Плагины

От чата к холсту и к произведению: управляйте ComfyUI как визуальной IDE процессов в DSH. Встройте ComfyUI (локальный или облачный) как разделённый холст в DSH Web: агент пишет промпты и скрипты в чате, применяет их вживую и создаёт изображения, музыку, видео и 3D. Операции: сборка пайплайнов, чтение/запись workflow, правка узлов, соединение связей, запуск, настройка и отладка. Производство: пакетные переборы параметров (batch_run) и авто-возврат результатов в чат (get_outputs). Обслуживание: запуск и обновление ComfyUI, ядра и кастомных узлов в один клик. Этот пакет — плагин стороны DSH и поставляет мостовой узел стороны ComfyUI.

Стабильное по кэшу прогрессивное обнаружение инструментов: фиксированная поверхность tool_search и tool_dispatch в каждом запросе, поиск по каталогу в памяти, вложенный диспетчер через пайплайн Harness и байт-стабильный список нативных инструментов на протяжении всего обнаружения.

Команда Cordis /hongtou: двухфазный конвейер (структурированный JSON от LLM + детерминированный рендеринг шаблонов XML Word 2003)

Многоуровневый конвейер оптимизации токенов для DeepSeek Harness: лестница вывода, ленивая загрузка MCP, драйвер компакции, отчёт о попаданиях в кэш. Построен на реальных API плагинов DSH; в долгих сессиях экономит ~40–60% входа.

AI Company Framework: одно предложение превращается в мультиагентную компанию — 15 плоских Skills (boss/pipeline/role-template/11 ролей/generic customer-memory), 7 шаблонов workflow, среда выполнения AgentTeams + панель активности, боковая панель сотрудников с изоляцией по сессиям, мост бота Feishu (бот-boss и боты по сотрудникам, маршрутизация групп, автономные пуши, шлюз решений человека, гайд по внешним контактам), SQLite-память по клиенту с трёхуровневой памятью (межгрупповое слияние), переключатель режима /company; без RAG.

Гейтированная набор навыков по математическому моделированию для DeepSeek Harness: пятиэтапный pipeline с stage gates, шаблонами написания award-paper, анализом чувствительности, статистической диагностикой и пресетом для конкурса.

Отказоустойчивое переключение моделей с высокой доступностью (карантин, размыкание цепи, восстановление через пробы) и оркестрация субагентов (fanout/pipeline/supervisor) с двуязычным интерфейсом настроек.

База знаний по паттерну Karpathy LLM Wiki для DSH: навыки wiki-write/wiki-search, конвейер без зависимостей (lint/индекс/синхронизация памяти mnemon/обратная связь по качеству), минимальный плагин жизненного цикла, внедряющий схему и предпросмотр знаний, семантическое вспоминание SiliconFlow через Ollama-совместимый прокси.

Конвейер AI-написания статей для официальных аккаунтов WeChat: шестиступенчатые запуски статей (тема, план, черновик, проверки, рендеринг, изображения) с контрактом брифа запуска, доска горячих тем с AI-дайджестом по каждому пункту, планирование по RRULE в черновую коробку, рабочий интерфейс плюс чат-инструменты и команда /wewrite, а также fail-closed-подтверждение хоста перед любой отправкой в черновую коробку.

Управляемый рой из шести специализированных агентов DSH — оркестратор, планировщик, мост к базе знаний, разработчик и два рецензента — превращает требование в строгий конвейер фаз, где каждая поставка должна доказать себя структурированными доказательствами до начала следующей фазы; рецензенты работают только на чтение, слияние кода возможно только после прохождения review, а журнал событий только на добавление даёт полное воспроизведение и аудит на живой канбан-доске. Его дизайн вдохновлён канбаном Hermes Agent.

Подключает DeepSeek Harness к пайплайну Hermes: шаблон спецификации диспетчеризации, маршрутизация по уровню модели, контрольные точки качества, запускаемые оркестратором, правило единственного writer'а в git — в виде пакета SKILL.md (устанавливается как бандл).

Страница настроек «Модели+» для веб-интерфейса DSH: таблицы уровня рассуждений для каждой модели, входные модальности и флаги совместимости, сохраняемые через официальный конвейер настроек, с подстановкой метаданных models.dev и управлением API-ключами.

