Plugins

Memória em camadas para DSH com 10 ferramentas de agente: gravações privilegiadas (memory_add, memory_delete, memory_import), controles de ruminação (memory_ruminate e comandos relacionados) e grafo de memória. Um pipeline L0-L3 recupera e insere memórias relevantes antes de cada etapa do modelo.

Equipe Multi-Agent por funções para DeepSeek Harness: produto, arquitetura, frontend, backend, revisão e QA trabalham em nove fases com controles; equipe persistente disponível. Sem dependências runtime ou build.

Faz login no Huawei Cloud CodeArts e registra CodeBuddy, WorkBuddy, LobsterAI, Qoder (global e China), TRAE, Cline, Loomy, Raccoon Work, MiniMax Code, TeleAgent, ZCode, Step Code e Antigravity como provedores LLM, com pools de contas por provedor. Alguns também exibem saldo de cota e check-in diário no mesmo painel.

Plugin do DeepSeek Harness que transforma julgamentos Jev em três ações automáticas — podar saídas de ferramentas grandes demais para os segmentos relevantes à requisição, triar páginas obtidas em busca de instruções dirigidas ao modelo e escolher qual skill se encaixa no próximo passo — além das ferramentas jev_ask e jev_gate, um registro de julgamentos que sobrevive a reinicializações e um relatório /jev-status. Requer uma chave de API TypeSafe; sem ela, fica inerte e não envia nada.

Uma barra de dobrar melhor: dobra automaticamente chamadas de ferramentas e segmentos Think em barras de dobrar de etapas, e colapsa cada turno concluído em um único cabeçalho de turno com métricas ao vivo (duração, TTFT, token, tok/s, acerto de cache) — apenas o resumo final fica visível; ícones iniciais personalizáveis com cartas de baralho animadas integradas (animação de cartas com naipes em ciclo durante a execução, um baralho quando colapsado, um leque quando expandido), uma linha de configurações para o modo de dobrar oficial, compatível com versões novas e antigas do DSH. Zero intrusão no código-fonte do DSH.

Reproduz sessões em uma linha do tempo reproduzível com uso de tokens por etapa, audita operações sensíveis, estima custos, visualiza linhagem de forks, compara sessões e exporta replays HTML autônomos.

Documentos do projeto e memória de longo prazo como Markdown simples em um cofre Obsidian dedicado: seis ferramentas mem_* (search, read, write, log, brief, admin), uma injeção orçada de recordação no primeiro passo de uma sessão e destilação automática de turnos concluídos. O Obsidian não precisa estar em execução, e o cofre permanece legível com o plugin desinstalado.

Gateway de autenticação da Web UI do DeepSeek Harness: protege páginas, /api, /plugins e WebSocket. PBKDF2/salt por usuário, cookies HttpOnly SameSite, bloqueio IP, convites, TOTP/passkeys (WebAuthn) e step-up antes de alterar fatores. Usuários gerenciam perfil/fatores; admins gerenciam contas, convites e senhas. Configurações privadas de modelo/API por usuário são criptografadas com chave derivada da senha e ilegíveis para admins. Compartilhamento por admins: usuário pode usar, vê saldo, não vê a chave; revogação imediata. Sem configuração, usuário bloqueado e sem fallback. REST/listas e WS isolados por usuário; sessões persistem após reinício, auditoria JSONL, fail-closed. Requer DSH 0.2.0 (transporte 0.1.1-rc.2 removido em 0.7.0). Passkeys: HTTPS/localhost.

Skill de revisão de código orientada por modelos: fluxo de revisão em cinco etapas, classificação por severidade (crítica/média/menor), pontuação quadridimensional (qualidade, segurança, desempenho, manutenibilidade), saída dupla em texto e HTML e base de conhecimento de referência sob demanda.

Modo de aprendizado que explica cada passo do agente (em desenvolvimento).

Envolve o trabalho em tarefas nomeadas e, quando uma tarefa fecha, dobra todo o seu intervalo de mensagens num único resumo no próximo limite de passo; o conteúdo original pode ser restaurado a pedido.

Sincronização multi-máquina: mantém várias réplicas do dsh consistentes por meio de um único repositório privado no GitCode — skill, sessões, configurações e manifestos de plugins, cada um com um interruptor independente; as mudanças passam por branch, PR e merge, as adições presentes apenas no remoto são recuperadas antes de cada push para que nada seja excluído, e uma etapa de alinhamento inteligente por IA mescla semanticamente os arquivos alterados por ambos os lados (além da resolução de conflitos em um clique); repositórios privados são obrigatórios e o pull nunca sobrescreve edições locais.

