Плагины

Панель анатомии для органов Agent-Body: предоставляет живую панель показателей жизнедеятельности по адресу /anatomy внутри самого харнесса — органы, сердцебиение, журнал исцеления, счётчики самообучения и реальный поток пульса — считываемые напрямую из файлов среды выполнения, а не вводимые заново. Только хост, без клиентского бандла и без этапа сборки.

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).

Мобильная оболочка UI для Web GUI DSH: превращает настольный трёхколоночный макет в удобный для касаний телефонный макет (выдвижные панели, перетаскиваемая FAB, полноэкранные диалоги, история с бесконечной прокруткой) при viewport до 1024px, без влияния на настольную версию. - Полноценное мобильное PWA для DSH, построенное на dsh-mobile-gate: безопасный шлюз удалённого доступа плюс установка на главный экран (manifest + service worker), работа офлайн, сенсорные жесты (потянуть для обновления, свайп от края назад, щипок для масштабирования шрифта), push-уведомления о завершении агентом и touch-first макет — настольная версия не затронута.

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

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.

Контекст бизнес-сети знаний для DeepSeek Harness: привязывает сессию к сети знаний OpenBKN, запрашивает её объекты и метрики через управляемые инструменты MCP и открывает подтверждённое источниками происхождение (факты выполнения и бизнес-граф) для каждого ответа. Поставляется с OpenBKN Runtime; для представлений происхождения нужна корпоративная лицензия OpenBKN.

Анализ использования по моделям, провайдерам, пространствам и периодам — с произвольными датами по всей истории — с видимостью cache-hit и разбивкой по моделям и провайдерам. Включает почасовые/дневные тренды, 53-недельную тепловую карту в стиле GitHub, серии, кольца квот токенов по моделям и пространствам (токены, стоимость, %), комбинируемые фильтры, эффективность кэша, баланс DeepSeek, псевдонимы пространств, экспорт CSV и долговечный журнал, сохраняющий использование после удаления сессии или пространства (строка Deleted) и перестраиваемый инкрементально. Реестр пространств обновляется через зонд DSH domain/changed; учитываются только зарегистрированные пространства. Отдельный учёт: вход, кэш, рассуждения. Китайский: местное время; английский: UTC; API только loopback.

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`.

Плагин для DeepSeek Harness, превращающий решения Jev в три автоматических действия — обрезку слишком большого вывода инструментов до фрагментов, релевантных запросу, проверку загруженных страниц на инструкции, адресованные модели, и выбор навыка для следующего шага — плюс инструменты jev_ask и jev_gate, журнал решений, переживаемый перезапуски, и отчёт /jev-status. Требуется ключ TypeSafe API; без него он неактивен и ничего не отправляет.

Десктопный питомец по официальному контуру кита, и для десктопного приложения, и для web UI: SVG-анимации и мимика отражают состояние агента (думает, работает, готово, ошибка, ждёт подтверждения), и он может следить за другими запущенными сессиями со счётчиком-бейджем; его можно тыкать, таскать, трясти до головокружения, сплющивать о край экрана или гладить курсором по голове; 7 палитр, 4 размера, синтезированные звуки, синхронизация светлой/тёмной темы и игровое web-превью.

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

База знаний в виде холста в правой боковой панели: заметки — узлы, а 9 инструментов позволяют модели читать, записывать, связывать и удалять их. В узле можно хранить изображения и документы; чтение возвращает текст, файлы Office извлекаются на месте, изображения передаются как изображения.

Визуальные round-table встречи для DeepSeek Harness — узлы экспертов на кольце с направленными рёбрами, агрегирующий шлюз, proxy thinking для black-box worker models и adversarial review (red-team) утверждённых планов с endorse/reject по каждому взгляду.

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.

Рабочая область дизайна: HTML в рамке устройства, обновление при изменении; локальные серверы проксируются с hot reload. Клик/выделение передаёт selector, источник и стили. Извлекает дизайн, меняет экраны/CSS, создаёт React/Vue/Next.js/HTML, сравнивает пиксели. Инструменты: `preview_page`, `check_design`, `look_design`, `extract_design_system`, `handoff_design`, `compare_design`. `check_design` измеряет реальный размер в скрытом локальном Chrome/Edge; находит перекрытия, ошибки скриптов, отсутствующие ресурсы, битые ссылки и проблемы контраста/шрифта (CSS-файл/строка), снимает серьёзные случаи. Design mode, переключатели в Plugins. Удалённо локальные файлы помещаются в sandbox frame.

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.

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.

Движок для написания веб-новелл для DeepSeek Harness: параллельное черновое написание, составление плана и мозговой штурм с отдельным ключом DeepSeek, управление лором и предвестиями сюжета, семантический векторный поиск, библиотека корпуса, журнал использования, механическая корректура и локальный план сериализации.

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

Универсальная база знаний для DSH: импорт md/txt/json/yml/docx/pdf, управление папками, полнотекстовый поиск FTS5 (BM25) и веб-интерфейс управления.

Мост Windowseat для DeepSeek Harness: локальный host-плагин предоставляет loopback HTTP/SSE endpoint, чтобы встроенное боковое расширение Microsoft Edge читало текущую страницу, искало локальные файлы и общалось с DSH. Расширение Edge находится в том же репозитории и загружается отдельно. Требуются Windows 10/11 и настольный Edge.

Рабочая среда для написания романов в DeepSeek Harness: вы ставите лайки или дизлайки фрагментам-кандидатам, и модель сводит их в короткий профиль предпочтений, который переносится в последующие вызовы черновиков, а рукопись не попадает в контекст черновика. Добавляет доску глав, пишущие пакеты по главам, правку в границах аннотации, переписывающую только помеченный абзац и проверяющую остальное побайтово, проектный журнал и локальные проверки темпа.

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.

Командная база знаний для офлайн-обмена знаниями (сценарий FDE box): точки входа для просмотра, полнотекстового поиска и уточнения; исходный материал автоматически ставится в очередь и дистиллируется в вики-страницы последовательной бот-сессией (шаблон Karpathy LLM Wiki: неизменяемый исходник, двухэтапное уточнение, поток логов, ежемесячный lint).