Plugins

Download local de faturas IMAP, OCR, arquivamento e pacote resumo em Excel para DeepSeek Harness

Recolhimento automático do fluxo de trabalho ao estilo Codex: os turnos concluídos se recolhem em uma única linha "processado em Xs", deixando apenas a resposta final; chamadas de ferramentas e blocos de pensamento se recolhem em chips de resumo ao vivo que acompanham o streaming; expansível nível a nível, totalmente reversível ao desinstalar.

DSH Knit ordena na barra lateral Markdown/código/imagem/vídeo de todo o workspace e expõe Context Pack via knit_docs. BM25/IDF local padrão compara mensagens recentes com título/resumo/conteúdo: sem modelo/rede, nada sai; índice persiste após reinício/novas sessões. Evidência/prévia; atribuição fixada ao ler, fixar/excluir antes da busca (reversível). v0.23 híbrido opcional OFF, exige embeddings Ollama/OpenAI compatíveis configurados pelo usuário. Envia query+título/resumo (Markdown: início ≤60 caracteres; código: pasta relativa; mídia: nome), nunca corpo completo/caminho absoluto; loopback local. v0.24 associa mudanças não commitadas via git status somente leitura (argv fixo, sem shell, env allowlist), OFF. Sem teste com provider real; não alega melhora.

Painel de configurações de estatísticas de uso: heatmap de atividade de 26 semanas, tendência diária de tokens com curva de taxa de acerto de cache, donut e detalhamento por modelo, filtros de intervalo de tempo, cartões de resumo, backfill histórico único e reconstrução sem perdas.

Histórico de entrada estilo terminal para o compositor web: recuperação por setas priorizando as extremidades, com restauração exata do rascunho/cursor, histórico persistente local do navegador, busca reversa com Ctrl+R e reconhecimento de contexto deslizante; a versão 0.5.0 adiciona uma camada de entrada inteligente — trechos entre sessões (/save, /load), modelos de prompt com variáveis, insights de reutilização e destaque de resumos de compactação.

Compactação de contexto protegida para DeepSeek Harness (dsh): a LLM propõe, os guardas deterministic decidem — redução eager por átomo (extract/summary/false sob guardas verbatim) + eviction preguiçosa do reference-graph (0-LLM) + recall byte-exato a partir de um log append-only.

Uma barra de dobrar melhor: dobra automaticamente chamadas de ferramentas e segmentos Think em barras de dobrar de etapas, e colapsa cada turno concluído em um único cabeçalho de turno com métricas ao vivo (duração, TTFT, token, tok/s, acerto de cache) — apenas o resumo final fica visível; ícones iniciais personalizáveis com cartas de baralho animadas integradas (animação de cartas com naipes em ciclo durante a execução, um baralho quando colapsado, um leque quando expandido), uma linha de configurações para o modo de dobrar oficial, compatível com versões novas e antigas do DSH. Zero intrusão no código-fonte do DSH.

Ferramenta de compreensão de vídeo de baixo custo: uma ferramenta video_understand transforma um link do Bilibili / BV / vídeo local em uma camada de informação AVIS (ASR + estrutura de cena + rastreamento de objetos + rótulos YOLO) e retorna resumo + Q&A. Roteamento dinâmico entre camadas orientado por perguntas (L0 ASR / L1 rastreamento de objetos / L2 VLM de keyframe), reutilização da camada semântica para perguntas repetidas, teto de orçamento por pergunta. Motor Python: a camada principal precisa de faster-whisper / opencv / yt-dlp (~200-300MB); a camada semântica opcional adiciona ~2GB de torch / transformers / ultralytics. Um doctor --fix incluído configura o venv e instala ambos.

Selecione parte de uma conversa e pergunte sobre ela em um chat lateral à direita; traga as respostas da IA de volta ao chat principal diretamente ou como um resumo.

Envolve o trabalho em tarefas nomeadas e, quando uma tarefa fecha, dobra todo o seu intervalo de mensagens num único resumo no próximo limite de passo; o conteúdo original pode ser restaurado a pedido.

Estatísticas de uso e custo com tarifas de pico/fora de pico após a mudança de tarifa de 17-08-2026, um painel de resumo flutuante, detalhamentos por sessão e um mapa de calor de uso diário/semanal/mensal/anual/total.

