Плагины

Постоянная память для AI-агентов под управлением LLM — графовое воспроизведение, знания между сессиями, единый бинарник. Работает с DeepSeek Harness, Claude Code, OpenClaw и любой другой средой выполнения агентов.

Проактивная ассоциативная память для DSH: внедряет recall без запроса на фиксированной границе, с трёхслойной автоконсолидацией, кристаллизацией skills и управлением контекстом в стиле Astra. Включает журналы передачи и доску PLAN, которые переживают переключения окна контекста, а также определение уровня с автоматически обнаруживаемым окном модели. Локальное хранение в Markdown, не зависит от модели, без зависимостей; лексический нижний предел 0 ГБ с опциональными семантическими слоями.

Настраивает contextWindow для моделей, зарегистрированных в dsh, чтобы длинные сессии больше не ошибочно считались переполнением контекста.

История ввода в стиле терминала для веб-композера: приоритетное восстановление краёв по стрелкам с точным сохранением черновика/позиции курсора, история, сохраняемая локально в браузере, обратный поиск по Ctrl+R и учёт скользящего контекста; версия 0.5.0 добавляет слой умного ввода — межсессионные сниппеты (/save, /load), шаблоны промптов с переменными, аналитику повторного использования и подсветку сводок сжатия.

Плагин для DeepSeek Harness, превращающий решения Jev в три автоматических действия — обрезку слишком большого вывода инструментов до фрагментов, релевантных запросу, проверку загруженных страниц на инструкции, адресованные модели, и выбор навыка для следующего шага — плюс инструменты jev_ask и jev_gate, журнал решений, переживаемый перезапуски, и отчёт /jev-status. Требуется ключ TypeSafe API; без него он неактивен и ничего не отправляет.

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.

MCP-шлюз с постепенным раскрытием: ищет по большим удалённым каталогам через `mcp_search`, затем вызывает точные схемы через `mcp_call`, используя отложенные соединения и ограниченные кэши.

Сжатие контекста без потерь для DeepSeek Harness: самый старый фрагмент заменяется кратким изложением, а оригиналы остаются в журнале сессии.

Оборачивает работу в именованные задачи и при закрытии задачи сворачивает весь диапазон её сообщений в одно резюме на следующей границе шага; исходное содержимое можно восстановить по запросу.

Смена модели и управление уровнем рассуждений для DeepSeek Harness: инструменты агента set_model и list_models позволяют агенту самостоятельно менять провайдера, модель или глубину мышления посреди задачи, с обязательной причиной, белым списком провайдеров и защитой от перегрузки контекстного окна токенами; активная модель внедряется в контекст выполнения, а автоматический переход Plan Mode переключает на настроенную модель планирования при входе в режим плана и возвращает предыдущую модель выполнения при выходе.

Пакет переключения контекстного окна под управлением модели для DeepSeek Harness: свежий рабочий контекст, долговечные заметки под управлением модели, небольшой дословный хвост последних сообщений и точечное восстановление истории — без суммаризации.

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.

Адаптер DeepSeek Harness для Context Mode: внутрипроцессные инструменты ctx_* для выполнения кода в песочнице и база знаний FTS5, плюс рекомендации по маршрутизации контекстного окна.

Windowed, reversible context management for DeepSeek Harness; replaces Basic compaction.

Fronts stdio MCP servers with three router tools (list_capabilities, describe_tool, call_tool) so schemas load on demand instead of riding every request; shapes every tool result through a deterministic output ladder that archives the original first (retrieve_spill reads it back); prices tool groups in tokens and can hide built-in groups per agent. Bridges to a standard-library Python router, so Python 3.9+ is required.

Compaction fallback for compaction-basic: when its LLM summary throws, comes back empty or cannot fit the window, the span is compiled deterministically with a seq pointer on every line (vendored dsh-compaction-instant compiler). Adds recall and search tools, /recall and /context commands, an idle trigger at 45% of the window and an on-disk span archive. The engine mounts as one row in the agent preset (docs/dsh-integration.md).

One MCP tool instead of every schema you own — a lazy capability broker that cuts resident tool context by a measured 94.4%. Search, inspect, enable and call MCP servers and skills on demand.

Adaptive Reversible Context (ARC) для DeepSeek Harness — управление контекстом с учётом провайдера и кэша с обратимым восстановлением.

Видимость контекста в стиле Codex для DeepSeek Harness: живая заполненность окна контекста, разбивка состава, частота попаданий KV-кэша и тепловая карта использования на 53 недели в стиле GitHub

Rapid-refill circuit breaker for DeepSeek Harness automatic compaction. It refuses a compaction that would be futile — the context refilled within fewer than N tool turns M times in a row, which the unbounded step-pressure trigger cannot detect — and instead of burning a summarization call on every step it reports the situation with advice, usually that a single read or tool output was too large. Shows state and re-arms through /compaction-breaker, and injects one prompt section so the model relays it to the user. Covers host-plane sessions through its profile bundle; ordinary sessions need one row replaced inside an agent preset.

Context occupancy and account balance for the DeepSeek Harness Web Client: a session-header readout, a balance capability seam, and a DeepSeek provider

Adds per-route context window and compaction threshold fields to the Models settings page and a vendor-aware thinking-effort picker to the composer, writing llm-pi-ai capacities, reasoningEfforts, and a compaction-basic patch row.

会话注入门控：给 DeepSeek Harness (dsh) 加一个会话级上下文裁剪闸门，按会话取消/恢复插件贡献的 skill、tool、系统提示词段落——3 条影子通道、5 条本地路由、零依赖零配置。Per-session injection gate for DeepSeek Harness (dsh): trim skills, tools and prompt sections per session. Zero-config, zero dependencies.

Context-window attribution for DSH Web: a Mini Utility Dock panel that ranks the user messages, assistant turns, reasoning blocks and tool results of a session by the tokens each one occupies, so it is clear which entries hold the window. It also shows the share by entry type, the heaviest entries across the live sessions of the host, and, where the host provides them, provider usage and the estimated system/tools/messages composition. The panel is read-only: it does not estimate cost, modify a session, or trigger compaction.