Plugins

Memória de grafo local em pré-visualização técnica para DSH e Codex: recorda evidências globais do proprietário e do projeto atual antes de cada turno, escreve registros de USER e ASSISTANT separadamente e preserva a proveniência de projeto, sessão, ator e fonte para um atlas visual e páginas de conhecimento citadas.

Exporta eventos somente de metadados de turno, modelo, ferramenta, aprovação, nova tentativa e erro do DSH para o Tuning Engines, para rastros governados, avaliação de políticas, análise de custos e revisão de Work Session, com uma fila de novas tentativas apoiada em disco.

Memória de grafo local em pré-visualização técnica para DSH e Codex: recupera evidências globais do proprietário e do projeto atual antes de cada turno, grava registros de USER e ASSISTANT separadamente, e preserva a proveniência de projeto, sessão, ator e fonte para um atlas visual e páginas de conhecimento citadas.

Plugin de memória Honcho da Plastic Labs: injeta o perfil do usuário, resumo da sessão e conclusões relevantes no início da sessão, envia cada turno ao Honcho em segundo plano com segredos redigidos, e adiciona ferramentas honcho_search / honcho_chat / honcho_remember além do comando de status /honcho; configurado pelo ~/.honcho/config.json compartilhado com as outras integrações Honcho, contra o honcho.dev hospedado ou uma instância auto-hospedada.

Plugin proativo de agendamento multi-modelo: ingestão de sinais multi-fonte com dedup e classificação de urgência, um motor de decisão de quatro vias executar/adiar/dispensar/perguntar ao usuário, geração de plano DAG com execução paralela de modelos, reflexão de qualidade com retry automático e troca de modelo, memória de longo prazo para padrões de tarefa e lições, e evolução de estratégia via algoritmos genéticos com avaliação em sandbox e rollout canário.

Conclui tarefas de 头歌 (EduCoder) pela API JSON da plataforma, sem automação do navegador. `educoder_sweep` percorre os cursos e ignora tarefas concluídas sem ler seus desafios; portanto, uma varredura de toda a conta não consome tokens do modelo. Questões de múltipla escolha também não consomem tokens, pois a plataforma retorna o gabarito em qualquer resposta de envio. O modelo gera o código, enviado com `evaluate:0` e avaliado uma vez por desafio; novas tentativas usam o relatório de erro retornado. Ferramentas: `educoder_sweep`, `educoder_homework`, `educoder_account`.

Chat lateral nativo ao lado da conversa principal: uma sessão DSH independente e arquivada, com UI nativa completa, recuperação do contexto do pai sob demanda, citação de seleções e um ciclo de vida de manter ou excluir.

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.

Memória e reflexão para agentes DSH: extrai lições candidatas automaticamente após tarefas e recupera lições revisadas pelo usuário em tarefas futuras relevantes. Inclui proveniência das fontes, busca por projeto, tratamento de conflitos, feedback de uso e revisão de expiração. Captura e recuperação têm controles separados; gravar em AGENTS.md exige pré-visualização e aplicação explícita.

Sistema persistente de memória em cinco camadas com injeção de relevância, extração automática por LLM, rotação de perfil e seis ferramentas de agente.

Drives a locally installed Moli headless browser from DeepSeek Harness with two tools: rendered fetch, JavaScript evaluation, Markdown, semantic trees, screenshots and PDFs. Installs Moli when it is missing; verified on Windows and Linux.

Combina o esqueleto de código do Headroom (Apache-2.0) ao estimador do TokenPilot (arXiv:2606.17016). Números publicados: Headroom relata 20% menos tokens para agentes de código e 60–95% para JSON com as mesmas respostas; TokenPilot relata até 60% menos custo em sessões longas. São dados desses projetos, não medições nem benchmarks deste plugin. No DSH, configure perfil, limite do Auto Compact e compressão por esqueleto. Mede com tokenizer exato do DeepSeek V4 e confere a mesma revisão; em modelos incompatíveis, fail-open mantém resultados originais das ferramentas. Comprime por esqueleto durante o turno e resume a intenção no final, dentro da compressão JSONL oficial.

Conecta um servidor MCP MATLAB local ao DSH para avaliar código MATLAB, executar scripts e testes .m e consultar toolboxes instalados via mcp__matlab__*. Requer MATLAB, o binário MathWorks MATLAB MCP Server e edição de um caminho após instalar. O plugin sozinho não registra ferramentas.

Arquivo de leitura para o dsh: após ler código aberto, capture notas rápidas ou escreva notas profundas que se agrupam em um cartão por repositório / arquivo / símbolo, armazenadas como um log somente de acréscimo de notas Markdown que você pode abrir no Obsidian; consulte seu histórico, navegue pelas leituras recentes ou pesquise no seu próprio cofre do Obsidian e vincule notas relacionadas a um registro de leitura. Nove ferramentas, um comando /codevault e uma skill de leitura de código.

Executa 3 ou 5 candidatos de coding agent em worktrees Git desanexados, valida seus patches com comandos do projeto, classifica apenas os candidatos aprovados e exige aprovação separada antes de aplicar o vencedor.

Motor de equipamiento de plugins orientado a tarefas: recuperação dupla (regras curadas + semântica LLM), pontuação combinada (sinergia/conflito/custo/confiança), detecção de conflitos e exportação de comandos de instalação.

Sistema de base de conhecimento estilo Cherry Studio para DeepSeek Harness (DSH): bases, documentos, fragmentação, embeddings (compatível com OpenAI / Ollama / local / fallback lexical), recuperação, ferramentas voltadas para modelos e um painel de gestão no navegador.

Runtime de visão auditável e Computer Use multiplataforma para DeepSeek Harness com evidência que preserva a fonte.

Consultor de avaliação e melhoria de PR: avalia a probabilidade de sucesso de PR com base em antipadrões históricos e padrões de sucesso, com pontuação num clique e sugestões acionáveis.

Agendamento proativo: um heartbeat adaptativo e uma value network (urgência, relevância, custo de interrupção) decidem quando o agente deve falar sem ser solicitado.

Controla o navegador real do usuário através do daemon Kimi WebBridge local: ferramentas de navegação, busca de abas, snapshot, clique, preenchimento, avaliação, CDP, captura de tela, rede, upload, exportação em PDF e gerenciamento de abas que reutilizam sessões de login existentes.

Recall de histórico de conversas para DSH: recuperação em três camadas (literal/difusa/semântica) sobre o texto original de cada sessão passada, totalmente local e offline — a IA nunca esquece o que você disse a ela. Instalação em um comando via `dsh.bundle.patch`, a camada semântica roda em uma thread de worker.

RAG de grafo de conhecimento duplo para notas Markdown com decaimento de memória half-life: grafos de pré-requisitos + similaridade (travessia P/S-Agent), fragmentação por parágrafos, busca híbrida n-gram/embedding e loop explícito de feedback de pesos — plugin nativo Cordis, instalável via npm como @eqman00003/knowlp-rag.

Uma aba do dsh-better-sidebar que analisa estaticamente arquivos Qoder Canvas *.canvas.tsx e os exibe como páginas estruturadas na barra direita do DSH. O código nunca é executado: sem eval, bundler ou iframe sandbox. Também substitui o visualizador .tsx e inclui um Skill para criar o formato.