs 시임을 재사용하는 검색 오케스트레이션을 제공합니다.

레드팀 수행 모드: 대상 조직 이름 하나를 보내면 플래너 세션이 5개 역할의 실행 팀(정찰, 자산 분류, 취약점 발견, 익스플로잇, 내부 피벗)을 최대 3개 동시 에이전트로 운영합니다. 스킬과 리소스를 사전 점검하고 누락된 키나 VPS를 처음에 한 번 요청하며, 내장된 최초 실행 온보딩 스킬이 안내합니다. 점수는 병합된 침입 점수 규칙(8개 범주 / 25점)을 따르며 서버 측 상한, 최고 권한 우선, 서비스별 중복 제거가 적용되고 자체 등록 계정은 점수를 받지 않습니다. 발견 사항은 발견 시각과 함께 로컬 SQLite 팩트 베이스에 기록되어 상시 오른쪽 콘솔 12개 탭에 표시됩니다(발견 타임라인이 있는 자산 매핑, 에이전트 명단, 세션/터널 상태, 5단계 공격 체인, 점수 대상, 각 점수의 획득 방법을 밝히는 보고서, 범주별 POC/EXP 지식 베이스, 스킬별 사용 가능성 판정이 있는 스킬 라이브러리). 네이티브 스킬 23개, redteam_* 도구 53개, 한 명령 자기 업데이트를 제공합니다.

dsh를 위한 화이트박스 인과 가드레일: 모든 도구 호출은 결정적 인과 논리 체인을 따라 실행 전에 심사된다 — 파괴적 작업과 자격 증명 파일 작업을 차단하고, 반복되는 경계 위반은 상향 처리하며, 검증되어 수정될 때까지 오류가 나는 연결을 끊고, 감사 불가능한 실행에는 위험 판정을 내린다; 완전 로컬로 동작하며 API 비용은 0이고, 6개의 화이트박스 자체 점검 도구를 포함한다.

DeepSeek Harness 내부의 완전한 #dsh-plugin 몰. GitHub dsh-plugin 주제 카탈로그 전체를 2시간마다 새로 고쳐 탐색·검색·점수 매김, 설치 전 AI 리뷰로 install/caution/avoid 판정, 5차원 점수와 레이더 차트, 9개 언어 UI, 편집자 추천과 개인화 추천, 글로벌 작업 패널로 원클릭 설치/업데이트/롤백, 에이전트 내 /dsh-mall 스킬 제공.

Odoo를 위한 스펙 주도 개발 파이프라인: 도구 15개가 요청을 불변 스펙에서 아키텍처를 거쳐 모듈 코드나 라이브 구성까지 이끌고, 실제 Odoo 인스턴스의 증거로 뒷받침된 지속적 판정을 요구합니다. fail-closed 게이트, 선언된 환경에서의 사람 승인 배치, Odoo 자체 CSV/Excel 임포터, 플러그인을 통해 기록된 데이터를 되돌리는 저널을 포함합니다.

DeepSeek Harness용 플러그인 신뢰 파이프라인: 판정이 포함된 결정론적 정적 검사, 허니팟 유인을 사용하는 옵트인 런타임 가드, 에이전트 감사 프로토콜 skill 및 브라우저 실드 상태 표시등을 제공합니다. 경보 전용이며 강제 기능은 아닙니다.

위원의 법칙(Weiwen's Law, KISS의 법칙) 영문판: AI 에이전트를 위한 최초이자 유일한 도메인 독립적 화이트박스 인과 판정 미들웨어. 도메인 특화 인과 추론 도구(통계/경제/ML)나 증거 게이트형 에이전트 방화벽과 달리, 실행 전에 결정론적 구조적 인과 사슬(R->S->D->H->M)을 따라 *모든* 도구 호출을 판정합니다 — 어떤 도메인이든 훈련이나 도메인별 튜닝 없이 동작합니다. 파괴적 작업과 자격 증명 파일 작업을 차단하고, 반복되는 경계 위반을 에스컬레이션하며, 검증되어 수정될 때까지 결함 연결을 끊고, 감사할 수 없는 실행에 위험 판정을 내립니다. 완전 로컬 실행, API 비용 없음.

