Плагины

Подключает DeepSeek Harness к локальной самосовершенствующейся персональной базе знаний ReMe: автоматически сохраняет завершённые беседы главного агента как пользовательскую Markdown-память, ищет беседы и исходные материалы через reme_search с BM25, опциональными эмбеддингами и раскрытием wikilinks, а также планирует ежедневную консолидацию памяти.

Подключает DeepSeek Harness к локальной саморазвивающейся персональной базе знаний ReMe: автоматически сохраняет завершённые диалоги основного агента как принадлежащую пользователю память в формате Markdown, выполняет поиск по диалогам и исходным материалам через reme_search с BM25, опциональными эмбеддингами и раскрытием вики-ссылок, а также планирует ежедневную консолидацию памяти.

Читает файлы сессий, которые уже записали тридцать три других кодинг-агента на этой машине — Claude Code, Codex, Cursor, VS Code Copilot Chat, opencode, OpenClaw, Hermes, Kimi, Cline, Zed и другие, — включая сессии до его установки: шесть инструментов (deja_recall, deja_session, deja_blame, deja_fix, deja_how, deja_remember), команда /deja и опциональный автоматический recall, добавляемый в runtime-контекст. Локальный индекс BM25, без LLM, без эмбеддингов, без сети (dsh plugin --profile web add dsh-deja).

Добавляет историю сеансов девятнадцати других агентов кодирования в DeepSeek Harness: вызов, сводка сеанса и инструменты истории по файлам на локальном индексе, а также опциональный автоматический вызов перед каждым шагом.

Память восстановления после сбоев: поиск и запись уроков восстановления после сбоев из реальных инженерных сессий, с поиском BM25 + семантическим RAG и базой знаний уроков.

Локальная память проектов без встроенных зависимостей среды выполнения и внешних сервисов: JSON как единственный источник истины плюс генерируемый PROJECT_MEMORY.md, ограниченная по токенам и замороженная по сессии Hot Memory для стабильности кэша префиксов промптов, кешированный кросс-проектный BM25-отзыв, доверенное происхождение сессий/ходов, объяснимое управление дубликатами/конфликтами перед записью, редактируемый жизненный цикл важности/закрепления/тегов/замены/архивации, настраиваемая дистилляция по завершении хода верхнего уровня и двуязычный веб-GUI для поиска, просмотра, диагностики и настроек в реальном времени.

Плагин DeepSeek Harness (dsh) — превращает dsh web в ролевой frontend в стиле SillyTavern: карточки персонажей, пресеты prompt, lorebooks, personas, BM25 long-term memory, дельты состояния мира и операции floor, которые можно откатить, все на runtime агента dsh.

Долговременная память для DSH: разговоры автоматически дистиллируются в атомарные факты, сводки сцен и профиль персоны, а релевантные воспоминания внедряются перед каждым шагом модели. Работает без настройки — гибридный поиск BM25 + векторный, опциональные офлайн-локальные эмбеддинги, разделение семейств чат/работа.

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.

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.

Межсессионная память с детерминированным восстановлением без токенов (bigram-Jaccard, объединённый с FTS5 BM25 через RRF, с учётом китайской токенизации), усилением, которое укрепляет повторяющиеся наблюдения, и процедурами, кристаллизованными в файлы SKILL.md, редактируемые на месте через жизненный цикл active-stale-archived с обратимым архивированием и откатом. Для ingest и disposal задаётся выбираемый пользователем уровень автономности; конфликты и записи высокой важности всегда отправляются на проверку человеком, и ничего никогда не удаляется автоматически. Требуется Node 22.5+.

Локальная персистентная память прежде всего для DeepSeek Harness: ограниченная инъекция горячей памяти перед шагом, точное и китайско-биграммное холодное извлечение BM25, шесть инструментов агента, одобряемые записи с арендной блокировкой и квитанциями восстановления, а также кандидаты только для чтения для управления и рецензирования траектории.

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

Нативные инструменты для Obsidian wiki-хранилища: wiki_query, wiki_write, wiki_rename, wiki_scaffold, wiki_archive и wiki_lint покрывают поиск BM25 с контекстом графа ссылок, учётные записи с отслеживанием источников через sha256, переименования по всему хранилищу, скаффолды режимов, архивирование источников и проверки целостности — с межпроцессными блокировками и опциональным git auto-commit.

Межсессионная память в открытом тексте: deterministic восстановление по ключевым словам BM25 (без эмбеддингов), инструменты memory_save/list/search/confirm/forget за шлюзом human-confirm, а также глобальные и проектные JSON-хранилища, следующие за вашим git-репозиторием.

Плагин DSH Web только для чтения для проверки и поиска коллекций Milvus или Zilliz Cloud из чата, включая запросы scalar, BM25, dense и hybrid.

Универсальный мост Model Context Protocol (MCP) для DeepSeek Harness: подключает агентов к MCP-серверам stdio/sse/websocket с движком масштаба на 10 тыс. спящих соединений, поиском по инструментам BM25 за доли миллисекунды, динамическим бюджетированием токенов и веб-дашбордом в реальном времени.

Локальный менеджер базы знаний для агентов DSH: импорт нескольких форматов, чанкинг с поддержкой CJK, гибридный поиск sqlite-vec (вектор) + BM25 с реранжированием bge-reranker-base, снапшоты, экспорт/импорт kbpack и кросс-KB-поиск — 22 инструмента агента и веб-панель.

Локальный семантический поиск по коду для DeepSeek Harness: индексирование на уровне фрагментов с учётом символов, офлайн лексические эмбеддинги или совместимый с OpenAI эндпоинт и гибридный поиск вектор + BM25, объединённый через RRF, — три инструмента dsh плюс CLI sema.

Память решений и целей с отслеживанием происхождения: явные команды и модельный инструмент детерминированно фиксируют решения, карточка статуса заново закрепляет их при компакции, безошибочный поток событий с поиском BM25+jieba служит основой, а сценарный набор регрессионных тестов на точность контролирует релизы.

Извлечение памяти по ключевым словам на основе BM25.

Local SQLite long-term memory with CJK-aware search, BM25 and character n-gram cosine reranking, deduplication, and lifecycle management.

Per-project memory for DeepSeek Harness. Three Markdown files per workspace — PROJECT.md, DECISIONS.md and SESSIONS.md — are auto-created on the first step of any session in that workspace, re-read from disk and re-injected only when they change (and re-injected if compaction dropped them), and written back by classification through a memory_checkpoint tool, with a bounded end-of-turn nudge when a turn did work but recorded nothing. memory_read and memory_search read the live log and the archive, the latter over a zero-dependency BM25 index. The session log is capped at 200 entries with the overflow moved to SESSIONS-archive.md — never injected, but visible, readable and searchable, and restorable one entry at a time. Settings page: a workspace list with a path filter, read-only tabs for the three memory files plus the archive, reload, export/import of one workspace's memory as a JSON bundle, a two-step clear, a panel that rewrites or removes the AGENTS.md instruction block, and a PROJECT.md staleness reminder. A composer status chip shows that workspace's sync state and creates the files on click. Zero dependencies — no vector store, no embeddings, and no model calls.

Local semantic index over workspace documents (MD/PDF/DOCX/TXT): FTS5 BM25 + local embedding hybrid retrieval, hit citations with line numbers, and incremental updates.