Move sessões entre workspaces por arrastar e soltar com verdadeira migração no local; recupera sessões órfãs ou não registradas; reaponta workspaces obsoletos após renomeação de pastas. IDs e histórico permanecem intactos, com backup e rollback por etapa.

Motor de persona para o DeepSeek Harness: um config.json governa o nome próprio da IA (por modelo e nível), como ela te chama, sua postura relacional, o texto de caráter, contratos por item com interruptores, o idioma da cadeia de pensamento e o tom das respostas (opt-in, por modelo), além de memória de longo prazo condicionada à confirmação humana: a IA só anexa candidatos, uma linha de confirmação os ativa, e o log é somente de acréscimo e reexecutável. Entradas confirmadas entram como bloco citado de dados, não de instruções; as marcadas com um kind vão para arquivos arbitrários e nunca chegam ao prompt. As seções do prompt são relidas do disco a cada montagem, então edições aplicam sem reiniciar. Presets: instantâneos JSON compartilháveis. Zero dependências, sem rede, sem shell.

Fluxo de trabalho no estilo Trellis para DeepSeek Harness: breadcrumbs de fase por turno via agent/pre-step, provedor de skills empacotado e estado de tarefa/fase nativo do DSH com guardrails de limpeza do git.

Estatísticas de tokens ao vivo sob o compositor DSH Web: tokens/s em streaming, latência de token de saída e primeiro byte, mais reconciliação por etapa estimado vs. real com o tokenizador BPE oficial, para diferenciar um fluxo lento de um travado.

Persona e diário entre sessões para DeepSeek Harness. Um filtro local escolhe os turnos a lembrar; uma chamada adicional ao modelo cria um diário em primeira pessoa e uma impressão do usuário, cada um ligado ao momento específico. Conversas futuras recebem cerca de 2000 tokens de memória própria em três camadas: núcleo da persona, julgamentos escritos pelo modelo e diário. Uma ferramenta permite ao modelo registrar julgamentos com suas palavras. O plugin só lê o Markdown escrito pela pessoa. Pela barra lateral, é possível ler, esquecer ou exportar o arquivo; esquecer reduz a prioridade sem excluir, e uma forte correspondência temática pode recuperá-lo. Pasta local comum, editável e portátil. Segredos são removidos antes do envio. Sem dependências de runtime ou etapa de build.

Kit de estilo css-in-js (styled / Token / Styling) para a UI de conversa bifurcada: consome os tokens de design oficiais --dsw-*, então nenhuma etapa de pré-compilação de CSS Modules é necessária.

Base de conhecimento da equipe para compartilhamento de conhecimento offline (cenário FDE box): pontos de entrada de navegação, pesquisa em texto completo e refinamento; a matéria-prima é enfileirada automaticamente e destilada em páginas wiki por uma sessão de bot serial (padrão Karpathy LLM Wiki: matéria-prima imutável, refinamento em duas etapas, fluxo de logs, lint mensal).

Memória de experiências e reflexão para agentes DSH: extrai lições candidatas após tarefas e recupera em tarefas futuras relevantes apenas as lições revisadas pelo usuário. Inclui procedência da fonte, busca por projeto, tratamento de conflitos, feedback de uso e revisão de expiração. Captura e recuperação têm controles separados; escrever em AGENTS.md exige prévia e aplicação explícita. Guia inicial de 4 etapas nas configurações.

Memória local completa: arquivos JSONL por escopo (session, project, global ou nome personalizado) com deduplicação por escopo; cinco ferramentas de modelo (memory_save, memory_search, memory_list, memory_get, memory_forget), recuperação automática, regras rígidas injetadas no pre-step do agente e painel de configurações. A busca combina IDF lexical com um backend local de embeddings, instalável e gerenciável pelo painel.

kimi-tide (月汐) é um roteador de modelos por predefinições e regras para DeepSeek Harness. Predefinições nomeadas e regras ordenadas de imagens e grupos de palavras-chave direcionam cada etapa do agente a qualquer provider/model conectado (candidatos de todo o catálogo do host, sem lista de permissões).

Compactação de contexto autônoma pelo modelo para DeepSeek Harness. mind_map examina o contexto do agente (seq IDs estáveis, papéis, pesos de tokens, limites de limpeza e guia clear-mind); clear_mind substitui um trecho escolhido do histórico por um checkpoint escrito pelo modelo via transação nativa de compactação. Pares de chamada/resultado viram tombstones de uma linha; um lembrete avisa sobre contexto longo ou turnos com etapas demais.

model router por etapa: predefinições nomeadas com regras ordenadas de grupos de imagem/palavras-chave que encaminham cada etapa do agente através de cada fornecedor e modelo montado, adicionando fluxos de colaboração para transcrição de imagens, um protetor de imagem, um painel de quotas multi-plano e observabilidade de decisões por etapa.