Плагины

Автоматическое одобрение эскалаций песочницы DeepSeek Harness на основе правил, с опциональным LLM-рецензентом и встроенным резервным вариантом с участием человека.

Экспортирует поток событий сессии в OpenTelemetry OTLP и Langfuse как очищенные, буферизованные traces и metrics, по умолчанию выключено.

Единый привязанный пресет агента для DeepSeek V4 Pro/Flash в официальном API и opencode-go: минимально точный двухинструментальный бутстрап первого запроса, пути Pro/Flash с учётом модели и управление каталогом с учётом эпох для стабильности длинных сессий.

Более плавная анимация потокового текста для DeepSeek Harness.

Плагин файлового менеджера для DeepSeek Harness: дерево файлов, предпросмотр, markdown, подсветка синтаксиса, редактирование прямо в панели, интеграция с VS Code — глобальный файловый менеджер для DeepSeek Harness.

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`.

Слой координации плагинов: плагины объявляют свои возможности, команды маршрутизируются к плагину-владельцу без вызова модели, схемы инструментов загружаются по требованию, экономя токены промпта, история запусков консолидируется в долговременную память в простое, а сбои классифицируются до любого повтора.

Плагин межсессионной памяти DeepSeek Harness (DSH): проектная Markdown-память, где диалоговая модель записывает по ходу работы; поддержка файлов тем с постепенным раскрытием, опциональная тихая фонова́я дистилляция, изоляция по проектам и панель настроек с горячим обновлением. Механизм согласован с Claude Code auto memory. | Управляемая агентом межсессионная Markdown-память: файлы тем с progressive-disclosure, опциональная тихая дистилляция, изоляция по проектам. Совместимо с Claude Code.

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.

Управление компьютером через внешнее USB HID-устройство: назовите цель обычным языком, модель зрения находит её в обрезанном скриншоте окна, а Raspberry Pi Pico 2 перемещает настоящую мышь и набирает текст на настоящей клавиатуре. 7 инструментов. В Windows есть список окон, обрезка по окнам и автоматическое поднятие окон; в macOS требуется pyobjc, и список окон с поднятием отсутствуют; Linux не поддерживается.

Адаптер DeepSeek Harness для Koma Miko Agent Specs.

Навык исследовательского рабочего процесса AI-for-Science для DeepSeek Harness, для исследователей и аспирантов, использующих агентский ИИ: многоугольный обзор литературы с файлами по углам, дизайн экспериментов со списком оговорок, чтение рисунков и статей; каждое задание возвращает файлы плюс бриф кросс-проверки для второй модели. Ноль зависимостей, MIT.

Контентно-ориентированный редуктор результатов инструментов: 13 редукторов сокращают избыточный вывод по смыслу на этапе tools/post-execute (неудачные тесты сохраняются, контекст diff удаляется, JSON и CSV семплируются, проблемы lint группируются по правилу, кадры стека зависимостей сворачиваются, переполненные каталоги подсчитываются), а полные оригиналы выгружаются на диск с локатором.

Автоодобрение с помощью LLM и резервом обратного отсчёта для предустановки разрешений Auto: статические правила, уровни риска, прерыватель и аудит файлов.

Слой исправления tool-output для DeepSeek Harness — enforcement схемы JSON, сопоставление параметров и repair JSON для tool calls.

Плагин Cordis для DeepSeek Harness (DSH), предоставляющий инструменты рабочего процесса aflare

Уровни использования и карточки статистики с возможностью обмена: 🐟→🐳 рейтинг по ежемесячному расходу токенов с локально вычисляемым оценочным процентилем, точные цены для 46 моделей от 6 поставщиков (включая китайские цены по размерным категориям), дозаполнение сессий до установки и сравнение старых и новых тарифов после изменения 2026-08-17. Только локально, без телеметрии.

Командный мультиагентный режим по ролям для DeepSeek Harness. /team собирает до 12 субагентов (продукт, архитектор, исследования, UI, backend, frontend, БД, безопасность, ревьюер, QA, DevOps, docs) и ведёт пайплайн из 9 фаз с гейтами (уточнение, исследование, проектирование, ревью спеки, утверждение плана, реализация, ревью, тест, сдача) поверх общих артефактов (SPEC, PLAN, TASKS, STATE, REVIEW, TEST). Гейты качества обеспечивает код, а не промпты: незавершённую задачу нельзя отметить выполненной, находки разрешает ревьюер или QA, а пробелы покрытия или переработка видны в реальном времени в оверлее и /team status. В комплекте оверлей (фазы, состав с моделями, DAG задач, артефакты, кнопки решений), постоянный режим команды и учёт токенов и времени. Ноль зависимостей в рантайме, без сборки.

Три инструмента Zhihu для DSH — поиск по сайту, глобальный веб-индекс Zhihu с фильтрами по домену и дате, ответы Zhida — с нативной карточкой настроек и результатами с указанием источников.

Настоящие мышь и клавиатура для агента DeepSeek Harness: опишите словами, куда нажать, модель компьютерного зрения найдёт это, а USB HID-устройство выполнит клик.

Бюджеты использования и лимиты затрат для каждого плагина в llm/stream waterfall: учёт использования по моделям, сессионные и месячные бюджеты с переходами warn/block, окна задержки и оценка углеродного следа.

Локальный интеллектуальный анализ документов PDF, Office, изображений и OCR для DeepSeek Harness.

Адаптер LLM GitHub Copilot: вход через OAuth device-flow, обнаружение моделей в реальном времени через API Copilot, поддержка vision для моделей с возможностью работы с изображениями (gpt-4.1, gpt-4o), и два проводных протокола (Chat Completions и Responses API) с автоматической маршрутизацией эндпоинтов по модели.

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.