Plugins

Use o paradigma de modelo de decisão Jev (System One) com qualquer LLM compatível com OpenAI — sem necessidade de chave TypeSafe. Registra uma ferramenta jev_decide que retorna respostas com distribuição de probabilidade para perguntas tipadas (escolha/pontuação/booleano) em uma única chamada.

TypeSafe Jev como serviço Cordis de primeira classe e três ferramentas visíveis ao modelo para o DeepSeek Harness — offline por padrão, saída de rede divulgada, nunca ativado por padrão.

A CLI self do Superself como ferramentas voltadas para o modelo (contexto de projeto, unidades de trabalho, relatórios, decisões) mais um comando /self — estado de projeto cross-session, cross-project mantido fora do repositório de código.

Motor embutido de gerenciamento de tarefas: protocolo de pontos de decisão, mural de captura de ideias e um repositório de issues no estilo Linear.

Quadro de entregas para equipes de projetos de clientes: fluxo com modelo padrão, de governança ou etapas personalizadas; cartões com responsável, prazo, critérios de aceitação e DoD. Mudanças de etapa geram automaticamente auditoria da passagem. Inclui registros de progresso/riscos/bloqueios/decisões, relatório semanal em Markdown, quadro de arrastar e soltar restrito a loopback e exportação HTML somente leitura. Estado em delivery.json no workspace; 11 ferramentas delivery_* e /delivery.

Núcleo de julgamento para DeepSeek Harness: um ciclo cognitivo atribui fonte a cada decisão e conclui o planejamento; a memória hippocampus transforma experiência em conhecimento (diário, arquivo episódico, queda de confiança baixa); a arquitetura define responsabilidades e critérios consistentes; uma equipe A2A gerencia a memória via dsh-linghun-assembler. Requer DSH ^0.1.0-rc.7 (rc.2 compatível).

Memória local de três camadas para o DeepSeek Harness: L1 memória instantânea (MEMORY.md/USER.md) lida sob demanda pelas ferramentas memory_* + L2 base de conhecimento pesquisável (fatos + SQLite FTS5, busca em chinês por tokenização de janela deslizante) + L3 importação de Hermes/Claude Code/Codex/WorkBuddy e de documentos aprovados do Agent Hub (memory/global, memory/projects, decisões aceitas) com deduplicação por hash de conteúdo. A v0.2.0 removeu toda injeção automática: a memória entra no contexto só quando o modelo chama uma das 12 ferramentas memory_*, e os dados ficam no disco local.

Visão de divisão de decisão para a Web UI do DSH: um cartão de resumo de decisão na janela principal mais o plano completo em um painel lateral com rolagem independente, para que você possa revisar o plano inteiro enquanto escreve decisões e enviá-las de volta ao agente com um clique.

Provider de navegador para DeepSeek Harness: executa tarefas web passo a passo em navegador real, consultando uma tabela indexada de ações disponíveis em vez de HTML ou capturas. Cada etapa usa uma decisão Jev, não um turno completo do modelo; benchmark do repo: mediana de 1,1 s contra 2,8–3,6 s por turno de chat-model. A conversa recebe só a conclusão e não cresce com o contexto da página. Os alvos vêm da página recém-lida e páginas alteradas são lidas novamente antes de clicar. Usa o navegador pertencente à Session e deixa seu Chrome cotidiano intacto, salvo se você ativar attach mode.

Impede o DeepSeek Harness de compactar (resumir) a conversa cedo demais. Sem o plugin, em janelas de contexto menores a compactação começa perto da metade; com ele, espera até o nível desejado (80% por padrão), configurável por provedor/modelo. Só muda o momento da compactação; o DSH continua decidindo o que o resumo mantém.

Skill que verifica alegações na web aberta, não na memória do modelo. Divide cada alegação em fatos verificáveis, direciona-os a uma hierarquia de fontes primárias por domínio, pesquisa em paralelo ecossistemas nacionais e internacionais, busca páginas primárias, classifica fontes e pesquisa novamente com termos de refutação. Começa pela conclusão, com URL completa e posição da citação em cada afirmação, separando não verificados/indetermináveis dos confirmados. Com chave, três julgamentos podem usar TypeSafe Jev (System One); sem ela, regras determinísticas. O modelo só pode reduzir o nível de confiança.

