Plugins

Backend do Tencent CloudBase para o DeepSeek Harness — scaffold e implanta aplicativos full-stack a partir do chat, renderiza os resultados de consultas como cartões de tabela com paginação, ordenação e exportação em CSV, visualiza uma implantação em seu próprio domínio e chama o conjunto de ferramentas MCP do CloudBase (`mcp__cloudbase__*`) com login por código de dispositivo.

Backend CloudBase para DeepSeek Harness — aplicativos full-stack a partir do chat, painel de banco de dados/armazenamento/autenticação e implantação com um clique.

Memória de recuperação de falhas: pesquisa e registra lições de recuperação de falhas extraídas de sessões reais de engenharia, com recuperação BM25 + RAG semântico e uma base de conhecimento de lições.

Quadro de tarefas SQLite local como página de sobreposição nativa: projetos, tarefas, comentários, relações, anexos e automação de fluxo de trabalho, com status backlog → todo → in_progress → in_review → done; as ferramentas de Agente `taskboard_*` só podem enviar trabalho para in_review, além de uma CLI JSON headless e uma skill empacotada.

Deixe a IA se conectar a bancos de dados e escrever SQL para você.

Permita que o modelo se conecte a bancos de dados e escreva SQL.

Memória entre sessões com escopo de projeto: armazenamento SQLite de sete camadas (soul/user/project/fact/lesson/rules/topic) sobre node:sqlite, injeção na primeira mensagem amigável ao cache mais acertos de palavras-chave por mensagem, ferramentas memory_remember/search/find_similar/read/update/project e consolidação em janela de ociosidade ("dream") com supressão em horário de pico. Os textos de prompt são fornecidos como arquivos de dados por idioma — o framework suporta usuários multilíngues.

A memória que sonha — memória entre sessões para o DeepSeek Harness: lembra de você entre sessões, consolida automaticamente enquanto dorme (autoDream), congela memórias conflitantes para sua revisão e mantém uma trilha de auditoria reproduzível. Busca semântica local offline-first sobre SQLite com espelhos Markdown editáveis por humanos, um grafo de entidades, um painel de memória interativo, além de uma API externa e CLI.

Memória entre sessões limitada, em camadas, sujeita a aprovação e auditável: uma interface `ctx.memory` tipada com um provedor SQLite sem dependências, uma ferramenta `memory` e injeção de instantâneos congelados, além do ensaio do dsh-memory-protocol v1 com um registro de adaptadores e um conjunto de conformidade distribuível.

A memória que sonha — memória entre sessões para o DeepSeek Harness: recorda você entre sessões, autoconsolida-se enquanto dorme (autoDream), congela memórias conflitantes para sua revisão e mantém uma trilha de auditoria reexecutável. Busca semântica local offline-first sobre SQLite com espelhos Markdown editáveis por humanos, um grafo de entidades, um painel de memória interativo, além de uma API externa e uma CLI.

A memória que sonha — memória entre sessões para o DeepSeek Harness: lembra de você entre sessões, autoconsolida enquanto dorme (autoDream), congela memórias conflitantes para sua revisão e mantém uma trilha de auditoria reproduzível. Busca semântica local offline-first sobre SQLite com espelhos Markdown editáveis por humanos, um grafo de entidades, um painel de memória interativo, além de API externa e CLI.

Conversas recentes permanecem vívidas. As antigas desvanecem-se em resumos, não no esquecimento. StrataGate oferece ao DeepSeek Harness memória em seis camadas, com decaimento temporal, enquanto eventos e relacionamentos duradouros se acomodam em um grafo de conhecimento. Traga suas memórias de outras IAs com você — sem precisar recomeçar.

Memória causal para dsh: uma ponte MCP stdio sem dependências que monta as 17 ferramentas do servidor causal-memory com nomes simples (sem prefixo mcp__) — arestas decisão → resultado com relações tipadas (caused / enabled / prevented) numa loja SQLite local que sobrevive à compactação — mais uma secção de prompt de sistema fixada. Requer o binário do servidor causal-memory no PATH (pip install causal-memory ou uma versão pré-compilada).

Busca web aprimorada e persistente: roteamento multi-mecanismo (DeepSeek/Exa/DDG/Bing/Jina + GitHub/Bilibili/YouTube/V2EX/Xiaohongshu/Twitter/Reddit/RSS), cache SQLite+LRU, extração no estilo userscript, renderização via Playwright.

Modo red team: você informa um nome de organização e um planejador executa cinco papéis (reconhecimento, ativos, vulnerabilidades, exploração, pivô) com até 3 agentes simultâneos; pré-checagem de skills e recursos, pedido único da chave ou VPS faltante, guiado por uma skill de onboarding integrada. Pontuação pelas regras unificadas de intrusion scoring (8 categorias / 25 pontos), limites no servidor, maior privilégio vence e dedup por serviço; contas autorregistradas nunca pontuam. Os achados, com carimbo de tempo, vão para uma base SQLite local e aparecem em um console direito de 12 abas (ativos, agentes, sessão/túnel, cadeia de ataque, pontuação, relatório justificado, base POC/EXP, skills). Inclui 23 skills nativas, 53 ferramentas redteam_* e autoatualização em um comando.

Motor de memória entre sessões para o DeepSeek Harness: armazenamento SQLite + espelho Markdown editável por humanos, consolidação autoDream, busca semântica offline (vetorização/reclassificação/clustering locais), linha do tempo de entidade-atributo, Sleep Mode, autoSummarize com modelo personalizado e 7 ferramentas de memória.

SkillRoute da JEStats: roteamento de skills para agentes do DeepSeek Harness.

Bundle DeepSeek Harness (dsh) que conecta o roteador de skills do SkillRoute aos seus agentes.

Pacote DeepSeek Harness (dsh) que conecta o roteador de skills do SkillRoute aos seus agentes.

Memória de longo prazo para DeepSeek Harness: recuperação multicanal e um repositório de memória em evolução.

StrataGate oferece ao DeepSeek Harness memória local-first, a longo prazo e evolutiva para preferências do usuário, decisões de projeto, conversas e resultados de ferramentas entre sessões; sobrepõe o histórico com decaimento temporal ajustável pelo usuário, reforça memórias pelo uso em respostas reais, mostra contagens de uso cientes do espaço de trabalho e mantém as evidências recuperadas rastreáveis até suas mensagens originais.

Memória de longo prazo para DSH: conversas destiladas automaticamente em fatos atômicos, resumos de cena e um perfil de persona, com memórias relevantes injetadas antes de cada etapa do modelo. Zero configuração, pronto para uso — recuperação híbrida BM25 + vetorial, embeddings locais offline opcionais, separação de famílias chat/trabalho.

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.

Fornece bases de conhecimento locais e remotas com recuperação no escopo de projeto e sessão, gravação controlada de volta e um console de gerenciamento Web integrado.