Plugins

Long-term memory for dsh via a local Hindsight service: each turn is retained with local timestamps and relevant memories (time-aware, reranked) are recalled into context before replies; each workspace binds to one memory bank, several workspaces can share a bank, and banks can have Chinese names; what gets retained is configurable (default: user messages and AI replies); history is imported only when you choose to; includes a three-step setup page with one-click local deployment (uv + Python 3.12), a sidebar status card and a panel to browse and search memories. Needs a SiliconFlow API key for the default embedding and reranker models; only Linux is verified so far.

Counts agent steps and, every N of them, adds a progress-report instruction to the batch that is about to be sent, so the agent states what it is doing, what it finished and what comes next, then carries on without stopping for you. Interval, prompt text and a main-agent-only default are editable in its settings page.

Plugin leve de fontes e temas para DSH: seletores de fontes latina, chinesa e de código listam apenas famílias instaladas; 5 paletas oficiais (One Dark Pro, Dracula, Nord, GitHub, Catppuccin) usam tokens oficiais, inclusive as cores de sintaxe dos blocos de código. Não inclui fontes nem exige dependências ou compilação. Requer DSH 0.2.0-rc.2 ou posterior.

Cartão com efeito de vidro que exibe cotas e saldos de vários provedores no rodapé da barra lateral do DSH. Inclui 11 provedores, entre eles StepFun, Xiaomi MiMo e Claude, com login no navegador em um clique, além de crédito Step Plan. Instalável pelo marketplace dsh-plugin (tópico do GitHub "dsh-plugin").

Adiciona uma biblioteca de modelos 3D em sua própria aba de conversa, onde os agentes armazenam modelos criados a partir de scripts CadQuery ou fornecidos como malhas tesseladas; a biblioteca os pré-visualiza com three-cad-viewer, organiza-os em pastas e os exporta para 10 formatos, incluindo STEP, BREP, STL e DXF.

Emparelha o executor em execução com um modelo revisor mais forte por meio de chamadas advisor() sem parâmetros e verificações de patrulha por passo, retornando orientação de plano, correção ou parada.

Estilo de saída Conciso com um clique para DeepSeek Harness: resultados primeiro, sem enchimento, mesma profundidade de trabalho. Cada resposta final abre com um cartão-resumo em linguagem simples (selecione o texto para copiar), escopado por sessão, funcionando também em headless/CLI, com comando /concise, overrides em style.md e uma API local. Links e caminhos de arquivo dentro do cartão-resumo renderizam como chips clicáveis: URLs abrem direto, arquivos locais abrem com o app padrão do SO (v0.9+). Um lembrete de contrato de pré-geração por passo (v0.11.2+) corrige de forma mensurável perdas de resumo em respostas no formato de relatório de auditoria/tabela.

Acompanha o progresso das sessões do DeepSeek Harness sem vasculhar logs: o agente mantém uma lista aninhada e ponderada, da fase à etapa, para que o anel e a porcentagem reflitam o andamento real. Ao passar o cursor, mostra a atividade; a aba Session Progress exibe objetivo, lista com pesos, próximos passos e notas. Ao fim, a lista registra o que foi feito.

Depois que o llm-retry oficial (n/5) desiste, continua tentando novamente falhas transitórias da API (timeout, transporte, limite de taxa, 5xx, SSE interrompido) no mesmo passo aberto até ter sucesso, cancelar ou pausar; AUTH, QUOTA e o Stop do usuário nunca são repetidos.

Retoma um turno do agente que terminou após narrar sua próxima ação sem chamar nenhuma ferramenta: o guard reexecuta o log do turno em agent/turn-stopping, faz uma única pergunta de verdadeiro/falso a um modelo juiz e conduz o mesmo turno a executar mais um passo.

Dobra as linhas de Think e chamadas de ferramenta em uma pílula de resumo flutuante com contagens de falha em vermelho, para uma visualização de chat mais limpa e amigável a redatores.

Grupo separado de comandos de barra no compositor da UI Web: /steer injeta texto na próxima etapa do agente sem interromper a rodada, /new inicia uma sessão em branco, /skill e /docs envolvem /steer com tarefas de habilidade ou documentação pós-rodada, e aliases personalizados de /steer são configuráveis em Configurações.