Um registro de estado pessoal e motor de decisão local-first para dsh: mantém cada byte de entrada exatamente como recebido, com proveniência em nível de linha, argumenta contra suas próprias conclusões gerando refutadores primeiro, aplica a cada fato armazenado seu próprio TTL e informa onde uma decisão não se apoia em nada.

Memória de projeto DSH: cria PROJECT.md, DECISIONS.md e SESSIONS.md no primeiro passo de cada sessão do workspace; relê do disco e só reinjeta se mudar ou se a compactação remover. memory_checkpoint classifica dados; lembrete limitado para trabalho sem registro. memory_read lê log e arquivo; memory_search pesquisa com BM25 sem dependências. Limite 200: excedentes em SESSIONS-archive.md nunca são injetados, mas podem ser lidos, pesquisados e restaurados um a um. Ajustes: filtro workspace/caminho, abas somente leitura, recarga, JSON import/export por workspace, exclusão em duas etapas, editar/remover bloco AGENTS.md e aviso PROJECT.md desatualizado. Indicador de sincronização; cria ao clicar. Sem dependências, vetores, embeddings ou chamadas de modelo.

Estado de trabalho entre sessões explícito para DeepSeek Harness: objetivos, decisões e próximos passos capturados automaticamente a partir de eventos do host ou por meio de uma ferramenta work_state visível para o modelo, inspecionável com /checkpoint.

Pipeline diário automatizado de conteúdo para Insta360 GO 3S: captura remota BLE/WiFi de filmagens de aquário, importação sem fio, avaliação de qualidade ffmpeg com registro de decisões, edição automática (seleção de segmentos, narração TTS, música, legendas) e upload no Bilibili via biliup (dry-run por padrão).

Memória de decisões e objetivos com linhagem: comandos explícitos e uma ferramenta de modelo registram decisões de forma determinística, um cartão de status as reancora ao longo da compactação, um fluxo de eventos sem perdas com recuperação BM25+jieba dá suporte a isso, e uma suíte de regressão de fidelidade em nível de cenário controla os releases.

Chamadas de voz iniciadas pelo agente: `offer_call` faz o humano tocar (接听/拒接/稍后再说); as chamadas aceitas são sintetizadas e reproduzidas localmente com CrispASR + Qwen3-TTS (9 vozes, 2 dialetos chineses), e as rejeitadas devolvem a decisão ao agente.

Memória local limitada com controle de autoridade CBDC: afirmações em SQLite + FTS5, recuperação delimitada com decisões explicáveis de usar/verificar/ignorar e trilha de auditoria completa, comandos /memory, injeção de até 3 afirmações/1200 caracteres por chamada, sem chamada extra ao modelo

Optional JEV decision mode with deterministic project reads, bounded semantic selection, native authorization checks and desktop credential settings.

Model failover and turn keep-alive for DeepSeek Harness: a request that fails with a model error before any visible output falls through the models of the configured provider groups (then the next provider) until one streams; transient failures retry with backoff under a liveness watchdog, a dead turn self-resumes with templated 「继续」 wake-ups, and an optional full-auto mode auto-answers permission, question and plan approvals with every decision appended to an AUTO-MODE.md audit log.

DeepSeek Harness approval guardian: a reviewer model decides permission requests before they reach you, with a System One decision-API backend (TypeSafe Jev, SiliconFlow, self-hosted Laya), a configurable low-confidence policy and an allow-rule whitelist.

Keeps a project's documentation in step with its decisions on DeepSeek Harness: the same append-only decision log and derived design snapshot, kept fresh in-process instead of by a hook process.

TypeSafe Jev (modelo de decisão System One) para o DeepSeek Harness, de ponta a ponta: jev_decision (choice/score/noul, paralelo, respostas tipadas + confiança), um cartão em Settings > Plugins para a API key e chaves de liga/desliga, visualizações inline de ferramenta mostrando cada decisão na conversa (resposta, confiança, latência, custo), um auto-guard (checagens determinísticas + de risco/loop do Jev), um dashboard local /jev e um benchmark de verificação online (96,3% em 27 perguntas rotuladas, mediana ~283 ms no jev-latest, 2026-09-21). Honesto por design: só API real, sem fallback simulado.

Semantic tool routing, skill discovery, and typed System One decisions for DeepSeek Harness powered by TypeSafe Jev.