Plugins

Define o humor do companion a cada turno e o mostra como uma breve nota de contexto, com painel de humor, dimensões emocionais e linha do tempo.

Memória de longo prazo entre sessões em um banco SQLite local: dois escopos (usuário e projeto por origem Git), recuperação híbrida FTS5 + vetores locais combinada por RRF, uma etapa de evidências que exige uma avaliação explícita de suficiência, cadeias de auditoria de proveniência, revisão espaçada SM-2, destilação de consolidação e esquecimento por decaimento, além do painel Memory Palace com nove visões. 22 ferramentas de parâmetros restritos, sem serviço externo, API key ou Docker.

Cartão de consulta de logs para a GUI Web do DSH sobre Elasticsearch/OpenSearch: uma tela de consulta com strings por dialeto e exemplos clicáveis, preenchimento de nomes de campos, chips de filtro, histograma temporal com zoom no intervalo da barra, facetas que viram filtros e lista de resultados com cores por nível, linhas de continuação de stack, colunas e paginação. Logs de contêiner Docker são uma fonte de coleta que reutiliza o plugin docker. Inclui cinco ferramentas loglens_* somente leitura (sources/search/fields/facets/context), compartilhando a camada de execução do painel. Requisições de saída alcançam apenas fontes configuradas, são avaliadas pelo IP resolvido, não seguem redirecionamentos e têm limites de tamanho e tempo.

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.

Roteamento automático de esforço de pensamento para dsh: um classificador local fine-tuned de 7 perguntas (ModernBERT, 842MB, <1s de inferência em CPU) escolhe low/high/max para mensagens sem intenção; retries dentro da sessão escalam o tier (low para high para max) sob restrições de exclusão; o serviço juiz falha com segurança em low se inalcançável. Um chip de tier na barra de entrada mostra o tier ao vivo e os últimos 20 julgamentos. Toda a inferência é local — o texto da tarefa nunca sai da máquina.

Otimiza uma instrução bruta em um clique: três estilos, perfil contextual de função/tarefa/meta, seleção de várias amostras por juiz de modelo e autoaperfeiçoamento com memória da sessão, padrões inteligentes e ajustes do usuário. /template atende 22 subcenários sem chamadas ao modelo. ✨ otimizar/desfazer no campo, ferramenta prompt_optimize, hook automático, página de status, painel Settings (dsh 0.2.0) e detecção automática de documentos zh/en.

Plugin de memória de longo prazo para DeepSeek Harness. Avalia cada turno e guarda-o numa SQLite local (enunciado / evento / versão / fase / decisão), com um painel navegável.

Persona e diário entre sessões para DeepSeek Harness. Um filtro local escolhe os turnos a lembrar; uma chamada adicional ao modelo cria um diário em primeira pessoa e uma impressão do usuário, cada um ligado ao momento específico. Conversas futuras recebem cerca de 2000 tokens de memória própria em três camadas: núcleo da persona, julgamentos escritos pelo modelo e diário. Uma ferramenta permite ao modelo registrar julgamentos com suas palavras. O plugin só lê o Markdown escrito pela pessoa. Pela barra lateral, é possível ler, esquecer ou exportar o arquivo; esquecer reduz a prioridade sem excluir, e uma forte correspondência temática pode recuperá-lo. Pasta local comum, editável e portátil. Segredos são removidos antes do envio. Sem dependências de runtime ou etapa de build.

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

Entrevista de requisitos antes do trabalho: avalia se o pedido está claro e faz perguntas focadas se não estiver. No modo strict, bloqueia ferramentas de edição até o usuário confirmar no chat um resumo em quatro partes; preferências confirmadas ficam em uma memória de duas camadas.

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.

Um subagente de aprovação independente julga cada escalonamento de sandbox, com um modelo configurável e um log de auditoria.

Descobre arquivos de regras de todas as convenções aceitas pelo OMP e os injeta no prompt do sistema como camada sempre aplicada e índice do livro de regras. Regras em fluxo podem interromper uma saída infratora durante o turno, negar uma chamada de ferramenta, inserir um lembrete no resultado ou consultar um modelo avaliador sobre a resposta concluída. A mesma ferramenta permite que o modelo crie regras; um painel de auditoria em Plugins explica por que cada regra está ativa.

