Plugins

Rankings e recomendações transparentes para o ecossistema de plugins do DSH: dados de topic obtidos automaticamente todos os dias, um modelo de pontuação aberto e ferramentas de ranking/busca/recomendação com um leaderboard na página de configurações.

Melhora a experiência com modelos: várias formas de preencher parâmetros, compatibilidade aprimorada, memória do esforço de raciocínio, subagentes que acompanham em tempo real o modelo e esforço do pai e ajuste automático do esforço pela IA.

Modo TUI de terceiros para DeepSeek Harness (dsh --profile pi-tui), construído sobre um fork pi-tui em vendoring: cobre o loop principal de sessão além de aprovações, comandos, troca de sessão e busca de texto completo, bem como predefinições, habilidades, menus de modelo/configurações e comandos de barra.

Apresenta o DSH Web como uma interface voxel estilo Minecraft em primeira pessoa jogável e tela cheia — não apenas um skin de cores: usuários caminham por um mundo persistente de blocos em Three.js e acessam workspaces, sessões, conversas, ferramentas, seleção de modelo, permissões, informações de contexto e o composer por meio de instalações no mundo e uma bancada.

Reprodutor de música, audiolivro, rádio e notícias para o DeepSeek Harness: transmite sua pasta local de música via HTTP, lê romances locais .txt/.epub em voz alta com vozes de IA, reproduz música online QQ/Kugou/Netease e rádio da internet (HLS suportado) e transmite resumos diários de notícias — tudo controlado pela UI ou dizendo ao agente por meio da ferramenta de modelo music_play.

Memória de longo prazo para DSH: conversas destiladas automaticamente em fatos atômicos, resumos de cena e um perfil de persona, com memórias relevantes injetadas antes de cada etapa do modelo. Zero configuração, pronto para uso — recuperação híbrida BM25 + vetorial, embeddings locais offline opcionais, separação de famílias chat/trabalho.

Dá visão a modelos somente de texto: encaminha as imagens do usuário para um modelo de visão compatível com OpenAI e exibe as descrições em um painel direito da interface web.

Combine um segundo modelo que revisa passivamente cada turno e injeta anotações.

Conecta contas OAuth do Google Antigravity ao DeepSeek Harness, alterna de forma inteligente as cotas entre várias contas e oferece roteamento LLM multimodelo e geração de imagens com Nano Banana 2.

Idiomas de trabalho por modelo: regras regex ordenadas associam IDs de modelo a códigos BCP 47; antes do envio, o DeepSeek Flash traduz o prompt para o idioma do modelo e, após cada turno, traduz a resposta de volta. Permite exibir separadamente, na própria conversa, a resposta original e o texto realmente enviado, acrescenta ao prompt do sistema uma regra para manter o idioma de trabalho e avisa abaixo da mensagem quando a tradução falha. Se os idiomas coincidirem, não há tradução nem custo.

Remove loops de raciocínio degenerados do histórico visível ao modelo para que não sejam reproduzidos no próximo turno. Detecta dois padrões — uma frase repetida sem parar e rotação de frases curtas — e substitui o trecho correspondente no lugar; uma válvula de escape adicional aborta o turno que não para sozinho.

A compactação automática primeiro grava uma nota de transição: quando a sessão se aproxima do limite de tokens, pede ao modelo um checkpoint do projeto no workspace e, opcionalmente, inicia uma nova sessão com instrução para continuar e estaciona a antiga. A nota deve ser escrita no ciclo de compactação atual e a seção conclusions precisa mudar de fato, impedindo que passe um arquivo obsoleto ou apenas tocado.

Substitui o botão de modelo do compositor DSH por um painel de dois níveis (provedores e lista de modelos pesquisável), com slider contínuo e arrastável de esforço de raciocínio: preenchimento azul-violeta, nebulosas e estrelas nos níveis altos e cor distinta por nível. Escolher modelo mantém o painel aberto e move o slider ao nível intermediário dele. Partiu de Microqian2th/dsh-codex-effort-slider 1.0.0 (crédito no README); painel, tomada do slot, suíte de testes offline e documentação são novos.

Transforma um requisito de uma linha em entrega verificada. O TeamFlow executa triagem, PRD, design, plano técnico, desenvolvimento paralelo, QA com correção de defeitos e aceite. Inclui 12 ferramentas `teamflow_*` e uma bancada com gráfico de pipeline ao vivo e kanban de backlog. Cada requisito recebe uma pasta com PRD, design, plano técnico, relatório de QA e registro de aceite.

