Плагины

Whole-PDF paper translation for DSH on top of a BabelDOC installation you provide (Python CLI, with an OpenAI-compatible API key in its config.toml): bilingual dual-page output, a token cost estimate before running, a per-domain glossary reused across papers, and the server-side thinking overhead disabled for translation.

Compiles a repository into a source-grounded code map: structured pages where every claim carries a verifiable path:line citation, an interactive dependency graph, knowledge cards, four model tools and the /codemap command. Deterministic, no model calls, zero dependencies.

Read PLC projects inside DSH — decode CoDeSys .project and Delta .dvp (both need Python 3.9+ on PATH) and Siemens S7-200 SMART .smart/.smartlib into readable reports and structured data, plus project diff, address audits, element-level read/write analysis and ladder-logic reconstruction.

GitHub Trending radar inside the Harness Web UI: fetches the daily, weekly or monthly board (optionally filtered by a language), analyzes each repository into description, star gain, tech stack, highlights and risks, renders the result as a filterable card panel with paging, and registers the github_trending tool plus the /github-trending command.

Drive the NI Multisim 14.3 install on a Windows machine through nine msim_* tools: open and save .ms14 designs, read and edit component values and circuit parameters, run DC operating point, AC sweep, single-frequency AC and transient analyses, export schematics, BOM and netlists. A Win32 channel drives the visible window to run the Analyses dialog and capture Multisim's own schematic view and waveform plot; a SPICE command-file engine handles designs that expose no probes; an offline reader unpacks the .ms14 container without starting Multisim at all. Requires Windows, NI Multisim 14.3, and a 32-bit Python 3.11-3.13 with pywin32.

Publishes and reads QQ Zone posts through SnowLuma's OneBot qzone_* actions (SnowLuma 2.2+ signed in to QQ), and lets the agent understand images with a local vision model (OpenAI-compatible gateway) or Windows OCR.

Whole-disk file search on Windows: ask for files or folders by name, path, extension, size or modified date and get matches from the local voidtools Everything index in milliseconds, with full paths, sizes and modified times. A second card reports whether Everything is reachable and how many items it indexes. Ships the official Everything SDK, so no es.exe or HTTP server is needed; Everything 1.4+ must be installed and running (the plugin can start it).

Indexes public AI-company job boards (Greenhouse, Ashby, Lever, Workable, SmartRecruiters), scores postings for AI relevance, extracts the requirements from each job description, and produces a scheduled daily Markdown digest.

Управляет Siemens NX 2406 и 2506, а также NX 12 из DeepSeek Harness. Включает 16 типизированных инструментов для постоянно работающего batch NX и исполнитель, который оценивает запуск журнала по логу, а не коду выхода (NX может вернуть 0 после скрытой ошибки или 0xC0000409 после успешного запуска), а также пробник, различающий три выпуска. Только Windows; эталон — NX 2406, ожидается 2506. Нужны локальная установка Siemens NX и доступная лицензия; один раз выполните `dsh-nx install`. 16 инструментов MCP отключены до установки `NX_ENABLE_MCP=1` (маршрут skill работает и без неё).

Шлюз знаний только для чтения над локальным Markdown-хранилищем, четыре инструмента. `wiki_recall` возвращает весь подходящий раздел, ссылки по страницам, состояние хранилища и каркас ответа. `wiki_context` даёт выдержки по страницам, оценку подтверждения и явные пробелы; `wiki_verify` проверяет черновик на неподтверждённые утверждения, включая числа; `wiki_observe` считает исправления. Настройки и боковая панель используют тот же путь запросов, что и модель, поэтому ручной поиск совпадает с её контекстом. Трём инструментам (`wiki_context`, `wiki_verify`, `wiki_observe`) нужен локальный мост Python 3: `bridge.python` и `bridge.toolsRoot` с `wiki_bridge.py`, иначе `E_PYTHON_UNAVAILABLE`.

Самоописывающаяся память из пяти сегментов с лимитом (800 символов, не полный контекст): заметка модели о себе от первого лица, профиль пользователя из одобренных фактов, сведения о среде отдельно от личности, выводы по степени важности и привычки. Каждый добавленный факт можно отследить по ID и удалить; профиль редактируется вручную, заметки — обычные строки, которые можно очистить. Факты тускнеют со временем и использованием, не меняя достоверности. Предполагаемые предпочтения лишь автоматически отмечаются как кандидаты, без одобрения; конфликты сохраняются рядом. Есть воспоминания о прошлых диалогах с цитатами, инкрементальный индекс только новых кадров, тёплый слой с обязательным указателем, doctor для поиска неисправностей, heartbeat активности внедрения и перенос через export/import.

Единый центр долговременной памяти: сохраняет ходы как свидетельства L0 и в фоне преобразует их в факты L1, сцены L2 и профиль L3 (глубина настраивается). Гибридный поиск BM25+fuzzy, 13 инструментов memory_*, прослеживаемая связь с исходными ходами, необязательный backend Hindsight и встроенная панель памяти с тремя точками входа.

