Plugins

Integra o TypeSafe Jev ao DeepSeek Harness para selecionar skills e arquivos, supervisionar tarefas, corrigir descobertas compartilhadas, filtrar saídas de ferramentas, auxiliar aprovações e navegar por etapas registradas. Todos os recursos vêm desativados por padrão.

Memória causal para dsh: uma ponte MCP stdio sem dependências que monta as 17 ferramentas do servidor causal-memory com nomes simples (sem prefixo mcp__) — arestas decisão → resultado com relações tipadas (caused / enabled / prevented) numa loja SQLite local que sobrevive à compactação — mais uma secção de prompt de sistema fixada. Requer o binário do servidor causal-memory no PATH (pip install causal-memory ou uma versão pré-compilada).

Conselho multimodelo para o DeepSeek Harness: respostas independentes, revisões anônimas entre pares e uma decisão final inspecionável.

Painel lateral direito que transforma a coleção de skills Matt Pocock em um quadro de missões DSH: mapas de decisão wayfinder, ações de triagem/correção/discussão/execução por issue, sonda de 9 skills principais + radar de 20 skills, verificações de ambiente e transferência com um clique entre sessões.

Classifica chamadas de ferramenta pendentes com o Jev (modelo de decisão não generativo da TypeSafe AI) em tools/pre-execute — chamadas de alto risco com alta confiança são negadas e as ambíguas escaladas para aprovação — e aprova automaticamente chamadas reversíveis claramente concedidas em approval/request, com gating de evidência de argumentos. Também cria subclasse do resolvedor de referências de sessão para que os snapshots mantenham mensagens pontuadas pelo Jev em vez de descartar as mais antigas primeiro. Degrada para o comportamento padrão em qualquer falha do provedor; modo shadow com o comando /jev-stats; endpoints TypeSafe ou OpenRouter; 64 testes.

Mecanismo de decisão Jev DSH｜Plugin de decisão estruturada orientado para Agent Harness. Suporte nativo ao DeepSeek Harness, suporte a OpenCode e Codex Harness via iPolloWork.

Plugin de camada de decisão com tecnologia Jev para o DeepSeek Harness

StrataGate oferece ao DeepSeek Harness memória local-first, a longo prazo e evolutiva para preferências do usuário, decisões de projeto, conversas e resultados de ferramentas entre sessões; sobrepõe o histórico com decaimento temporal ajustável pelo usuário, reforça memórias pelo uso em respostas reais, mostra contagens de uso cientes do espaço de trabalho e mantém as evidências recuperadas rastreáveis até suas mensagens originais.

Uma entrada de steer em meio à execução para DeepSeek Harness Web: enquanto o agente trabalha, aparece uma barra de entrada acima do compositor para injetar pedidos de modificação na próxima decisão via agent.steer(), sem interromper a conversa. Os rascunhos persistem por sessão, mensagens injetadas não lidas podem ser recuperadas do balão, e há suporte a um prefixo de orientação opcional.

Memória entre sessões para o DeepSeek Harness: os agentes salvam, pesquisam e atualizam preferências do usuário, fatos e decisões de projeto; entradas importantes são injetadas em sessões posteriores, e uma seção de Configurações as lista, edita, arquiva ou exclui.

AI Company Framework: transforme uma frase em uma empresa multi-agente — 15 Skills planos (boss/pipeline/role-template/11 roles/generic customer-memory), 7 templates de workflow, runtime AgentTeams + painel de atividades, sidebar de funcionários com isolamento por sessão, bridge para bot do Feishu (bot do boss e bots por funcionário, roteamento de grupo, push autônomo, gate de decisão humana, guia de contato externo), memória SQLite por cliente com memória de três camadas (merge cross-group), switch de modo /company; sem RAG.

Guarda de desvio de requisitos em tempo de execução que mantém agentes DSH de longa duração alinhados com o objetivo, as restrições e as decisões aprovadas pelo usuário.

Decisões tipadas do Laya (`noul` sim/não, `choice`, `score`) como um serviço Cordis de primeira classe (`ctx.laya`) mais as ferramentas `laya_ask` e `laya_plan` visíveis ao modelo. O plugin em si não instala nem baixa nada: é um cliente de um sidecar `laya-mcp serve` que você mesmo inicia, e informa que o sidecar não está em execução em vez de falhar de forma obscura na primeira chamada de ferramenta.

model router por etapa: predefinições nomeadas com regras ordenadas de grupos de imagem/palavras-chave que encaminham cada etapa do agente através de cada fornecedor e modelo montado, adicionando fluxos de colaboração para transcrição de imagens, um protetor de imagem, um painel de quotas multi-plano e observabilidade de decisões por etapa.

Sons de notificação para DeepSeek Harness: um toque suave quando o agente precisa de uma decisão ou conclui uma tarefa. A notificação do sistema retorna à janela; o volume e os sons podem ser ajustados nas configurações.

Uso do computador no macOS com AX primeiro para o DeepSeek Harness: instantâneos de acessibilidade com referências estáveis, entrada em segundo plano, digitação Unicode, menus, apps, capturas set-of-mark, OCR no dispositivo, ações verificadas e guardas semânticas opcionais do Jev (TypeSafe System One) — 1.

Uso de computador no macOS com foco em AX para o DeepSeek Harness: snapshots de acessibilidade com refs estáveis, entrada em segundo plano, digitação Unicode, menus e apps, capturas set-of-mark, OCR no dispositivo e ações verificadas — 11 ferramentas conectadas à CLI macos-cu.

Skill de metodologia de clonagem de sites: uma árvore de decisão que prioriza a fonte real, cobrindo sites estáticos, sites de conteúdo React/Vue/Next e frontends com muito WebGL/Canvas, verificação obrigatória de código executável citado de análises de IA de segunda mão, e 13 scripts Node sem dependências para reconhecimento de navegador via CDP, coleta de assets/fontes, rastreamento de rotas, caça a sourcemaps e auditoria por diferença de pixels.

Despacha subagentes com perfis nomeados (modelo, esforço de raciocínio e escopo de ferramentas por tarefa), verificações de segurança, estimativa de custo com comparação de economia e um livro-razão completo de decisões de despacho.

Plugin de aprimoramento do DSH Desktop: fatos verificáveis na mesa. Restrições entram só quando relevantes; injeção em camadas (estável no system prompt, volátil em snapshot de cauda) com cache de prompt válido. Disciplina: cada turno é classificado (pergunta/pesquisa/discussão/diagnóstico/execução) — sem editar arquivos em perguntas nem corrigir o não pedido em diagnóstico; citações de código não aberto e afirmações sobre símbolos não vistos são sinalizadas. Memória: avisos em 75%/90% de contexto, recap exportável e conhecimento de projeto por diretório. Artefatos: contrato de tarefa, registros de mudanças e hipóteses com portão de evidências, decisões de design. Dashboard: roteamento e blocos em lume-metrics.jsonl via lume_metrics; personas destiladas de chats, romances ou fichas.

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.

Pesquisa na comunidade, análise de similaridade e decisões de instalação/desduplicação/construção própria para o ecossistema dsh-plugin.

Treinamento heads-up (1 contra 1) de Texas Hold’em com oponente de IA independente, memória persistente das ações públicas e revisão das decisões.

TypeSafe Jev (modelo de decisão System One) como a ferramenta jev_decide para o DeepSeek Harness: perguntas de noul, choice e score retornam probabilidades calibradas; as credenciais reutilizam a junta de credenciais do DSH; retry com backoff para 429/529 já embutido.