Плагины

Официальный плагин billion-context: плагин сжатия контекста для небольших контекстных окон (контекста 100K достаточно), экономия токенов (в 5 раз меньше токенов) и месячные единичные сессии (миллиарды токенов).

Управляемое моделью сжатие контекста (Active Context Pruning) для DeepSeek Harness: модель сама решает, когда и что сжимать.

Доступ к веб-интерфейсу dsh по LAN: проброс HTTP/HTTPS/WS плюс TLS (самоподписанные или пользовательские сертификаты); адаптивное сжатие Brotli/gzip для HTTP и permessage-deflate для WebSocket; зондирование полуоткрытых WebSocket предотвращает зависание мобильных клиентов после перехода в фон; автоматическая инъекция стартового токена позволяет устройствам LAN подключаться без копирования токена; защита от DNS rebinding + список разрешённых апстримов только на loopback.

Сжатие Gzip для ответов /api, устраняющее тайм-ауты загрузки истории при удалённых/низкоскоростных подключениях; пропускает SSE и уже закодированные ответы.

Автоматическое сжатие контекста для DeepSeek Harness: сжимает выводы инструментов до того, как они попадают в модель, и сохраняет каждое сжатие с потерями обратимым через инструменты CCR.

Локальный граф знаний кода для агентов программирования: 10 инструментов MCP для многослойного сжатия контекста, планирования DAG, инкрементальной индексации AST, межсессионного цикла навыков, диагностики и импорта/экспорта артефактов графа.

MCP-сервер финансовых данных китайских акций A: 11 инструментов fin_data__* (котировки/свечи/финансы/календарь/специальные данные/объявления/EDB/сверка/фонды/индексы) на бесплатном официальном REST THS (основной) + AKShare (резерв) + Wind (эксклюзивные домены), с наблюдаемой деградацией, сжатием бюджета контекста (-72,2% измерено на стороне результатов) и офлайн-озером рыночных данных за 10 лет. BYOK.

Выделенные маршруты моделей, инструменты и системные рекомендации для зрения, уплотнения, обзоров, подагентов, заголовков и генерации изображений.

Принудительно сжимает контекст при запуске llama.cpp-моделей с малым контекстом, таких как Qwen3.8-27B, повышая эффективность модели и плавность использования, вместе с хорошо проработанными промптами сжатия.

Доступ к DSH с телефона или откуда угодно: публичная ссылка Cloudflare Quick Tunnel + прямой доступ по LAN HTTP/HTTPS (автоматический самоподписанный сертификат), аутентификация по токену, сжатие gzip, плавающая панель с иконкой телефона и QR-кодами, и канал бота NapCat QQ для получения ссылки.

MCP-сервер финансовых данных A-share Китая для harness: 11 инструментов fin_data__* (котировки/K-линии/финансы/календарь/спецданные/объявления/EDB/сверка/фонды/индексы) поверх бесплатного официального REST THS (основной) + AKShare (резервный) + Wind (эксклюзивные домены), с наблюдаемой деградацией, сжатием бюджета контекста (измерено -72,2% на стороне результата) и оффлайн-озером рыночных данных за 10 лет; BYOK.

Защищённое сжатие контекста для DeepSeek Harness (dsh): LLM предлагает, deterministic стражи решают — упреждающее сжатие по атомам (extract/summary/false под стражами verbatim) + ленивое вытеснение reference-graph (0-LLM) + побайтово точное восстановление из append-only журнала.

Детерминированное сжатие контекста для dsh — ноль вызовов LLM, обрезка по правилам, дословно сохраняющая пути, команды, трассировки ошибок и открытые задачи. Сжимает ~80 тыс. токенов до нескольких сотен.

Движок сжатия без потерь* и без участия LLM для DeepSeek Harness

Плагин Context Assembler для DeepSeek Harness: сборка контекста тематическими блоками, разделение тем по принципу давления воды, трассировка/перезапись инструментов, инъекция реальных воспоминаний и планирование передачи.

Облегчённый порт Headroom: сжимает вывод инструментов, сокращает до 20% контекста, не влияя на кэш контекста модели или производительность агента.

Оптимизация сети для веб-UI DSH: уменьшает объём передачи за счёт кеширования и сжатия, сильно ускоряя загрузку страниц, плюс индикатор обрыва соединения и автоматическое переподключение. Идеально для пользователей, стремящихся к максимальной производительности или работающих в нестабильных сетях.

Мультиплатформенный шлюз сообщений и мост ИИ-бота WeCom со сжатием контекста сессий и созданием смарт-таблиц.

Покадровое сжатие диалога по кривой забывания для DeepSeek Harness: недавние ходы сохраняются дословно, средние ходы структурно обезвоживаются (без LLM), древние ходы сворачиваются в ограниченную пару резюме — неограниченные диалоги при ограниченном бюджете памяти.

人脑式上下文压缩逻辑，大幅减少长任务上下文占用以及token消耗

Отображает экономию токенов и затрат в реальном времени от прокси сжатия Headroom в веб-интерфейсе DSH: панель настроек и постоянная строка статистики под композером.

Same-origin in mechanism with the two loudest lines in context compression. The code-skeleton gate follows the skeletonization approach of Headroom (Apache-2.0), whose published headline is 20% fewer tokens for coding agents and 60–95% fewer tokens for JSON, same answers. The estimator channel follows TokenPilot (arXiv:2606.17016), which reports up to 60% lower cost for long-session agents. Both figures are theirs, quoted as-is; this plugin ships no benchmark of its own and claims no reduction of its own. What it adds for DeepSeek Harness: choose a compression profile, set the Auto Compact trigger level and toggle code-skeleton compression from one settings section, with exact DeepSeek V4 tokenizer measurement, same-revision count verification, and fail-open behaviour that keeps the original tool results on unsupported models.

AST-based context compression, test log filtering, and token budget guard for DeepSeek Harness: strips redundant syntax, prunes noisy log lines, and enforces a token ceiling so the context window never overflows.

DSH 智能上下文压缩插件 —— 在有限窗口内管理认知资源，让 Agent 记住真正重要的信息。 Smart context compression for DSH — managing cognitive resources within limited windows, so your Agent remembers what truly matters.