Math Agent Framework для DeepSeek Harness: движок символьного вывода (CES / квадратичные формы / ODE / PDE), проверка SymPy, формальные доказательства, верифицированные компилятором Lean 4, и многоагентная состязательная верификация в стиле QED, предоставляемые как нативные DSH-инструменты через TS-оболочку, связывающую движок Python. Требуется клонировать репозиторий math-agent-framework и выполнить `pip install -r requirements.txt`, при этом MATH_AGENT_HOME должен указывать на корень репозитория. Каждый результат содержит информацию о происхождении (версии движка, seed, допуски) и помечается как недоверенные данные.

Распознавание крупных изображений для моделей vision-exp: распознавание плиток 800×800 без потерь (smart/pipeline/full), локальный OCR с предобработкой и маршрутизацией рукописного текста, опциональный мультивендорный GPU (DirectML/CUDA/OpenVINO) с автоматическим переходом на CPU.

Озвучивает ответы агента в веб-интерфейсе DeepSeek Harness через цепочку отката между провайдерами (OpenAI, ElevenLabs, Google, Azure, Groq, Deepgram, OpenRouter, Edge, Piper, eSpeak), так что сбойный или ограниченный по частоте провайдер передаёт эстафету следующему, а не замолкает.

Предустановка агента виртуальной продуктовой команды: беседа под руководством пользователя проведет вас через полный 12-шаговый конвейер от идеи до выпущенного, продвигаемого и эксплуатируемого продукта, с поэтапными контрольными точками и навыками для каждого этапа.

Хранит решения проекта в Markdown, а не в истории чата: основной документ и документы по модулям, каждая запись с цитатой file:line. Агент задаёт вопросы, чтобы закрыть нерешённые пункты, и рассчитывает оценку по пяти критериям (сложность, расширяемость, сопровождаемость, качество кода, повторное использование), показываемую у выбора модели. Сессия может связать несколько проектов; размер small/medium/large расширяет лимиты записей. По триггерным словам внедряется переиспользуемый раздел pipeline из основного документа.

Конвейер Spec-Driven Development для Odoo: 15 инструментов ведут запрос от неизменяемой спецификации через архитектуру к коду модуля или живой конфигурации, затем требуют сохранённого вердикта, подкреплённого доказательствами из реального экземпляра Odoo, с закрытыми при сбое воротами, одобряемыми человеком пакетами в объявленном окружении, собственным импортёром CSV/Excel из Odoo и журналом, который откатывает данные, записанные через плагин.

Многоуровневая память для DSH с 10 инструментами агента: привилегированная запись (memory_add, memory_delete, memory_import), управление размышлением (memory_ruminate и связанные команды) и граф памяти. Конвейер L0-L3 извлекает и добавляет релевантные воспоминания перед каждым шагом модели.

Полный конвейер китайского перевода для веб-GUI dsh: перевод рассуждений модели в реальном времени по мере потоковой выдачи, китайский текст под каждым английским ответом и однострочные китайские сводки результатов инструментов и пояснений вызовов инструментов — отдельный запрос к провайдеру, который никогда не попадает в стенограмму сеанса.

Конвейер доверия к плагинам DeepSeek Harness: детерминированное статическое сканирование с вердиктами, подключаемая защита времени выполнения с honeypot-приманками, навык протокола аудита агента и индикатор статуса browser shield. Только сигнализация, без принуждения.

Доска поставки для команд клиентских проектов: конвейер с шаблоном по умолчанию, управления или собственными этапами; карточки с ответственным, сроком, критериями приёмки и DoD. Смена этапа автоматически записывается в журнал аудита передачи. Есть журналы прогресса/рисков/блокеров/решений, еженедельный Markdown-отчёт, доска drag-and-drop только через loopback и HTML-экспорт для чтения. Состояние в delivery.json рабочего пространства; 11 инструментов delivery_* и /delivery.

Отображение Markdown в отправленных пользовательских сообщениях DeepSeek Harness: в каждом пузыре списки, код, таблицы, цитаты и встроенное форматирование обрабатываются собственным Markdown-конвейером хоста; очереди, предпросмотр и поле ввода остаются в виде обычного текста.

Запускает конвейеры AItelier из DSH через MCP: 39 инструментов (22 чтения, 17 записи) для генерации, запуска, инспектирования, редактирования, экспорта и импорта многошаговых конвейеров SkillFlow. Шаги выполняются в AItelier, а не в сессии DSH, опрашиваются по run_id, приостанавливаются на принудительных движком контрольных точках, отвечаемых через answer_checkpoint, и оставляют пошаговые трассировки и выходные данные шагов для последующего чтения; add_provider / map_model / edit_role направляют отдельную роль на локальную или более дешёвую конечную точку. Включает навык aitelier-pipelines.