Плагины

Десктопный питомец для DSH Web UI с 25 прозрачными анимациями, блужданием по экрану, реакцией на клики и перетаскиванием, плюс воспроизводимый пайплайн генерации ассетов.

Исследование архитектуры AGI с белым ящиком: метакогниция (петля самопознания), непрерывное обучение (маховик знаний), модель мира (пространство условий, пространственно-временной граф памяти), самосовершенствование (дисциплина начальной загрузки), конвейер белого ящика без LLM и проверяемые ограничители доверия.

Проверка качества данных для DeepSeek Harness — профилирование, очистка и верификация в конвейерах со структурированными отчётами.

Квантовый R&D-набор инструментов для DeepSeek Harness — 59 инструментов в шести доменах: рыночные данные, индикаторы, оценка факторов, walk-forward ML validation, риск (VaR/CVaR/просадка/Beta с Kupiec POF), опционы, облигации, FICC и моделирование фондов, с end-to-end конвейером исследований PDAT→PET.

lowtide: конвейер пакетных задач в непиковое время с участием человека-арбитра для dsh (с учётом пиковых/внепиковых цен)

Портирует все 38 тем opencode (33 TUI + 4 desktop 2.0 + system) в DeepSeek Harness: конвейер на основе данных (JSON → color resolve → DSH override), сохранение настроек отдельно для каждого браузера, выбор моноширинного/пропорционального шрифта, пять шрифтов кода и системный fallback, сохраняющий только типографику.

QA-конвейер в виде 10 навыков агента: анализ требований, тестовая стратегия, написание и ревью кейсов, E2E (Playwright) и автоматизация API, исследовательское тестирование, область регрессии и анализ багов на основе общей базы знаний с правилами формата, моделью рисков и валидаторами схем.

Устанавливает четыре многоагентных пресета для математических исследований в DSH: v2 (пайплайн на основе вероятностей с дебатами нескольких проверяющих), v3 (база знаний в стиле статьи на Markdown с агентом-планировщиком и переиспользуемой библиотекой методов), v4 (постоянные самоорганизующиеся резиденты, которые переписываются и встречаются) и v5 (исследовательский институт с академиком, который разбирает и распределяет работу, голосующими исследователями, временными работниками, групповым чатом и таск-бордом compare-and-set); все четыре поддерживают возобновление с чекпоинта, вмешательство человека и необязательный переключатель формальной верификации Lean (off/encourage/require), прошедшее доказательство которого превращает голосование в проверку точности Lean-утверждений.

Мобильная веб-оболочка для DSH Web GUI: выдвижные панели-оверлеи, перетаскиваемая FAB, исправления мобильного composer и плавающая кнопка загрузки изображений, закрепленная над composer (нативная галерея/камера, интеграция с проверенным pipeline add-images), без регрессий на desktop. Опубликовано на npm как dsh-webui-mobile.

Глубокое чтение и резюмирование для DSH: книги, статьи, видео и веб преобразуются в структурированные заметки Obsidian через парсеры плагинов, параллельные подагенты глубокого чтения MapReduce, вывод JSON Schema и идемпотентный кэш.

Конвейер экономии токенов для DeepSeek Harness: слоистое сжатие с учётом давления контекста (проекция без потерь при давлении ниже 40%, выше — суммаризация LLM), allowlist инструментов на агента, преобразование длинного текста в изображение с vision-суммаризацией и команда /token-status, отслеживающая давление, уровни и сэкономленные токены.

Порт из плагина ARS Claude Code (44k+ звёзд на GitHub): академические исследовательские скиллы для DeepSeek Harness — команда агентов глубокого исследования, конвейер написания статей, мульти-перспективная панель рецензирования и сквозной оркестратор, плюс шестнадцать команд /ars-*.

Пресет экспертного режима DeepSeek Harness (v0.9.2, npm dsh-expert-mode, EN/ZH): координатор + 17 субагентов-экспертов с автоделегированием. Функции: taskboard (автомат pending/ready/running/done/failed, DAG зависимостей, атомарный захват, повтор, восстановление), контроль качества (конвейер 5 этапов: требования, реализация, проверка, рецензия, интеграция; 2 доработки), Five-Anchor (рецензия/сходимость/анти-дрейф/сотрудничество/ресурсы), Near-distance (шаблон идентичность/задача/вывод), прогрессивное раскрытие (~28% экономии токенов), персистентность, P2P-шина, перекрёстная рецензия, пул опыта, быстрый путь, авто-повтор. 17 экспертов: данные, копирайтинг, юрист, PM, frontend, UI/UX, архитектор, соцсети, growth, квант. финансы, backend, DevOps, БД, QA, безопасность.

