Плагины

Покруговой контроль уровня мышления (reasoning_effort) для DeepSeek Harness: Auto планирует low/high/max по недавней истории tool calls, либо позволяет вручную задать wire level (off/on/minimal/low/medium/high/xhigh/max), с пользовательским отображением wire, защитой возможностей с учётом модели и пресетами окна контекста (64K–1M); карточка возможностей модели работает с [dsh-llm-openai-completions](https://github.com/drscrewdriver/dsh-llm-openai-completions) (устанавливается из dsh-market), чтобы OpenAI-совместимые шлюзы (vLLM / LM Studio / self-hosted) могли пробовать reasoning. Card записывает возможности llm-pi-ai, адаптер ведёт wire (compat.thinkingFormat), а плагин поддерживает список takeover.

Markdown-редактор в стиле Typora для правой панели DSH: живой рендеринг формул и Mermaid, щелчок справа от изображения продолжает текст со следующей строки; Ctrl/Cmd+S сохраняет с защитой версии даже вне workspace сессии. Вставляет выделение в чат с абсолютным путём файла.

Локальные медиа→таймлайн/транскрипт/области; ссылки на кадр/секунду/говорящего. Fallback каждого медиа в meta.attempts (не скрытый): мультимодальные модели хоста→OpenAI-совместимый endpoint/ротация ключей→локальные ffmpeg/ASR→метаданные. Cooldown только auth/quota; кандидат сохраняется и переносится в конец, не удаляется. Ошибки маскируются до обрезки; magic bytes, не расширение. Опциональный vision-bridge; регистрация моделей/inline AV (video_url/input_audio) требует peers dsh-thinking-levels/dsh-llm-openai-completions; без них деградация без ошибок. По умолчанию удалённо; strictLocalOnly локально. ffmpeg/ffprobe и ASR CLI не включены, нужны только локальному fallback; без них — метаданные. Hosts 0.1.7/0.2.0/0.2.1 (6 rc, enum engines.dsh); npm dsh-media-lens.

OpenAI-completions-compatible adapter for custom gateways (vLLM / LM Studio / self-hosted proxies): always role:"system", thinking driven by the model config, Qwen-style response split, and vision-model image input (single / multiple).

Manual model probe for DeepSeek Harness: a session-view tab where you pick provider, API type, model and route, then send one real raw HTTP request over openai-completions, openai-responses or anthropic-messages — streaming or not — and read latency, TTFT, HTTP status, token usage and a three-layer diagnosis chain (API request / model response / strict check) on one screen, with errors in plain language.