Plugins

Aplica a marca OpenQuantum, metadados do navegador e assets PWA à interface web nativa do DeepSeek Harness.

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.

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 uma predefinição de escrita de romances multiagente para o DeepSeek Harness: um agente condutor distribui o trabalho para cinco subagentes especializados — construção de mundo, enredo, gerenciamento de personagens, redação da prosa e revisão de qualidade.

Bancada de projetos de QA para o dsh: gerencie projetos de teste, requisitos, casos de teste, defeitos, marcos, relatórios e portões de aprovação por uma interface de navegador e 18 ferramentas do domínio de QA.

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.

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.

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.

Executa o trabalho como uma tripulação de agentes de função: um gerente de produto escreve o PRD ou DoD, espera pela sua confirmação e inicia arquiteto, engenheiro, QA e revisores cujos conjuntos de ferramentas são bloqueados por função, compartilhando o trabalho por meio de arquivos em disco.

Plugin de visão DeepEye para o DeepSeek Harness (DSH): descrição de imagens, OCR, VQA, layout de UI e análise da área de transferência.

Uma aba de perguntas na barra lateral baseada no DSH-better-sidebar, que reproduz a pergunta lateral no estilo Codex ou a função /btw do Claude Code

Plugin orquestrador de QA para o DeepSeek Harness: um agente explora seu aplicativo e deixa evidências, depois o caminho explorado é reproduzido de forma determinística. Controla navegador, desktop macOS e drivers iOS e Android.

Kit de ferramentas de escrita acadêmica para agentes DSH: roteiros de artigos, estruturas de título e resumo, citações GB/T 7714 / APA / MLA, QA de redação e uma lista de verificação pré-submissão.

A focused end-user QA surface backed by native DeepSeek Harness sessions

Product Design workflow suite for DeepSeek Harness - a router plus nine pd-* skills carrying ideas from a minimum design brief through visual directions, evidence-grounded research and audits, URL cloning, frontend builds and a blocking design-QA gate.

Kit de tradução para agentes DSH: segmentação de frases, extração de termos e glossários, QA origem-destino (números, unidades, colchetes), guias de tom e uma memória de tradução durável por workspace.

Image and video production toolkit for DeepSeek Harness - background removal with quality tiers, local inpainting retouch, headline and logo compositing, batch platform-size exports and image QA reports; for video, AI subject matting with background replacement (RVM ONNX, plus a chroma-key path), animated titles with fade/slide/typewriter/karaoke presets, 53 transitions with stylized variants, and light-effect and grading presets with LUT support, alongside footage inventory, accurate cutting, subtitle burn-in, music mixing and platform-spec exports; it provisions its own local Python runtime through a bundled bootstrap script.

Quality suite: background tsc --noEmit diagnostics fed back after the agent edits TypeScript, plus a /code-review command running five parallel review lenses with confidence scoring; absorbs dsh-code-check and dsh-command-code-review.

Design mode for DeepSeek Harness: the design-loop agent preset plus design-principles and design-qa skill packs

Visão para LLMs somente de texto: descrição de imagens / OCR / VQA via APIs de visão gratuitas do Gemini e GLM