Долговременная память для dsh с эшелонированной защитой. Два уровня: проектный `.dsh-memory/` и пользовательский `$DSH_HOME/memory/`; каждый — редактируемый вручную JSON с ограничениями на записи и теги. Атомарная запись (уникальный временный файл и rename), ограниченный архив `history/`, блокировки по уровням между процессами с восстановлением после устаревших блокировок. Несовпадение версии на диске отклоняется, чтобы не терять изменения. Текст помечается как недоверенный; ложные границы удаляются при записи, пределы проверяются при загрузке, выход по symlink блокируется с MEMORY_STORE_ESCAPE. Фильтрации по содержимому и подтверждения нет, поэтому работает автоматическое объединение без интерфейса. Установка: `dsh plugin --profile web add github:RocoFish/deepseek-memory`.

Lingshu (灵枢) — вдохновлённая мозгом система долговременной памяти, персоны и развития для ИИ-агентов программирования. Только стандартная библиотека Python, без зависимостей, локальная работа по умолчанию; требуется Python 3.9+. Есть слоистая память гиппокамп/кора, кривые забывания, консолидация снов, нечёткое ассоциативное извлечение, система эмоций, защита персоны от дрейфа, база знаний, самостоятельно созданные навыки и локальная веб-панель. Поставляется как встроенный навык DSH. Отдельно устанавливаемый плагин cordis для внедрения при запуске автоматически добавляет сессии только если (Lingshu находится в ~/.dsh/skills/lingshu или настроен brainPy) и доступен Python 3. Необязательная проверка обновлений обращается к GitHub/Gitee.

Постоянная память, совместимая с Claude Code: в начале сессии хост добавляет индекс MEMORY.md, а модель управляет файлами памяти обычными инструментами чтения, записи и редактирования. На странице настроек перечислены сохранённые воспоминания. Формат на диске такой же, как у Claude Code; режим claude использует ту же папку памяти.

Долговременная память для DeepSeek Harness: после каждого хода извлекает устойчивые предпочтения пользователя и факты проекта, добавляет сводку памяти в последующие сессии и ежедневно ведёт дневник привычек. Добавляет инструменты memory_search, memory_save и memory_forget.

Добавляет время для каждой сессии и сохраняет интервалы бездействия. Сообщает агенту, сколько прошло с последнего сообщения именно в этом диалоге; контекст времени хоста учитывает только последнее сообщение.

Распределяет диалоги рабочего пространства по категориям, позволяет менять порядок перетаскиванием, сворачивать группы, показывает активность и регистрирует пространство по пути к каталогу.

Состояние персоны и постепенное развитие для DSH. Пять измерений — валентность, возбуждение, энергия, близость и фокус — меняются после каждого хода и со временем возвращаются к базовым значениям. Четыре сцены (work, tech, support, chat) меняют длину и теплоту ответа, не изменяя само состояние. Панель Soul хранит карточку персоны и взвешенные записи эволюции, добавляя их в системный промпт с приоритетом персоны в пределах 4000 символов. В панели браузера можно редактировать карточку и смотреть пять метрик и шесть последних событий; журнал JSONL дописывается на диск, а при первой установке создаётся готовая персона по умолчанию.

Тема Windows XP Luna для веб-интерфейса DeepSeek Harness: синяя боковая панель в стиле панели задач, заголовки Luna, полупрозрачные окна диалога и плагинов с настройкой непрозрачности и размытия, страница импорта обоев. Только светлая тема; при переключении хоста в тёмную оформление удаляется.

Добавляет индикатор стоимости справа от строки статистики поля ввода, показывающий расчётную цену текущего хода и всей сессии. По нажатию открывает панель из двух колонок: входные данные, кэш и вывод по ходу/сессии, ходы диалога, расходы за сегодня и всего, доля попаданий и экономия кэша этой сессии. Использует официальные цены DeepSeek, включая пиковые (двойная цена по будням 09:00–12:00 и 14:00–18:00 по Пекину, кроме официальных праздников). Каждое сообщение оценивается по цене на момент расчёта; prices.json перечитывается без перезапуска.

Нативные вкладки диалогов DSH /side с чистой стенограммой и унаследованным контекстом на независимых форках Session и официальном интерфейсе чата; скрыты из основного списка сессий. Есть метки времени, расход токенов, потоковый вывод и меню команд. Выделено из dsh-better-sidebar 0.29.0 (MIT). Не включать вместе с командой /side самого dsh-better-sidebar: записи конфликтуют, одну нужно остановить. Требуются Windows DSH Desktop 0.2.1-rc.5 и dsh-delete-session для подтверждения окончательной очистки.

Создаёт мягкое свечение по краю окна и движущуюся световую полосу вокруг поля ввода. Используют общую палитру, переключатели у каждого свои.

Блокнот в стиле JupyterLab для DSH: код и вывод рядом с перетаскиваемым разделителем, вывод закреплён в окне при прокрутке длинной ячейки. Сочетания клавиш Jupyter (a/b/dd, m/y, Shift+Enter и Ctrl+Enter), ножницы для удаления ячейки и переключатель код/Markdown. Изменённый форк @beihaizb/dsh-notebook; оба регистрируют одни и те же инструменты nb_*, поэтому оригинал нужно удалить перед установкой. Выбранному Python-ядру нужны ipykernel, jupyter_client и nbformat.