정·반·봉인 논쟁을 실행하며, 판정은 에이전트의 서술이 아니라 실제 명령 종료 코드와 케이스 수로 계산됩니다.

DeepSeek Harness 플러그인을 위한 정적 기능 공개: 설치된 플러그인의 기능, 리터럴 목적지, 설치 스크립트, 주입 형태(프롬프트 등록, 번들된 스킬 텍스트, 번들 패치)를 나열하는 설정 페이지와 CLI. 각 항목에 file:line 근거를 제공합니다. 코드로 결정되며 재현 가능하고 토큰을 소모하지 않습니다. 공개 전용 — 보안 판정이 아니며 안전성 주장은 하지 않습니다.

에이전트 산출물을 위한 독립 브라우저 승인 테스트입니다. JSON 사양을 입력하면 실제 Chromium 판정이 출력됩니다.

21 read-only lifecycle governance tools in one self-contained DSH plugin: task tiering, state/plan/evidence validation, gate precheck and aggregation, release/install audits, context and progress analysis, critical path, resume reconciliation, and a mutation preview that always denies execution. Installs from npm as @240xu/dsh-tech-lead.

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.

Adds an Explain button to the approval card: one model call returns exactly three lines reading the pending operation, covering what it does, which files or system state it reads, writes, modifies or executes, and a risky/attention/safe verdict with a one-sentence justification. It also renders the detail area for `write` and `edit` calls, which the shipped renderer leaves blank because it only reads a `command` field.

Content-degradation detection (thinking loops, output repetition) for DeepSeek Harness, with a continue-vs-handoff cost verdict and zero-model handoff documents.

Skill that fact-checks a claim against the open web rather than model memory: it splits the claim into independently checkable fact points, routes each point to the primary-source ladder for its domain (policy, academic, medical, financial, disaster and accidents, food safety, science, education, sports, entertainment, judicial, and more), searches domestic and international ecosystems in parallel, fetches primary pages, grades sources by type, re-searches with debunking keywords, and reports conclusion-first with a full URL and citation position behind every statement, keeping unverified and undecidable points separate from confirmed ones. Three factual judgements can be routed to a TypeSafe Jev (System One) decision model when a key is configured, falling back to the skill's deterministic rules when it is not; a model verdict can only lower a confidence tier.

Per-turn file changes, per-file diffs and deterministic safety verdicts for DSH sessions, plus a preview-first rewind that refuses when the worktree has drifted since the preview.

Mandatory cross-review for design proposals and lessons-learned: auto-detects design doc writes and enqueues them (tier=review) into the task queue, delivers the external reviewer verdict back to the initiating session, and appends approved preventive measures to OPS-GUARDRAILS.md (append-only, conflict-checked).

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.

Registers /wrapped, which reads the session's own stats and renders a shareable dark SVG summary card — tool vs. thinking time, decode speed, and a tool/thinking-ratio verdict.

플러그인 인사이트 센터: "어떤 것을 설치할 가치가 있는가"에 대한 하나의 답변 — plugin_guide는 필요에 맞는 플러그인을 매칭하고, recipe는 전체 환경을 설치하며, plugin_rank은 건강 점수(0-100)를 매기고, plugin_audit은 로컬 체크아웃을 정적 보안 스캔하며, plugin_verdict는 install / caution / research / avoid를 출력합니다.

Verified restart for DeepSeek Harness: restart without privileges, check that the harness really came back, report the verdict to the session that asked, and hand back what was left to do.

Measure whether a dsh setup change actually helped: register repeatable cases, run them, and diff the results before and after you change rules, skills, or models.