Memória Markdown entre sessões com LLM-Wiki/SOUL.md. Por padrão, injetada após a primeira mensagem só na sessão ativa. remember/recall/consolidate/forget, skill, migração pack/unpack e lembranças pessoais em repouso. Orçamento por arquivo evita truncar o índice; last_access permite decaimento. Saúde só de leitura: tamanho/atualidade/lint. Índice via summary:, grafo páginas/tags arrastável com zoom, filtros tag/type/salience/hot/stale, sugestões de links e checkup com ações prioritárias. Skill sob demanda reduz payload inicial ~23%. Ícone próprio e feedback para este repo. Exige formato DSH v4, DeepSeek Harness oficial 0.1.7+; fonte das mensagens plugin:memory.

Badges inline +N −M nas linhas das ferramentas edit/write e um cartão recolhível de resumo de mudanças de arquivo por turno com diffs alinhados, revisão e undo — cobre chamadas nativas edit/write, str_replace_editor e subchamadas do Code Dispatch, sem necessidade de git.

Substitui o sumarizador de compactação nativo do DSH por um resumo de handoff em cinco seções e mantém toda mensagem ocultada legível em um diretório de segmentos.

Combina o esqueleto de código do Headroom (Apache-2.0) ao estimador do TokenPilot (arXiv:2606.17016). Números publicados: Headroom relata 20% menos tokens para agentes de código e 60–95% para JSON com as mesmas respostas; TokenPilot relata até 60% menos custo em sessões longas. São dados desses projetos, não medições nem benchmarks deste plugin. No DSH, configure perfil, limite do Auto Compact e compressão por esqueleto. Mede com tokenizer exato do DeepSeek V4 e confere a mesma revisão; em modelos incompatíveis, fail-open mantém resultados originais das ferramentas. Comprime por esqueleto durante o turno e resume a intenção no final, dentro da compressão JSONL oficial.

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.

Plugin de memória Honcho da Plastic Labs: injeta o perfil do usuário, resumo da sessão e conclusões relevantes no início da sessão, envia cada turno ao Honcho em segundo plano com segredos redigidos, e adiciona ferramentas honcho_search / honcho_chat / honcho_remember além do comando de status /honcho; configurado pelo ~/.honcho/config.json compartilhado com as outras integrações Honcho, contra o honcho.dev hospedado ou uma instância auto-hospedada.

Turn another computer into a remote Agent teammate: the worker runs its own DSH and a full Agent loop locally, so dispatched tasks keep running when the link drops and its model credentials never leave that machine. The hub dispatches through 8 remote_* tools, receives only a handoff summary plus an artifact manifest, and pulls finished products on demand — intermediate artifacts stay on the worker. Pairing-code onboarding, direct or relay transport for NAT, Web panel on both sides.

Adiciona uma linha de resumo dos arquivos alterados aos turnos concluídos e reverte ou reaplica as alterações de arquivo do último turno da sessão.

Adaptador ACP que controla o DeepSeek Harness a partir do Obsidian Agent Client (e de outros clientes ACP): listar, retomar, bifurcar e excluir sessões, trocar o modelo por sessão, pré-visualizar um resumo de uma linha, importar sessões ACP externas e trazer conversas do Obsidian Agent Client para o armazenamento nativo de sessões do dsh. Requer DSH >= 0.1.5-rc.3.

Compressão de diálogo in-loco por curva de esquecimento para DeepSeek Harness: turnos recentes permanecem verbatim, turnos médios são estruturalmente desidratados (sem LLM), turnos antigos se dobram em um par de resumos limitado — conversas ilimitadas em um orçamento de memória limitado.

Requirements interview before work starts: judges whether a request is clear, asks focused questions when it is not, in strict mode denies editing tools until the user confirms a four-part summary in chat, and keeps confirmed preferences in two-layer memory.

Bancada de leitura de artigos: biblioteca, PDF ao lado de notas Markdown e uma sessão de IA dedicada por artigo. Envia destaques e capturas de regiões para as notas; perguntas sobre seleções incluem a página; edita notas no local com salvamento automático e combina sessões em um Summary.

Contexto de vida simulada para DeepSeek Harness: a cada turno, injeta como aviso recolhido os eventos das últimas 24 h de .life/ do workspace, com janela deslizante, deduplicação/atualizações incrementais por sessão e resumo do mundo. A ferramenta life_react registra sentimentos, pensamentos e ações no diário para a próxima evolução, criando um personagem de interpretação com rotina persistente.