Executa pipelines AItelier do DSH sobre MCP: 39 ferramentas (22 de leitura, 17 de escrita) para gerar, executar, inspecionar, editar, exportar e importar pipelines SkillFlow multi-etapa. As etapas executam no AItelier em vez da sessão DSH e são consultadas por run_id, pausam em checkpoints impostos pelo motor respondidos com answer_checkpoint, e deixam rastros por etapa e saídas de etapa para ler depois; add_provider / map_model / edit_role apontam um papel individual para um endpoint local ou mais barato. Agrupa uma habilidade aitelier-pipelines.

Pesquise a biblioteca curada de projetos de IA do GitHub do AIGC Radar (admissão de 500 estrelas, tags bilíngues zh/en, snapshots de crescimento de estrelas) sobre seu endpoint MCP com cartões de resultado nativos; um listener de agente/pré-etapa sugere proativamente uma verificação de reutilização antes que o agente escreva código.

Exibição de saldo de conta de vários fornecedores para a GUI web DeepSeek Harness. Consulta APIs de cobrança reais (DeepSeek, StepFun, Kimi Coding, OpenRouter, MiniMax, xAI) e mostra saldo/cota diante do seletor de modelo. Fornecedores sem um endpoint de cobrança em nível de API recorrem a uma exibição de deslocamento manual.

Análise de execução de sessões: etapas, chamadas de ferramentas, falhas, ações repetidas, uso de tokens e sinais de verificação, apresentados como relatórios em texto/Markdown/JSON.

Layered long-term memory for DeepSeek Harness: each turn injects a persona frame plus a relevance-ranked memory index while full transcripts stay on disk and are expanded on demand, so the vault never floods the context window. Facts are slot-keyed, so a changed mind retires the old value instead of recalling two contradictory answers. The persona frame is derived from memory by the model itself, behind three anti-pollution gates (rejecting development chatter, blocking echoes of its own injection, and merging restatements by shared content words). Periodic consolidation merges near-duplicates, rolls long topics into digests, and archives low-value old entries by tagging only — raw text is never deleted. The append-only store is compacted in place (measured 4.7 MB to 355 KB). Zero third-party dependencies, no build step. Note: per-turn injection inevitably lowers prompt-cache hit rates, so this plugin is not recommended for work scenarios.

Separate font slots for content, code and terminal text, plus an interface font, an interface-size stepper and an inline-code size stepper, with line-height and letter-spacing controls. Typography only — it never touches colour.

Diagnoses third-party LLM API endpoints from the sidebar: a four-layer check (DNS/TCP/TLS, key and model, a real streaming conversation, then timed repeat runs) reporting time-to-first-token, output speed and success rate, with every failure attributed to the step it stalled at and the byte count that actually left the machine. 37 provider presets, no model names hardcoded.

Arquivo de anúncios compartilhado por várias sessões de agentes na mesma máquina. É texto simples e os agentes apenas acrescentam conteúdo. Antes de cada step, a sessão recebe entradas ainda não vistas; uma nova sessão recebe as que continuam válidas e as entradas são reenviadas após compactação do contexto.

Executa uma passagem determinística de roteamento de skills para cada instrução do usuário, consultando o catálogo antes da resposta do modelo. No host, pontua o catálogo ativo com palavras-chave da instrução e metadados, sem chamada a LLM ou embeddings. Acrescenta uma única mensagem marcada pelo produtor ao step: lista ordenada por padrão, conteúdo do SKILL.md vencedor ao superar o limite ou instrução para chamar exatamente uma vez um router skill nomeado. O plugin não intervém em instruções sem relação.

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.

Memory-assembly team for DeepSeek Harness: every message triggers a five-step cognition loop (judge, retrieve, assemble, feedback, calibrate) carried by role-playing subagents (judge, retriever, archivist, advocate, editor, scribe), using BM25 retrieval, time-ordered material, and LLM assembly to build useful material packs injected into linghun. Works with dsh-linghun.