Plugins

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.

Converte vídeos do Bilibili em texto estruturado para IA: metadados, comentários, danmaku, legendas, ASR local e OCR de quadros. O processamento é local, sem envio à nuvem; verifica quadros para detectar legendas falsas, usa cache em releituras e gera manifesto e resumo para IA. OCR de quadros requer ffmpeg. ASR/OCR local requer ambientes virtuais Python 3.10+ e, no Windows, também o runtime VC++. Legendas por IA exigem login no Bilibili.

Empacota o conjunto upstream de habilidades de apresentação ppt-master como plugin instalável do DeepSeek Harness: habilidades incluídas byte a byte, três ferramentas de ciclo de vida (ppt_master_info, ppt_master_check_env, ppt_master_setup_deps), isolamento opcional do interpretador venv e cartão de configuração na página Plugins. Requer python3 >= 3.10 e dependências pip instaladas por ppt_master_setup_deps.

Insere a cada turno um prefácio de seleção de skills escolhido pelo modelo JEV local do workspace jev-decision-kit, para que o agente carregue apenas essas skills em vez de procurá-las. Requer um workspace jev-decision-kit configurado separadamente (Python .venv, host/preface_worker.py, models/jev/head.json); sem ele, nada é inserido.

Ferramentas de comandos CLI Lanting + proteção L0: 9 ferramentas de memória + 6 ferramentas de qualidade (registro defineTool, spawn venv _cli.py) + proteção de escrita/chamada direta

Chat ao vivo do Bilibili para DSH: lê mensagens, só envia após confirmação explícita e permanece na sala em segundo plano. O modelo pode decidir se responde; áudio pode ser transcrito, mas não há compreensão de vídeo. Requer venv Python 3, requirements e cookies Bilibili; transcrição requer ffmpeg e Whisper.

Estúdio de modelagem sólida NURBS BRep com entrada em linguagem natural, viewport 3D ao vivo (medir/wireframe/ajustar), exportação STEP e ferramentas agent que controlam NVIDIA usd-brep em venv CPython gerenciado. Requer CPython 3.12; wheels usd-brep atendem apenas Windows/Linux 64 bits.

Ambientes de execução por projeto para o DeepSeek Harness: adota ou cria automaticamente um venv Python local ao projeto (.venv_local/python) e conecta as toolchains e variáveis de ambiente dos runtimes que cada projeto usa (python venv / node / go) — python e pip sempre resolvem para o projeto, nunca silenciosamente para o Python do sistema.

Plugin de bioinformática «análise por desejo»: cobertura completa de BioPython (qualquer executor de código bio_python + 14 skills de domínio) + ferramentas semânticas de alta frequência + ambiente Python auto-bootstrap sem dependências (uv + venv + biopython baixado automaticamente para o diretório privado do plugin). Usuários baixam e instalam para análises por desejo.

A durable RAG-enhanced long-term memory layer for LLM agents, featuring holographic memory, state-slot conflict detection, and timeline retrieval. Requires Python 3.10+ and this repository's Python dependencies: create a venv and run pip install -e ".\[dev]" in the checkout before enabling the plugin (the bundled installer is a PowerShell script, i.e. Windows).

Inclui biblioteca de leitura profunda de artigos e o skill paper-deepread-html: painel lateral para navegar relatórios interativos, enviar PDFs à biblioteca gerenciada, analisá-los com um agente ou worker opcional de leitura automática do site e gerenciar/reconstruir a biblioteca. Model tools: paper_deepread, paper_deepread_uploads, paper_deepread_reports. Leitura/ingestão/relatórios exigem Python 3; o skill prepara um venv PyMuPDF no primeiro uso e a reconstrução do índice usa plain python3 como fallback.

Memória de longo prazo baseada em mem0 e armazenamento Chroma local: injeta perfil do usuário e fatos recuperados no system prompt e captura informações ao fim da sessão. Um processo noturno remove duplicatas, combina paráfrases e resolve contradições; um grafo persistente de tópicos é salvo em cartões Markdown. Exportação periódica para repositório Git e interface de memória em página inteira com busca, mesclagem em lote, snapshots e desfazer. Antes de usar, é preciso configurar manualmente um Python venv e fornecer chaves de API de LLM e embeddings.

Substitui o executor bash integrado e resolve o ambiente conforme o diretório de trabalho de cada comando. Permite acrescentar caminhos ao início do PATH, ativar Python venv e usar mise shims; há uma seção própria nas configurações da Web UI.

Plugin de entrada por voz (dual-face): microfone ao lado do envio, balão de gravação que transmite PCM a um serviço Python local Qwen3-ASR gerenciado pelo host e página de configurações ASR (clona repositórios de runtime/modelo e cria um venv).