Plugins

Quatro ferramentas somente leitura sobre uma base de conhecimento WeKnora: listar bases de conhecimento, busca híbrida de passagens, reagrupar os chunks de um documento em ordem, e a resposta RAG citada ou de agente ReAct própria do WeKnora com id de sessão retomável.

Define o idioma de raciocínio do modelo para o nível escolhido em Settings - General - Thinking language (chinês simplificado ou um nível padrão que limita apenas as respostas e deixa o raciocínio a cargo do modelo). Injeta uma seção de prompt do sistema na ordem -1000000 e a recoloca no início ao fim da montagem; uma cópia opcional pode ser inserida antes de cada mensagem do usuário para modelos que seguem mal seções estáticas.

Configura visualmente o prompt, as ferramentas, as skills visíveis, os subagentes e os modelos de fallback de um agente, e monta vários deles em uma equipe. Nunca grava ou edita nenhum arquivo de preset do host.

Plugin de gestão do prompt de sistema padrão do DeepSeek Harness: navegue, pesquise e substitua o prompt final montado a cada rodada de sessão em «Settings» da Web GUI.

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

Equipe Multi-Agent por funções para DeepSeek Harness: produto, arquitetura, frontend, backend, revisão e QA trabalham em nove fases com controles; equipe persistente disponível. Sem dependências runtime ou build.

Localização para chinês do DeepSeek Harness: traduz em tempo de execução todos os prompts de sistema, descrições de ferramentas e contextos de execução para chinês via cascata system-prompt/assemble (1788 entradas, sem modificação do código-fonte, desinstalar restaura o inglês).

Plugin Context Assembler para DeepSeek Harness: montagem de contexto em blocos de tópicos, divisão de tópicos por pressão, rastreamento/reescrita de ferramentas, injeção de recall de realidade e planejamento de handoff.

A full-screen novel-writing workbench: chapter board, draft candidates reviewed and merged paragraph by paragraph, plot summaries carrying an index header, and a writing pack assembled from the outline, character cards and earlier chapters. It also reads a shelf of finished books you import, extracts their writing habits in one run, merges them into a single style standard, and puts that standard in the prompt for every later generation.

Núcleo de julgamento para DeepSeek Harness: um ciclo cognitivo atribui fonte a cada decisão e conclui o planejamento; a memória hippocampus transforma experiência em conhecimento (diário, arquivo episódico, queda de confiança baixa); a arquitetura define responsabilidades e critérios consistentes; uma equipe A2A gerencia a memória via dsh-linghun-assembler. Requer DSH ^0.1.0-rc.7 (rc.2 compatível).

Memory-assembly team for DeepSeek Harness: every message triggers a five-step cognition loop (judge, retrieve, assemble, feedback, calibrate) carried by role-playing subagents (judge, retriever, archivist, advocate, editor, scribe), using BM25 retrieval, time-ordered material, and LLM assembly to build useful material packs injected into linghun. Works with dsh-linghun.

Model attribution panel for the dsh web chat — local, zero-network structural fingerprinting (template token leaks, glitch canaries, tokenizer usage-vector matching) that scores which of 29 AI vendors a session's responses most resemble, with a per-claim evidence ledger and a 12-probe active battery.

Council of High Intelligence: monte um think tank de 18 figuras históricas para debate estruturado em múltiplas perspectivas, com um painel lateral DAG ao vivo, histórico de execução em SQLite e padrões por projeto via .council.yaml.

Inspecione, meça, pesquise e compare o contexto exato, neutro em relação ao provedor, montado pelo DeepSeek Harness.

Memória bitemporal apoiada por um daemon SodaMem: o recall é contribuído ao prompt enquanto cada turno é montado e todo turno encerrado é ingerido, sem chamada de ferramenta e sem chamada de modelo no caminho de leitura; cada fato recuperado cita o turno de origem e carrega datas de validade, para que fatos superados deixem de ser recuperados.

DSH hardware sandbox plugin: assemble a 3D scene of ESP32 / BME280 / PIR / LED components with protocol- and voltage-checked port wiring, run real Python project code in the loop against simulated I2C/GPIO hardware with fault injection, let networked device simulators report over HTTP to a real backend (validated end-to-end against a live seat-reservation system), observe a real device read-only and map its state onto the scene, and add support for new boards through data-driven pin definitions. Ships 16 hw_* agent tools plus a bundled SKILL.md.

Assistente de SSQ (Bola Dupla, loteria de bem-estar social da China) para o DeepSeek Harness: acompanhamento de tendências dos últimos 1000 sorteios, seis modelos de previsão com votação em conjunto, análise estrutural e geração dan-tuo/aleatória pela ferramenta ssq.

Turns a Minecraft Java save into a Blender cover or animation: scans the .mca region files for flat open ground, exports the terrain to OBJ, and drives Blender headless with MCprep materials, the BPS character rig and three-point lighting. After each render it reviews the frame with OpenCV for facing, ground contact, exposure, lighting and composition, then re-renders with adjusted parameters when a check fails. Requires Blender 4.2 LTS or newer and Python 3.10+ with opencv-python and numpy; the first run assembles the Minecraft assets with the bundled setup command.

Semantic code search for DeepSeek Harness: registers two native tools, semble_search (find code by describing its behaviour, returning ranked file:line hits) and semble_find_related (neighbours of a known location), which run the Semble CLI via uvx, plus one bundled routing skill. Requires uv on PATH; the first query on a repository builds its index.

Standalone prompt assembly with a source registry, custom text, strategy editing and previews, and per-session strategy snapshots through DSH public hooks.

System-prompt surface drift gate: every section any plugin or preset contributes to the assembled system prompt is hashed and baselined; a silent rewrite of what the model is told fails loud.

Host-side long-task detection for small-context local models: long outputs are scaffolded into a parts skeleton (one part per reply, then assemble), and multi-step work into a PLAN.md ledger with notes/ (plan first, one step per reply). Detection is heuristic and host-side, so it does not depend on the model judging its own limits.

Read, build and take apart EPUB 3 books with no external dependency — the ZIP reader/writer and the XML scanner are both built in. Inspect metadata, reading order and TOC for structural problems, assemble a book from chapters, or split one back into per-chapter HTML.

Wire-level LLM inspector: captures the raw HTTP request and response bodies of model provider calls and attributes each capture to the session that caused it through the llm/stream waterfall. The request pane renders the body as a collapsible tree with per-node sizes — one measured request was 98.6% a single 973-entry array — and the response pane reassembles the OpenAI-style SSE chunk stream into reasoning, content, tool calls and usage. Shown in a Conversation View tab and a loopback viewer page.