Plugins

Conecta o DeepSeek Harness à base de conhecimento pessoal local-first e autoevolutiva do ReMe: captura automaticamente conversas concluídas do agente principal como memória Markdown do próprio usuário, pesquisa conversas e material de origem via reme_search com BM25, embeddings opcionais e expansão de wikilinks, e agenda consolidação diária de memória.

Conecta o DeepSeek Harness à base de conhecimento pessoal local-primário e autoevolutiva do ReMe: captura automaticamente as conversas concluídas do agente principal como memória Markdown pertencente ao usuário, pesquisa conversas e material fonte através do reme_search com BM25, embeddings opcionais e expansão de wikilinks, e agenda a consolidação diária da memória.

Lê os arquivos de sessão que trinta e três outros agentes de código nesta máquina já escreveram — Claude Code, Codex, Cursor, VS Code Copilot Chat, opencode, OpenClaw, Hermes, Kimi, Cline, Zed e outros — incluindo sessões anteriores à sua instalação: seis ferramentas (deja_recall, deja_session, deja_blame, deja_fix, deja_how, deja_remember), um comando /deja e recall automático opcional adicionado ao contexto de execução. Índice BM25 local, sem LLM, sem embeddings, sem rede (dsh plugin --profile web add dsh-deja).

Traz o histórico de sessão de dezanove outros agentes de codificação para o DeepSeek Harness: recuperação, resumo de sessão e ferramentas de histórico por ficheiro sobre um índice local, mais recuperação automática opcional antes de cada passo.

Memória de recuperação de falhas: pesquisa e registra lições de recuperação de falhas extraídas de sessões reais de engenharia, com recuperação BM25 + RAG semântico e uma base de conhecimento de lições.

Memória de projeto apenas local, sem dependências de runtime empacotadas nem serviços externos: JSON como fonte da verdade mais um PROJECT_MEMORY.md gerado, Hot Memory limitada por tokens e congelada por sessão para estabilidade do cache de prefixos de prompt, recall BM25 entre projetos em cache, proveniência confiável de sessão/turno, governança explicável de duplicatas/conflitos antes da gravação, ciclo de vida editável de importância/pin/tags/substituição/arquivo, destilação configurável no fim do turno de nível superior e uma GUI web bilíngue para busca, inspeção, diagnóstico e configurações ao vivo.

Um plugin do DeepSeek Harness (dsh) — transforma o dsh web em um front-end de roleplay no estilo SillyTavern: character cards, presets de prompt, lorebooks, personas, memória de longo prazo BM25, deltas de estado de mundo e operações de floor reversíveis, tudo no runtime do agente dsh.

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.

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.

RAG de base de conhecimento de literatura local para o DSH: recuperação híbrida BM25 + vetorial em um índice SQLite, reranqueamento com cross-encoder, respostas citadas com proveniência em nível de seção e página, atualização somente de metadados e ingestão em segundo plano com acompanhamento de progresso.

Memória entre sessões com lembrança determinística de zero token (bigram-Jaccard fundido com FTS5 BM25 via RRF, tokenização ciente do chinês), reforço que fortalece observações repetidas, e procedimentos cristalizados em arquivos SKILL.md refinados no lugar por um ciclo active-stale-archived com archive e rollback reversíveis. Ingest e disposal expõem um nível de autonomia escolhido pelo usuário; conflitos e gravações de alta importância sempre vão para revisão humana, e nada é autoapagado. Requer Node 22.5+.

Memória persistente local-first para DeepSeek Harness: injeção de hot-memory pré-etapa limitada, recall a frio BM25 exato e de bigramas chineses, seis ferramentas de agente, escritas lease-lock com gate de aprovação e recibos de recuperação, e governança somente leitura e candidatos de revisão de trajetória.

Base de conhecimento de uso geral para DSH: importação de md/txt/json/yml/docx/pdf, gerenciamento de pastas, busca de texto completo FTS5 (BM25) e uma interface web de administração.

Ferramentas nativas para um cofre wiki do Obsidian: wiki_query, wiki_write, wiki_rename, wiki_scaffold, wiki_archive e wiki_lint cobrem busca BM25 com contexto de grafo de links, escritas de registro com rastreamento de fontes por sha256, renomeações em todo o cofre, scaffolds de modos, arquivamento de fontes e verificações de integridade — com bloqueios entre processos e git auto-commit opcional.

Memória em texto simples entre sessões: recall por palavras-chave BM25 deterministic (sem embeddings), ferramentas memory_save/list/search/confirm/forget atrás de um portão human-confirm, e armazenamentos JSON globais e de projeto que seguem seu repo git.

Plugin DSH Web somente leitura para inspecionar e pesquisar coleções Milvus ou Zilliz Cloud a partir do chat, incluindo consultas scalar, BM25, dense e hybrid.

Ponte universal do Model Context Protocol (MCP) para o DeepSeek Harness: conecta agentes a servidores MCP stdio/sse/websocket com um motor de escala dormente de 10k, busca de ferramentas BM25 em submilissegundos, orçamento dinâmico de tokens e um dashboard de UI web em tempo real.

Gerenciador de base de conhecimento local para agentes DSH: importação multiformato, fragmentação com suporte a CJK, busca híbrida vetorial sqlite-vec + BM25 com rerank bge-reranker-base, snapshots, exportação/importação kbpack e busca entre KBs — 22 ferramentas de agente e um painel web.

Pesquisa semântica local de código para o DeepSeek Harness: indexação ao nível de fragmentos ciente de símbolos, embeddings lexicais offline ou um endpoint compatível com OpenAI, e recuperação híbrida de vetores + BM25 fundida com RRF — três ferramentas dsh mais um CLI sema.

Memória de decisões e objetivos com linhagem: comandos explícitos e uma ferramenta de modelo registram decisões de forma determinística, um cartão de status as reancora ao longo da compactação, um fluxo de eventos sem perdas com recuperação BM25+jieba dá suporte a isso, e uma suíte de regressão de fidelidade em nível de cenário controla os releases.

Recuperação de memória baseada em palavras-chave com BM25

Local SQLite long-term memory with CJK-aware search, BM25 and character n-gram cosine reranking, deduplication, and lifecycle management.

Per-project memory for DeepSeek Harness. Three Markdown files per workspace — PROJECT.md, DECISIONS.md and SESSIONS.md — are auto-created on the first step of any session in that workspace, re-read from disk and re-injected only when they change (and re-injected if compaction dropped them), and written back by classification through a memory_checkpoint tool, with a bounded end-of-turn nudge when a turn did work but recorded nothing. memory_read and memory_search read the live log and the archive, the latter over a zero-dependency BM25 index. The session log is capped at 200 entries with the overflow moved to SESSIONS-archive.md — never injected, but visible, readable and searchable, and restorable one entry at a time. Settings page: a workspace list with a path filter, read-only tabs for the three memory files plus the archive, reload, export/import of one workspace's memory as a JSON bundle, a two-step clear, a panel that rewrites or removes the AGENTS.md instruction block, and a PROJECT.md staleness reminder. A composer status chip shows that workspace's sync state and creates the files on click. Zero dependencies — no vector store, no embeddings, and no model calls.

Local semantic index over workspace documents (MD/PDF/DOCX/TXT): FTS5 BM25 + local embedding hybrid retrieval, hit citations with line numbers, and incremental updates.