Plugins

Ponte para o ShiGuang Memory Engine (SGME): memória de longo prazo compartilhada entre múltiplos agentes via HTTP — destilação L0/L1/L1.5/L2, injeção baseada em cenário, busca unificada e sinais proativos de cuidado (memory_search / wiki_search / signal_pull / signal_claim / signal_ack), instalável como `dsh-sgme`

Base de conhecimento da equipe para compartilhamento de conhecimento offline (cenário FDE box): pontos de entrada de navegação, pesquisa em texto completo e refinamento; a matéria-prima é enfileirada automaticamente e destilada em páginas wiki por uma sessão de bot serial (padrão Karpathy LLM Wiki: matéria-prima imutável, refinamento em duas etapas, fluxo de logs, lint mensal).

Preset de agente Learning Mode: um agente de codificação que ensina enquanto codifica — explicações concretas ancoradas em cenários, orientação socrática e lacunas de prática TODO(你), modelado no estilo de saída Learning do Claude Code; instalável via dsh plugin add (dsh-learning-mode no npm).

Prática de entrevistas com IA para DeepSeek Harness Web: gera perguntas em quatro modos (revisão de conceitos, entrevista simulada, cenário, LeetCode Hot 100), pontua respostas e fornece explicações.

Plugin do DeepSeek Harness que economiza tokens agressivamente sem afetar a qualidade: truncamento sem perdas de cabeça/cauda em resultados de ferramentas (padrão), dobra de resultados do grep, delegação ao dsh-compaction-basic acionada por pressão e uma subclasse CompactionEngine com resumo por LLM para o modo agressivo. Economiza 97,6% dos tokens de entrada em uma suíte sintética de 8 cenários, com todas as reduções passando pelo fluxo de eventos do dsh para manter modelo-visível = registrado.

A IA consegue escrever texto para currículos, mas os modelos podem continuar com aspeto errado, as páginas podem transbordar, pode restar espaço em branco e pequenas edições podem desestabilizar a disposição. dsh-resume disponibiliza um fluxo DSH de ponta a ponta para refinamento de conteúdo fiel, seleção de modelos, ajuste de layout A4, revisão visual e versões de currículo adaptadas a diferentes cenários de procura de emprego.

Assistente de registro de ativos de dados: pré-verifica cenários proibidos e disputas de propriedade, encontra agência por tipo/região e fornece checklist segundo o padrão de auditoria tripla e fluxo de sete etapas.

Preset de agente Learning Mode: um agente de codificação que ensina enquanto codifica — explicações concretas baseadas em cenários, orientação socrática e lacunas de prática TODO(你), modelado no estilo de saída Learning do Claude Code; instalável via dsh plugin add (dsh-learning-mode no npm).

Memória em camadas para DeepSeek Harness: a cada turno injeta perfil persona e índice relevante; transcrições completas ficam no disco e se expandem sob demanda, sem sobrecarregar o contexto. Fatos por atributo: valor novo aposenta o anterior. O modelo deriva o perfil da memória. Três filtros descartam conversa de desenvolvimento, bloqueiam ecos da própria injeção e unem reformulações por palavras comuns. A consolidação une quase duplicatas, resume temas longos e arquiva entradas antigas pouco úteis só com etiquetas; nunca apaga o original. Armazenamento somente de acréscimo compactado no local (medidos: 4,7 MB → 355 KB). Sem dependências de terceiros nem build. A injeção por turno reduz inevitavelmente acertos do cache de prompts; não recomendada para trabalho.

Feedback sonoro para a interface web do DSH: classifica cliques por semântica (normal, primary, toggle, send, close, danger, link) e toca um sinal nas transições de tarefa da sessão atual (started, finished, failed) e em interações pendentes. Cada cenário tem seu próprio seletor de sinais e botão na página de configurações. Os 78 sinais e 12 pacotes são sintetizados no navegador com Web Audio API; o pacote não inclui arquivos de áudio nem faz solicitações de rede. É uma adaptação comunitária de dsh-plugin-uisfx para DSH 0.2.0, com as mudanças registradas em PROVENANCE.md.

