Плагины

Плагин агента для workflow-инжиниринга harness/loop, управляемый навыками (skills).

База знаний по разработке плагинов DSH в качестве навыка агента по требованию: официальные ограничения, рабочие процессы задач, справочник API и подводные камни сообщества, устанавливается вместе с пакетом, чтобы агент мог искать информацию при создании плагина.

Локальное хранилище знаний агента в виде Obsidian-хранилища (vault), с инструментами DSH только для чтения, которые маршрутизируют status, preference, correction, memory, project, search и suggest на соответствующую страницу.

Конфигурация усилия рассуждения и модальности ввода для каждой модели у сторонних провайдеров: предложения, объединённые из базы знаний моделей и сырых данных эндпоинта /models, с метками уверенности, редактируемые в карточке официальной страницы Models.

Локальное хранилище Obsidian как база знаний агента, с инструментами DSH только для чтения, которые направляют статус, предпочтения, исправления, память, проект, поиск и предложения на соответствующую страницу.

QA-конвейер в виде 10 навыков агента: анализ требований, тестовая стратегия, написание и ревью кейсов, E2E (Playwright) и автоматизация API, исследовательское тестирование, область регрессии и анализ багов на основе общей базы знаний с правилами формата, моделью рисков и валидаторами схем.

Устанавливает четыре многоагентных пресета для математических исследований в DSH: v2 (пайплайн на основе вероятностей с дебатами нескольких проверяющих), v3 (база знаний в стиле статьи на Markdown с агентом-планировщиком и переиспользуемой библиотекой методов), v4 (постоянные самоорганизующиеся резиденты, которые переписываются и встречаются) и v5 (исследовательский институт с академиком, который разбирает и распределяет работу, голосующими исследователями, временными работниками, групповым чатом и таск-бордом compare-and-set); все четыре поддерживают возобновление с чекпоинта, вмешательство человека и необязательный переключатель формальной верификации Lean (off/encourage/require), прошедшее доказательство которого превращает голосование в проверку точности Lean-утверждений.

Мост к устройствам HarmonyOS: цикл автоматизации hdc — скриншот/установка/лог/крэш/UI-автоматизация — с read_image, официально-приоритетными версионированными знаниями API (SDK .d.ts + офлайн-документация в комплекте) и линией сборки/подписи/линтинга через DevEco CLI.

Превращает локальные документы в формате markdown и текстовые документы в запрашиваемую базу знаний с гибридным семантическим и ключевым поиском, проверкой цитат и внедрением источников.

OMK — Observe. Measure. Know. Подтверждённые доказательствами изменения знаний для приложений ИИ.

Локальный граф знаний кода для агентов программирования: 10 инструментов MCP для многослойного сжатия контекста, планирования DAG, инкрементальной индексации AST, межсессионного цикла навыков, диагностики и импорта/экспорта артефактов графа.

Автономный второй мозг для DeepSeek Harness — автоматически захватывает устойчивые диалоговые знания в локальное хранилище Markdown (пользовательская дедупликация, поиск CJK, совместимость с git), с графической базой знаний и интерактивным графом знаний (фильтр легенды, цветовая кодировка по временному измерению, выделение рамкой, слияние, удаление, экспорт/импорт PNG).

Локальный RAG по базе знаний литературы: 10 инструментов (kb_ingest, kb_search, kb_rag, kb_zotero, kb_dedup, kb_clear, kb_fetch, kb_scope, kb_stats, kb_status), гибридный поиск BM25 + вектор + реранкер, ответы на вопросы со ссылками и кликабельными DOI, полностью локальные эмбеддинги bge на однофайловом индексе SQLite. Требуется Python 3.9+ с pymupdf, faiss-cpu и sentence-transformers; установщик `npx dsh-kb-rag-install` всё это настраивает и заранее скачивает модель.

Предоставляет локальные и удалённые базы знаний с поиском в области проекта и сессии, контролируемой обратной записью и встроенной веб-консолью управления.

Собственный плагин памяти для DSH: постоянное хранилище SQLite + аудит-страж на уровне базы данных (enforceAudit) + журнал аудита. Автоматически захватывает знания после бесед, агенты вспоминают через memory_recall, поддерживается обмен между Claude Code/Codex/Cursor. Ноль внешних зависимостей.

Локальная RAG-база знаний по литературе для DSH: гибридный поиск BM25 + векторный по индексу SQLite, переранжирование кросс-энкодером, ответы со ссылками и происхождением на уровне раздела и страницы, обновление только метаданных и фоновая загрузка с опросом прогресса.

Бандл DSH, регистрирующий 13 нативных инструментов codegraph_*, оборачивающих CLI codegraph, чтобы агенты могли инициализировать, поддерживать и опрашивать предварительно индексированный граф знаний кода (запрос символов, исследование, след узлов, вызывающие/вызываемые, влияние, затронутые тесты) вместо grep по файлам.

Мост ShiGuang Memory Engine (SGME): общая долговременная память для нескольких агентов через HTTP — дистилляция L0/L1/L1.5/L2, внедрение по сценарию, единый поиск и проактивные сигналы заботы (memory_search / wiki_search / signal_pull / signal_claim / signal_ack), устанавливается как `dsh-sgme`.

Поиск по Zhihu, инструменты агента, базы знаний и отслеживание использования для DeepSeek Harness.

Интеграционный слой DSH для механизма памяти Minta: компонует официальную строку dsh-mcp-client, регистрирует skill minta-memory-governance плюс предварительный прогрев памяти при старте сессии и поставляет пресет агента Minta; требует отдельно развёрнутый механизм Minta (Python/Docker) для предоставления 19 инструментов MCP — без него непригоден.

Навык проверки кода на основе шаблонов: пятиэтапный процесс ревью, градация серьёзности (критическая/средняя/незначительная), четырёхмерная оценка (качество, безопасность, производительность, поддерживаемость), двойной вывод отчётов в текстовом и HTML-формате и справочная база знаний по запросу.

Добавляет в веб-клиент DSH панель многопользовательских настроек: выбор режима использования, управление участниками с онлайн-статусом и привязкой устройств, а также переключение или совместное использование баз памяти и знаний для каждого участника.

Портативная база знаний агента на простом Markdown OKF v0.2: 13 инструментов wiki_* для чтения и записи, постепенное раскрытие, обратные ссылки, запись под контролем правил AGENTS.md, автообслуживание индекса и журнала, линтинг и переключение между именованными наборами (на уровне сессии или глобально).

Цикл непрерывного самоусовершенствования: персистентная память, периодическое рецензирование и уточнение, общие знания между сессиями и автоматический откат через вызываемый моделью инструмент harness_refine.