Плагины

Самая полная интеграция с GitHub для dsh: обзор репозитория, релизы, issues, pull request'ы, участники, поиск и подробный отчёт по репозиторию с TTL-кэшированием — API-ключ не требуется.

Состязательное ревью кода: параллельные анализаторы проверяют diff с разных сторон (корректность, жизненный цикл, контракт, безопасность), затем независимые проверяющие пытаются опровергнуть каждую находку; опровержение удаляет ее.

Добавляет в контекст агента разрешенные метаданные запусков GitHub Actions и GitLab CI, не читая журналы, учетные данные или API провайдеров.

MCP-сервер GitHub workbench (dsh bundle): 23 MCP-инструмента для репозиториев, issues, PR, ревью кода и поиска; без зависимостей времени выполнения, с авторизацией PAT/OAuth.

Состязательное ревью кода с разных точек зрения: параллельные проверки корректности, безопасности и сопровождаемости анализируют diff; есть детерминированная оценка серьезности, правила подавления и инкрементальная история.

Панель Git/GitHub для веб-профиля DSH: stage/unstage/discard/diff, ветки, commit, push/pull/sync, журнал, обозреватель файлов, доска workflow и GitHub OAuth для создания PR.

Синхронизация настроек и профилей DSH через Git по политикам: проекции с учетом секретов, проверка конфликтов и управление применением по строкам.

Межсессионный журнал работ на основе событий: регистрация, отслеживание и закрытие задач с полной историей аудита, экспортом канбан-доски и сводкой, добавляемой в каждый ход модели.

Планирование выполнения DSH с хранением на диске: конечные автоматы этапов/шагов, контроль зависимостей и поток событий аудита; детерминированная проверка завершения через инструменты dsh, CLI или skill.

Пресет оркестрации главного агента: персона с приоритетом делегирования, шлюз выполнения корневой сессии и переносимый skill правил AI-LAW.

Декларативная оркестрация DAG задач для DSH: проверяет графы зависимостей, параллельно запускает топологические уровни через subagent на базе workflow и детерминированно распространяет сбои.

Инструменты workflow для локального бинарного файла aflare: создают, проверяют и запускают локально-ориентированные детерминированные YAML DAG (восстановление после сбоя WAL, компенсация Saga) через локальный бинарник. Встроено более 300 шаблонов.

Пакет skill для подготовки документации: четыре Agent Skills только на prompt, превращающие кодовую базу в README, описания PR, changelog и ревью кода. Устанавливается в dsh через запись плагина dsh.bundle.

Skill для упаковки DeepSeek Harness в настольное приложение Tauri 2 (macOS + Windows): инструкции установки для обеих платформ, bootstrap через китайское зеркало с контролем тайм-аута subagent, настройка Windows без прав администратора и VS Build Tools, а также приемочные списки для трех путей.

Шаблон scaffold-проекта DSH: строгая инструкция инициализации из 5 этапов, инженерные стандарты и шесть запускаемых стартовых шаблонов (node-ts / react-vite / python / go / spring-boot / monorepo).

Стартовый набор DeepSeek Harness: приветствие, путь обучения 0→1, рекомендации плагинов по сценариям и чек-лист самопроверки вместе с китайским учебным репозиторием dsh-handbook-zh.

Публикует HTML-документ как ссылку для обмена, которая открывается одним касанием и показывается карточкой в чат-приложениях; публикация, обновление и экспорт в PNG/PDF/Word.

Полнодуплексная речь в реальном времени через потоковые ASR/TTS Volcengine: озвучивание ответов агента, перебивание, ключевое слово активации, живые субтитры, 30 китайских голосов и подтверждение с приоритетом ответа. Сборка выполняется в монорепозитории DSH.

Голосовой ввод для Web UI: кнопка микрофона в поле ввода преобразует речь в текст черновика через Web Speech API; автоматическую отправку можно включить отдельно.

Добавляет зрение текстовым моделям: инструмент describe_image передает изображения vision-модели из списка моделей dsh через собственную среду LLM harness.

Позволяет текстовому агенту DeepSeek читать изображения в той же сессии через делегирование vision-subagent; при отправке изображение преобразуется в путь.

Чистый HTTP-клиент, передающий повторяющиеся задачи с текстом и изображениями (OCR, анализ, сравнение) уже работающему серверу Unsloth Desktop (Unsloth Studio) через unsloth_run и unsloth_vision. Никогда не запускает процессы и не управляет ими.

Передает повторяющиеся задачи с текстом и изображениями (OCR, анализ, сравнение) локальному серверу KoboldCpp (llama.cpp) через koboldcpp_run и koboldcpp_vision; по запросу управляет жизненным циклом сервера.

Локальное распознавание текста для прикреплённых изображений через встроенный движок Windows (Windows.Media.Ocr): модели отправляется только распознанный текст, а не байты изображения; сквозная передача изображения включается по желанию (opt-in).