Plugins

Pet de desktop para a DSH Web UI com 25 animações transparentes, deslocamento pela tela, reações a cliques e arraste, além de um pipeline reprodutível de geração de assets.

Exploração de arquitetura AGI de caixa branca: metacognição (loop de autocognição), aprendizagem contínua (volante de conhecimento), modelo de mundo (espaço de condições, grafo de memória espaço-temporal), autoaperfeiçoamento (disciplina bootstrap), pipeline de caixa branca zero-LLM e guardrails de confiança auditáveis.

Verificação de qualidade de dados para DeepSeek Harness — pipelines de perfilamento, limpeza e verificação com relatórios estruturados.

Kit de ferramentas de P&D quantitativa para DeepSeek Harness — 59 ferramentas em seis domínios cobrindo dados de mercado, indicadores, avaliação de fatores, validação walk-forward de ML, risco (VaR/CVaR/drawdown/Beta com Kupiec POF), opções, títulos, FICC e simulação de fundos, com um pipeline de pesquisa ponta a ponta PDAT→PET.

lowtide: pipeline de tarefas em lote fora do pico com adjudicação humana para dsh (consciente de preços pico/vale)

Porta todos os 38 temas do opencode (33 TUI + 4 desktop 2.0 + system) para o DeepSeek Harness: pipeline orientado por dados (JSON → color resolve → DSH override), persistência por navegador, escolha entre monoespaçada/proporcional, cinco fontes de código e um fallback system que mantém apenas a tipografia.

Pipeline de QA como 10 agent skills: análise de requisitos, estratégia de teste, escrita e revisão de casos, automação E2E (Playwright) e API, exploratório, escopo de regressão e análise de bugs, respaldado por uma base de conhecimento compartilhada com regras de formato, modelo de risco e validadores de schema.

Instala quatro presets de pesquisa matemática multiagente para o DSH: v2 (pipeline guiado por probabilidade com debate entre vários verificadores), v3 (base de conhecimento Markdown em estilo de artigo com um agente planejador e uma biblioteca de métodos reutilizável), v4 (residentes persistentes auto-organizados que trocam mensagens e se reúnem) e v5 (um instituto de pesquisa com um acadêmico que decompõe e atribui o trabalho, pesquisadores votantes, trabalhadores temporários, chat em grupo e um quadro de tarefas compare-and-set); os quatro suportam retomada por checkpoint, intervenção humana e um interruptor opcional de verificação formal em Lean (off/encourage/require), cuja prova aprovada transforma o voto em uma checagem de fidelidade das afirmações Lean.

Shell web móvel para a GUI Web do DSH: drawers sobrepostos, FAB arrastável, correções para o compositor móvel e um botão flutuante de upload de imagem fixado acima do compositor (galeria/câmera nativa, integrado com o pipeline validado de add-images), sem regressão no desktop. Publicado no npm como dsh-webui-mobile.

Leitura profunda e resumo para DSH: livros, artigos, vídeos e web convertidos em notas estruturadas do Obsidian via parsers de plugins, subagentes paralelos MapReduce de leitura profunda, saídas JSON Schema e cache idempotente.

Pipeline de custo de tokens para o DeepSeek Harness: compactação em camadas sensível à pressão (projeção sem perdas abaixo de 40% de pressão de contexto, sumarização por LLM acima), allowlist de ferramentas por agente, conversão de texto longo em imagem com sumarização por visão e o comando /token-status que acompanha pressão, níveis e tokens economizados.

Portado do plugin ARS Claude Code (44k+ estrelas no GitHub): skills de pesquisa acadêmica para DeepSeek Harness — um time de agentes de pesquisa profunda, um pipeline de escrita de artigos, um painel de revisão por pares multi-perspectiva e um orquestador de ponta a ponta, além de dezesseis comandos /ars-*.

Preset modo especialista DeepSeek Harness (v0.9.2, npm dsh-expert-mode, EN/ZH): coordenador + 17 subagentes com delegação automática. Funções: taskboard (estados pending/ready/running/done/failed, DAG dependências, reivindicação atômica, retry, recuperação), portas qualidade (pipeline 5 etapas: requisitos, implementação, verificação, revisão, integração; 2 reelaborações), Five-Anchor (revisão/convergência/anti-deriva/colaboração/recursos), Near-distance (modelo identidade/tarefa/saída), divulgação progressiva (~28% economia tokens), persistência, barramento P2P, revisão cruzada, pool experiência, via rápida, auto-retry. 17 especialistas: dados, redação, jurídico, PM, frontend, UI/UX, arquiteto, social, growth, fin. quant., backend, DevOps, BD, QA, segurança.