Mapeia o áudio do sistema analisado localmente para efeitos de conversação reativos à música, julgamentos de jogo de ritmo, feedback de pontuação e combo, e barras de espectro RGB opcionais no DSH Web.

Firewall de plugins em execução apenas para sessões iniciadas pelo launcher; não pode ser injetado no DSH Desktop, que não é coberto. Atribui chamadas de arquivos, rede e subprocessos ao plugin de origem e compara com suas declarações: usos declarados passam sem aviso e desvios são registrados. A atribuição é best-effort, sem garantia; chamadas não classificadas ficam com o host, nunca com outro plugin. Inclui cartão prévio (capacidades, combinações críticas, PASS/WARN/BLOCK), avaliação de limites, bloqueio pré-execução opcional e desligado por padrão (regra contra exfiltração de credenciais), teste de atualização em processo filho isolado, exportação SARIF/CSV e agregação de fontes. Armazenamento local, sem telemetria; webhook opcional desligado por padrão.

Aprovação e revisão automáticas para chamadas de ferramenta que exigem aprovação: buckets de palavras-chave identificam linhas vermelhas sem contexto, depois um modelo juiz classifica o que foi solicitado e o encaminha para allow, reject ou um humano conforme a linha correspondente e o nível de risco; um julgamento que nunca foi executado sempre vai para um humano, e as rejeições explicam o motivo ao modelo.

Retoma um turno do agente que terminou após narrar sua próxima ação sem chamar nenhuma ferramenta: o guard reexecuta o log do turno em agent/turn-stopping, faz uma única pergunta de verdadeiro/falso a um modelo juiz e conduz o mesmo turno a executar mais um passo.

Executa 3 ou 5 candidatos de coding agent em worktrees Git desanexados, valida seus patches com comandos do projeto, classifica apenas os candidatos aprovados e exige aprovação separada antes de aplicar o vencedor.

Harness de memória de agente em três níveis: CLAUDE.md L1 sempre ativo, índice L2, esqueleto detalhado L3 com modelos, um gate que bloqueia gravações em arquivos protegidos sem um token de aprovação de uso único, registro de eventos sem julgamento, destilação semanal e uma skill de loop de execução TDD.

Plugin de modo de aprendizagem Feynman: ciclo ensinar → reexplicar → avaliar → reexplicar, renderizado como cartões de aula em HTML (diagramas mermaid + destaque de código shiki)

Plugin de debate com vários modelos para DeepSeek Harness: várias IAs configuradas debatem o mesmo tema em rodadas, com suas personas e contexto compartilhado. O juiz pondera seis dimensões: agressividade, lógica, fidelidade à persona, diversão, estratégia e profundidade. Custo-benefício aparece à parte pelo ledger real do dsh-cost-meter. Gera relatório Markdown e docx.

Companheiro de IA com relógio biológico aprendido, sono real offline e memória própria; transmite affect autorrelatado, avaliado pela mesma lógica judge da versão pi.

Equipe de montagem de memória para DeepSeek Harness: cada mensagem inicia um ciclo de cinco etapas (judge, retrieve, assemble, feedback, calibrate), conduzido por subagents nos papéis judge, retriever, archivist, advocate, editor e scribe. Usa busca BM25, materiais em ordem temporal e montagem LLM para criar pacotes úteis injetados em linghun. Funciona com dsh-linghun.

Fork mantido de dsh-approval-gate. Se uma operação neutra atingir o limite de confirmações e o juiz estiver indisponível, ela é aprovada automaticamente em vez de pedir novamente a uma pessoa. As explicações ao aprovador são geradas em chinês a partir do modo sandbox, comando e caminhos reais. Também nega deterministicamente exfiltração de credenciais e destruição de caminhos do sistema, mascara a entrada do juiz, oferece cadeia de modelos juízes, permissões por fingerprint e tela com diff unificado e reversão em um clique.