Plugins

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.

DSCODE para Harness Desktop: colaboração em código, memória de sessão, fluxos do navegador e gestão de tarefas.

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.

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

Plugin do DeepSeek Harness que transforma julgamentos Jev em três ações automáticas — podar saídas de ferramentas grandes demais para os segmentos relevantes à requisição, triar páginas obtidas em busca de instruções dirigidas ao modelo e escolher qual skill se encaixa no próximo passo — além das ferramentas jev_ask e jev_gate, um registro de julgamentos que sobrevive a reinicializações e um relatório /jev-status. Requer uma chave de API TypeSafe; sem ela, fica inerte e não envia nada.

Otimização inteligente de tokens com triagem do Jev System One, remoção dinâmica de ferramentas e encaminhamento para subagentes.

Classifica automaticamente as sessões do DeepSeek Harness com modelos de decisão Jev ou ferramentas Agent e exibe prefixos emoji no título (em andamento 🚧, bloqueada ⏸️, revisão 👀, concluída ✅, plano 💡, erro 🐛). Inclui recuperação fluida do ciclo de vida, inferência Jev opcional (requer chave de API Jev), manutenção das ferramentas do modelo e painel visual de configurações.

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.

Insere a cada turno um prefácio de seleção de skills escolhido pelo modelo JEV local do workspace jev-decision-kit, para que o agente carregue apenas essas skills em vez de procurá-las. Requer um workspace jev-decision-kit configurado separadamente (Python .venv, host/preface_worker.py, models/jev/head.json); sem ele, nada é inserido.

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.

Skill que verifica alegações na web aberta, não na memória do modelo. Divide cada alegação em fatos verificáveis, direciona-os a uma hierarquia de fontes primárias por domínio, pesquisa em paralelo ecossistemas nacionais e internacionais, busca páginas primárias, classifica fontes e pesquisa novamente com termos de refutação. Começa pela conclusão, com URL completa e posição da citação em cada afirmação, separando não verificados/indetermináveis dos confirmados. Com chave, três julgamentos podem usar TypeSafe Jev (System One); sem ela, regras determinísticas. O modelo só pode reduzir o nível de confiança.

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.

Use o paradigma de modelo de decisão Jev (System One) com qualquer LLM compatível com OpenAI — sem necessidade de chave TypeSafe. Registra uma ferramenta jev_decide que retorna respostas com distribuição de probabilidade para perguntas tipadas (escolha/pontuação/booleano) em uma única chamada.

TypeSafe Jev como serviço Cordis de primeira classe e três ferramentas visíveis ao modelo para o DeepSeek Harness — offline por padrão, saída de rede divulgada, nunca ativado por padrão.

Mostra no chat DSH planos escolhidos por JeV, atualizações de progresso e resumos por etapa, com tradução nativa ou resumos leves. Requer chave JeV; o serviço Jev é chamado externamente e pode cobrar. Inclui fluxos hierárquicos de tarefas seriais/paralelas.

Fluxo multiagente em chinês para DeepSeek Harness, com fallback de modelo por papel, planos Mermaid versionados, revisões independentes de Agent e Jev, colaboração contínua de especialistas e ferramentas de cálculo de função pura.

Adiciona conselhos TypeSafe Jev para pessoas em perguntas de múltipla escolha do DSH. Por padrão, sob demanda; pedidos automáticos são opcionais. Oferece recomendações, probabilidades, confiança, alertas de disputa acirrada, sugestões copiáveis, adoção em um clique, layouts de cartão por perfil e preferências temporárias de decisão. A prévia opcional da solicitação mascara credenciais comuns; inclui verificações locais de saúde e exportações de diagnóstico sanitizadas.

Pipeline de reconhecimento de intenções em cinco camadas (regras, recuperação pgvector, pontuação Jev, arbitragem ajustada e fallback LLM), com interface de gerenciamento de cenários, armazenamento PostgreSQL e serviços de API distribuíveis.

Provider de navegador para DeepSeek Harness: executa tarefas web passo a passo em navegador real, consultando uma tabela indexada de ações disponíveis em vez de HTML ou capturas. Cada etapa usa uma decisão Jev, não um turno completo do modelo; benchmark do repo: mediana de 1,1 s contra 2,8–3,6 s por turno de chat-model. A conversa recebe só a conclusão e não cresce com o contexto da página. Os alvos vêm da página recém-lida e páginas alteradas são lidas novamente antes de clicar. Usa o navegador pertencente à Session e deixa seu Chrome cotidiano intacto, salvo se você ativar attach mode.

Plugin de seleção automática do nível de raciocínio para o DeepSeek Harness (DSH): o modelo Jev System One julga quanta reflexão cada mensagem merece, a faixa é derivada automaticamente dos níveis declarados pelo modelo, um envelope de contexto faz com que acompanhamentos como “continuar” herdem a profundidade do tópico, empates resolvem para cima e qualquer falha usa silenciosamente o nível original. | Esforço de raciocínio por mensagem orientado por Jev: escadas por modelo derivadas do que cada modelo anuncia, um envelope de contexto de tamanho fixo para que acompanhamentos herdem a profundidade do tópico, empates resolvem para cima, fallback silencioso em todos os caminhos de falha.

Camada de decisão para dsh: julgamentos tipados independentes de provedor (Jev primeiro), atrás dos pontos de controle de ferramentas, roteamento de modelos, avaliação de resultados e aprovação da máquina.

Compactação de contexto avaliada por Jev para DeepSeek Harness: mantém mensagens importantes e compacta as demais.