Pipeline de pesquisa multiplataforma e busca profunda: harvest_scout para descoberta paralela em GitHub, Web, Twitter, Reddit, Xiaohongshu, Bilibili e YouTube; harvest_deep_research para relatórios de pesquisa abrangentes automatizados; além de extração, verificação entre fontes e auditoria de credibilidade.

Equipe multiagente por papéis para o DeepSeek Harness. O /team reúne até 12 subagentes (produto, arquiteto, pesquisa, UI, backend, frontend, BD, segurança, revisor, QA, DevOps, docs) e executa um pipeline de 9 fases com portões (esclarecer, pesquisar, projetar, revisar spec, aprovar plano, implementar, revisar, testar, entregar) sobre artefatos compartilhados. Os portões de qualidade são impostos pelo código, não pelos prompts: tarefa inacabada não é marcada como concluída, os achados são arbitrados pelo revisor ou QA, e lacunas de cobertura ou retrabalho aparecem ao vivo no overlay e em /team status. Inclui overlay ao vivo (fases, elenco com modelos, DAG, artefatos, decisões), modo de equipe persistente e contabilidade de tokens/tempo. Zero dependências em runtime, sem build.

Do chat à tela e à obra: conduza o ComfyUI como IDE visual de fluxos dentro do DSH. Incorpore o ComfyUI (local ou nuvem) como tela dividida no DSH Web: o agente escreve prompts e scripts no chat, aplica-os ao vivo e produz imagens, música, vídeo e 3D. Operações: compor pipelines, ler/gravar fluxos, editar nós, conectar links, executar, ajustar e depurar. Produção: varreduras de parâmetros em lote (batch_run) e recuperação automática de saídas para o chat (get_outputs). Manutenção: inicialização e atualização com um clique do ComfyUI, do núcleo e dos nós personalizados. Este pacote é o plugin do lado DSH e inclui o nó de ponte do lado ComfyUI.

Plugin de «escrita de núcleo único» para o DeepSeek Harness: ferramentas minuciosamente simplificadas e saída reforçada para modelos pequenos quantizados, adequado para executar pipelines de romances longos localmente com modelos no dispositivo.

Comando Cordis /hongtou: pipeline de duas fases (JSON estruturado por LLM + renderização determinística de modelo XML Word 2003)

Pipeline em camadas de otimização de tokens para DeepSeek Harness: escala de saída, carregamento tardio de MCP, driver de compactação e relatório de acertos de cache. Construído sobre as APIs reais de plugin do DSH; economiza cerca de 40–60% de entrada em sessões longas.

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.

Um conjunto de skills de modelagem matemática com gate para o DeepSeek Harness: um pipeline de cinco estágios com gates, padrões de escrita de artigos de premiação, análise de sensibilidade, diagnóstico estatístico e um preset de competição.

Descoberta progressiva de ferramentas estável em cache: uma superfície fixa de tool_search e tool_dispatch em cada requisição, busca de catálogo em memória, despacho aninhado pelo pipeline do Harness e uma lista nativa de ferramentas estável byte a byte através da descoberta.

O pacote DeepSeek Harness registra uma habilidade que converte produção longa (artigos acadêmicos, análises setoriais, comentários empresariais) em pipeline de 9 papéis: scouts T1 literatura / T2 dados / T3 casos em paralelo, T4 analista, T5 redator, T6 companheiro crítico, T7 auditor, T8 finalizador, T9 revisor par executados pelo coordenador. Em 6 fases com verificação triangular de evidências, M-gate de 23 verificações, auditoria G0-G14 incluindo gate de rastreamento IA chinês, pontuação peer-review com correspondência de periódicos, e 4 checkpoints humanos. Instala com `dsh plugin add lunheng-article-pipeline` (package.json#dsh.bundle.patch mais lib/index.js); envia fichas de papel T1-T9, modelos e 11 scripts de verificação sem dependências, com READMEs em cinco idiomas.