Inclui cinco skills do TIA Portal (consulta à documentação Siemens PLC, geração de lógica ladder, renderização SimaticML para PNG, simulação de ciclo com cenários PASS/FAIL e gateway TiaLink para operar um projeto TIA Portal real) e cinco endpoints MCP. Projetos reais exigem TiaLink pago (Windows + TIA Portal V19/V20 + Openness). Os quatro serviços de nuvem requerem API keys: 100 chamadas grátis cada, depois são pagos. A renderização é cobrada por chamada mesmo quando falha. Requer Node 22+ e rede; trechos de programa são enviados para tia.hubwiz.com.

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.

Plugin de configuração de cenários: diferentes combinações de plugins formam diferentes cenários, gerenciamento unificado de ligar/desligar plugins (a página de configuração detecta automaticamente os plugins instalados e alterna a quente por cenário); o modelo é selecionado pelo usuário na janela de sessão conforme necessário.

Memória de decisões e objetivos com linhagem: comandos explícitos e uma ferramenta de modelo registram decisões de forma determinística, um cartão de status as reancora ao longo da compactação, um fluxo de eventos sem perdas com recuperação BM25+jieba dá suporte a isso, e uma suíte de regressão de fidelidade em nível de cenário controla os releases.

Avalia em modo somente leitura se um banco Dameng DM8 pode ser recuperado e até qual LSN ou horário, em 16 cenários, e gera um relatório HTML. Requer Java 8+ e o driver JDBC da Dameng (DmJdbcDriver8.jar), fornecido por você.

Custo de tokens ao vivo por chat, subagentes e árvore completa da sessão. Usa snapshot integrado `models.dev` com 7 provedores e 139 modelos tarifados, inclui tarifas de leitura/escrita de cache quando publicadas e a tabela oficial de pico/fora de pico do DeepSeek. Mostra o preço de cada resposta concluída e calcula chats fechados pelo log. Ledger JSONL append-only no projeto registra gastos por intervalo e mantém a tarifa então cobrada. Inclui planos dentro de limite financeiro, cenários de roteamento para escolher modelos úteis, documento em inglês/chinês/russo e aviso de gastos sem unidade atribuída.

Painel de prática de espanhol para DeepSeek Harness: seis tipos de exercício avaliados localmente (conjugação verbal em 11 tempos, gênero, plurais, reconhecimento de vocabulário, completar frases e gramática de ser/estar e subjuntivo), aba de redação de cenários avaliada pelo modelo, repetição espaçada de 8 níveis e quatro ferramentas agent. O plugin calcula e corrige respostas; o modelo serve apenas para ensinar e explicar.

Plugin de revisão de decisões baseado no Yijing para DSH: mecanismo de agregação ponderada em seis camadas (de 384 yao ao taiji) com regras de veto por associações fortes. É JavaScript puro, sem dependências de solver. O plano gratuito permite até 9 execuções por dia; códigos de ativação aumentam o limite. No cenário de tendências de ações, busca cotações ao vivo da Tencent para os códigos de ações incluídos na solicitação.

Monta o serviço semântico tsm-core-dlr (vetores + grafo LanceDB) como ferramentas MCP e inclui skill DLR/TSM independente de cenário, status e regras. Dependência obrigatória, deve estar rodando antes de ativar o bundle.

Dossiê de Skills e relatório de trabalho para DSH: navegue, pesquise e arquive cada Skill (direção, escopo, limites e cenários), revise ou exclua e reúna briefings diários em relatórios diários, semanais e mensais.

Preset de agente que transforma uma ideia em uma linha em requisitos, plano técnico e base de manutenção; cada etapa é reformulada e confirmada por você antes de prosseguir. Sem presets de cenário: carrega por contexto 73 skills atômicas (6 principais, um dispatcher de verificação e 66 subskills).

Roteia solicitações dsh conforme o cenário da conversa e tenta novamente com modelos alternativos quando falham.

Pacotes de cenários de plugins dsh (os dotfiles do mundo dos plugins): ferramenta para listar, pesquisar, aplicar e compor ambientes prontos com sequências ordenadas de instalação.

Pacote inicial para DeepSeek Harness: boas-vindas, trilha de aprendizagem 0→1, recomendações de plugins por cenário e checklist de autoavaliação, junto ao repositório chinês de tutorial dsh-handbook-zh.