RAG de base de conhecimento de literatura local: 10 ferramentas (kb_ingest, kb_search, kb_rag, kb_zotero, kb_dedup, kb_clear, kb_fetch, kb_scope, kb_stats, kb_status), busca híbrida BM25+vetorial+reranker, QA com citações e links DOI clicáveis, embeddings bge totalmente locais sobre um índice SQLite de arquivo único. Requer Python 3.9+ com pymupdf, faiss-cpu e sentence-transformers; o instalador `npx dsh-kb-rag-install` configura tudo isso e pré-baixa o modelo.

Combine seus modelos e orçamentos de tokens com cada função, então deixe o DSH delegar subagentes especializados por tipo de tarefa. Cobre análise de arquitetura, UI/UX, implementação de código, exploração da base de código e pesquisa de documentação, com configuração automática mais esforço de raciocínio e permissões de ferramentas por função.

Plugin de anúncios por voz sem dependências, orientado a eventos: sem modelo extra, sem custo de tokens. Fala com a voz natural integrada do sistema, suportando Windows e macOS; anúncios de resposta final, alertas de aprovação e perguntas, anúncios opcionais de eventos (fim de turno, comando concluído, mudança de objetivo, erros de ferramentas, atualizações de tarefas), respostas finais reproduzíveis e uma página de configurações visual bilíngue.

Chip de custo do compositor: calcula o gasto da API DeepSeek da sessão atual mensagem a mensagem com a tabela de preços oficial (incl. a política de pico/fora de pico de 2026-08-17); passe o cursor para ver o detalhamento, o total de hoje (DSH) e o saldo da conta. Apenas modelos DeepSeek.

Fuzzing direcionado por agente LLM. A partir de um repositório e bug (descrição CVE, patch, trace de crash ou file:line), executa PLAN, IMPLEMENT, EXECUTE e REFLECT; o modelo escreve geradores Python de entradas até acionar o oráculo de padrão stderr da campanha ou ela parar.

Núcleo de órgãos do Agent-Body: plugins organizados como um único corpo. Cada comando vira um impulso nervoso que inerva de forma determinística o órgão competente e nomeia a capacidade a usar; um batimento de intervalo variável bombeia diretivas do operador, propriocepção e avisos de homeostase pelo sistema; arcos reflexos disparam sem chamada ao modelo; falhas seguem atribuição determinística (ferramenta, argumentos, permissão, timeout, rede), prescrição e laço de reverificação, e erros de argumento nunca são repetidos. Um órgão ausente é compensado pelo de maior sobreposição de capacidades, e os esquemas de ferramentas são filtrados pela intenção atual (redução medida de 84,7%, reproduzível no repositório). É o pacote de plugins do núcleo no repositório agent-body.

O órgão de memória do Agent-Body: após 2 minutos de silêncio entra em sono leve e após 5 em sono profundo, onde regras determinísticas destilam a experiência real em cartões de memória (armadilhas, playbooks, pontos quentes, problemas não resolvidos, fatos). Comandos recebidos recuperam cartões relacionados por palavra-chave e os injetam no contexto; cartões sem uso decaem numa meia-vida e são arquivados em vez de excluídos. Também remove o ruído dos avisos de homeostase de todo o corpo: repetições dentro de uma janela são contadas em vez de reimpressas, e um aviso que se repete sem nunca sarar converge para um desvio de estado estacionário conhecido e silencia. A consolidação e a recordação não fazem chamadas ao modelo.

Guarda de codificação de arquivos: leitura/escrita/edição byte a byte exatas para arquivos GBK, Big5, Shift-JIS, EUC-KR, Windows-125x, UTF-16 e UTF-32, de modo que editar um arquivo legado o deixe em sua codificação original em vez de reescrevê-lo silenciosamente como UTF-8; o BOM UTF-8 é preservado exatamente como estava, as terminações de linha (CRLF/LF/CR) são mantidas, os caracteres que a codificação não pode representar são recusados em vez de gravados como "?", e os arquivos não UTF-8 são listados com codificações candidatas para que o modelo possa relê-los explicitamente.

Confiabilidade de tarefas: nova tentativa automática em timeouts/falhas do modelo, continuação automática de tarefas inacabadas, verificação de conclusão, interrupção de repetições de pensamento, retomada após suspensão ou reinício, modo piloto automático e endpoint de acionamento remoto (npm: `dsh-task-reliability`).

Cobrança de cache por chamada no popover do medidor de contexto: totais da etapa, rodada e sessão atuais com tokens e valores de acerto / erro / saída, preços automáticos de pico e fora de pico no horário comercial de Pequim, tarifas por modelo e cobrança também de relays de terceiros.