Plugins

QA de fidelidade de design para modelos somente texto: uma ferramenta `deepseek_vision` empresta um olho de qualquer rota de visão compatível com OpenAI, para que o modelo possa julgar se uma implementação corresponde ao seu mock — fornecida com o benchmark por trás desse julgamento (quatro fixtures, 23 defeitos injetados, transcrições brutas) e a disciplina de questionamento da qual ele depende.

OMK — Observe. Measure. Know. Mudanças de conhecimento respaldadas por evidências para aplicações de IA.

Orçamentos de uso e tetos de custo por plugin na cascata llm/stream: contabilidade de uso por modelo, orçamentos por sessão e mensais com transições de aviso/bloqueio, janelas de latência e uma estimativa de pegada de carbono.

Converse com o Excel no DeepSeek Harness: crie, edite, repare e verifique planilhas por conversa, com verificações automáticas de saúde das fórmulas após cada edição.

Captura automática sem LLM e um índice simbólico \[ENGRAM\] com divulgação progressiva, um protocolo de tarefa/evidência ESR-lite (esr_task / esr_node / esr_close / esr_link) e telemetria de uso por workspace com um benchmark offline de recordação (npm run eval).

Converse com o Excel no DeepSeek Harness: crie, edite, repare e verifique planilhas por meio de conversa, com checagens automáticas de integridade de fórmulas após cada edição.

Ferramentas DSH para reproduzir e validar o benchmark de CPU do protocolo ml-quant-trading v1 e, depois, redigir um relatório pronto para issue. Requer um clone local de initial-d/ml-quant-trading (definido como workspace ou repoPath), além de Python e PyTorch; este plugin não baixa o repositório nem instala suas dependências.

Adiciona contratos de execução persistentes, grafos de trabalho recursivos, clarificação crítica e gates de evidência para tarefas longas ou pouco especificadas do Harness.

Mescla o contexto de outras sessões no turno atual: resolução de conflitos ponderada por evidências, retratação de afirmações cujas premissas foram retratadas, rotulagem de confiança que resiste à injeção de prompts entre sessões, e empacotamento limitado por orçamento. Inclui um benchmark.

Apresenta as referências de capacidade dos modelos CodexRadar numa página de Definições e mostra a pontuação DeepSWE do modelo da sessão selecionada junto ao compositor.

Portão de verificação para agentes DSH: cada critério de aceitação deve ser respaldado por evidência real de ferramentas carimbada pelo servidor antes que o portão de conclusão deixe um objetivo passar (auditoria consultiva, portão de aplicação, permissões duráveis).

Security-audit facts AI coding agents cannot compute, plus a verdict gate: euthyna history attributes deleted lines to commits and flags those from security fixes (--origins finds the first introducer), euthyna coverage reports which changed symbols no test ever invoked, and euthyna gate checks each finding against six gates, downgrading any without evidence to an observation.

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.

Long-form novel writing plugin: each book is a git repository of frontmatter files, with 39 DSH domain tools and a web writing UI. Deep import drafts candidates, AI adoption into canonical assets requires DSH approval, and deterministic continuity checks ship with a report-only benchmark. Independent open source (MIT), not an official DeepSeek product; requires Node >= 24.11.0 and currently targets DSH 0.1.2-rc.1.

Same-origin in mechanism with the two loudest lines in context compression. The code-skeleton gate follows the skeletonization approach of Headroom (Apache-2.0), whose published headline is 20% fewer tokens for coding agents and 60–95% fewer tokens for JSON, same answers. The estimator channel follows TokenPilot (arXiv:2606.17016), which reports up to 60% lower cost for long-session agents. Both figures are theirs, quoted as-is; this plugin ships no benchmark of its own and claims no reduction of its own. What it adds for DeepSeek Harness: choose a compression profile, set the Auto Compact trigger level and toggle code-skeleton compression from one settings section, with exact DeepSeek V4 tokenizer measurement, same-revision count verification, and fail-open behaviour that keeps the original tool results on unsupported models.

One MCP tool instead of every schema you own — a lazy capability broker that cuts resident tool context by a measured 94.4%. Search, inspect, enable and call MCP servers and skills on demand.

Compares existing DSH sessions or runs controlled A/B trials between agent presets, showing aligned timelines, paired metric deltas, explicit success checks, and exportable reports.

Piano performance plugin: ask the agent to play a piece and it renders on a Canvas2D grand piano with real Salamander Grand samples, an immersive stage, and an interactive 88-key keyboard.

Experience validation layer for DSH: zero-token collection of tool-failure/retry/search signals, AI refinement into verified skill books (three-layer verification), looked up at task start. Ships 10 trial skills and benchmark data (complex-task success 100% vs 60% bare).

Run the same prompt through every model you have, and see the difference without squinting.

DSH web plugin: a LiveBench tab in the Trajectory view (right of 对话/轨迹). Run LiveBench evaluations against every model configured in the DeepSeek Harness — pick provider/model, category, task, release and question range from dropdowns, watch progress, and

Control panel for local LLM inference servers in the DSH web view: service registry with health checks and stop controls, named parameter profiles for llama.cpp, SGLang and vLLM with pre-save KV/VRAM validation, GPU detection, and tok/s benchmarks.

Paired experiments and promotion gates for DSH plugins.

Plataforma de avaliação de agentes: benchmarks em YAML, orquestração de execuções headless, métricas baseadas em traces e relatórios de execução