Plugins

Quatro ferramentas somente leitura sobre uma base de conhecimento WeKnora: listar bases de conhecimento, busca híbrida de passagens, reagrupar os chunks de um documento em ordem, e a resposta RAG citada ou de agente ReAct própria do WeKnora com id de sessão retomável.

Ferramentas de recuperação de conhecimento WeKnora para DeepSeek Harness (dsh): busca semântica, leitura de documentos e respostas RAG/agente sobre suas próprias bases de conhecimento.

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.

Memória Markdown compartilhada para DSH e outros agentes de codificação, com captura automática, injeção de contexto pré-etapa, recuperação pesquisável e autoevolução de memória para skill por meio de um painel de revisão.

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).

Espaço de trabalho de roleplay para o DeepSeek Harness: importe cartões do SillyTavern/TauriTavern ou crie um do zero por um fluxo interativo; converta um romance TXT longo em cartão jogável com leitura intensiva ou rápida; o agente principal consulta worldbooks sob demanda e a prosa é lida em uma aba dedicada; explore várias worldlines numa única conversa (regenerar, editar-e-enviar, clonar); presets de estilo com 16 estilos embutidos, um cluster de agentes de personagem, um cartão de decisão e exportação de cartão ou romance; a coerência em histórias longas vem de prefixo de configurações congelado, janela de contexto de corte rígido, notas de diretor rastreáveis e recuperação por palavra-chave/semântica/híbrida, com embeddings online ou locais. Voltado ao Harness 0.1.2-alpha.3.

Auto-memória no estilo Claude Code, nativa: arquivos de memória tipados (user/feedback/project/reference) com um índice MEMORY.md injetado automaticamente no system prompt (pegada zero quando vazio); memory_write/read/list/delete seguem as regras de escrita do Claude Code (deduplicar e atualizar, datas absolutas, links cruzados); camadas por workspace e por usuário, bloqueio de arquivo entre processos com recuperação de lock órfão, Markdown puro em disco, sem serviços externos, sem embeddings.

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.

Memória de longo prazo entre sessões sob a metáfora do “palácio da memória”: armazenamentos SQLite de escopo duplo (usuário + projeto por origem Git), recuperação híbrida FTS5 + vetores locais com fusão RRF e reforço de ranking por recência/prova, captura automática a partir do log da sessão (incluindo o turno final), cadeias de auditoria de proveniência, destilação por consolidação e esquecimento por decaimento, e um painel Memory Library na página de configurações com topologia de corredores, mordomo de tour e lista de reformas.

Plugin de memória entre sessões para DSH (v0.6.1, npm @asherliner/dsh-memory-connect): extração automática, indexação SQLite FTS5, recuperação semântica RRF injetada no prompt do sistema a cada turno, manutenção agendada, consolidação LLM via ctx.llm, prevenção de explosão de contexto, identidade Soul global via ~/.dsh/soul.md. v0.5.0: grafo de contexto temporal, modelo de confiança, resumo no fim do turno. v0.6.0: embeddings semânticos locais (BAAI/bge-small-zh-v1.5), sem chamadas à nuvem. v0.6.1: corrigida a expansão de ~ na configuração de caminhos. Instalação sem configuração.

Sistema de memória biomimético para DeepSeek Harness: um único repositório SQLite (node:sqlite, WAL) cuja árvore Markdown é mantida como espelho somente leitura; ferramentas de memória, injeção de snapshot congelado no início da sessão, gateamento de aprovação graduada, extração sob demanda da sessão atual, fusão de quase duplicatas, um ciclo de vida de arquivo e substituição, metabolismo de memória (dream), pinos de memória, recuperação semântica sobre embeddings locais, e o comando /memory.

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.

Memória vetorial totalmente local para DSH: embeddings locais, armazenamento SQLite, injeção automática de recuperação, deduplicação com detecção de conflitos, lixeira com exclusão temporária, backup online e extração LLM opcional.

Sistema de base de conhecimento estilo Cherry Studio para DeepSeek Harness (DSH): bases, documentos, fragmentação, embeddings (compatível com OpenAI / Ollama / local / fallback lexical), recuperação, ferramentas voltadas para modelos e um painel de gestão no navegador.

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.

Servidor MCP de memória de longo prazo em camadas: turnos brutos → fragmentos de tarefas → resumos diários → índices de tópicos, embeddings locais MiniLM de 384 dimensões ou backend de API compatível com OpenAI, busca semântica com fallback Jaccard, instalação do plugin DSH com um comando.

Tiny local vector memory via Ollama embeddings and ~/.dsh/vecmem (workspace namespaces; optional IM crumb via vecmemOnReply).

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.

Persistent, searchable, per-project memory for the DeepSeek Harness: decisions, rules, and sprint context in a queryable DuckDB file, rules enforced on every model request, with a full management UI in the Web Client