Мультиплатформенный конвейер исследований и глубокого поиска: harvest_scout для параллельного обнаружения по GitHub, Web, Twitter, Reddit, Xiaohongshu, Bilibili и YouTube; harvest_deep_research для автоматических подробных исследовательских отчётов; а также извлечение, перекрёстная проверка источников и аудит достоверности.

Командный мультиагентный режим по ролям для DeepSeek Harness. /team собирает до 12 субагентов (продукт, архитектор, исследования, UI, backend, frontend, БД, безопасность, ревьюер, QA, DevOps, docs) и ведёт пайплайн из 9 фаз с гейтами (уточнение, исследование, проектирование, ревью спеки, утверждение плана, реализация, ревью, тест, сдача) поверх общих артефактов (SPEC, PLAN, TASKS, STATE, REVIEW, TEST). Гейты качества обеспечивает код, а не промпты: незавершённую задачу нельзя отметить выполненной, находки разрешает ревьюер или QA, а пробелы покрытия или переработка видны в реальном времени в оверлее и /team status. В комплекте оверлей (фазы, состав с моделями, DAG задач, артефакты, кнопки решений), постоянный режим команды и учёт токенов и времени. Ноль зависимостей в рантайме, без сборки.

От чата к холсту и к произведению: управляйте ComfyUI как визуальной IDE процессов в DSH. Встройте ComfyUI (локальный или облачный) как разделённый холст в DSH Web: агент пишет промпты и скрипты в чате, применяет их вживую и создаёт изображения, музыку, видео и 3D. Операции: сборка пайплайнов, чтение/запись workflow, правка узлов, соединение связей, запуск, настройка и отладка. Производство: пакетные переборы параметров (batch_run) и авто-возврат результатов в чат (get_outputs). Обслуживание: запуск и обновление ComfyUI, ядра и кастомных узлов в один клик. Этот пакет — плагин стороны DSH и поставляет мостовой узел стороны ComfyUI.

Плагин «одноядерного письма» для DeepSeek Harness: инструменты тщательно упрощены, а вывод усилен для квантованных малых моделей; подходит для локального запуска пайплайнов длинных романов на локальных моделях.

Команда Cordis /hongtou: двухфазный конвейер (структурированный JSON от LLM + детерминированный рендеринг шаблонов XML Word 2003)

Многоуровневый конвейер оптимизации токенов для DeepSeek Harness: лестница вывода, ленивая загрузка MCP, драйвер компакции, отчёт о попаданиях в кэш. Построен на реальных API плагинов DSH; в долгих сессиях экономит ~40–60% входа.

AI Company Framework: одно предложение превращается в мультиагентную компанию — 15 плоских Skills (boss/pipeline/role-template/11 ролей/generic customer-memory), 7 шаблонов workflow, среда выполнения AgentTeams + панель активности, боковая панель сотрудников с изоляцией по сессиям, мост бота Feishu (бот-boss и боты по сотрудникам, маршрутизация групп, автономные пуши, шлюз решений человека, гайд по внешним контактам), SQLite-память по клиенту с трёхуровневой памятью (межгрупповое слияние), переключатель режима /company; без RAG.

Гейтированная набор навыков по математическому моделированию для DeepSeek Harness: пятиэтапный pipeline с stage gates, шаблонами написания award-paper, анализом чувствительности, статистической диагностикой и пресетом для конкурса.

Стабильное по кэшу прогрессивное обнаружение инструментов: фиксированная поверхность tool_search и tool_dispatch в каждом запросе, поиск по каталогу в памяти, вложенный диспетчер через пайплайн Harness и байт-стабильный список нативных инструментов на протяжении всего обнаружения.

Бандл DeepSeek Harness регистрирует навык, превращающий длинный формат (академические статьи, отраслевой анализ, бизнес-комментарии) в конвейер из 9 ролей: параллельные скауты T1 литература / T2 данные / T3 кейсы, запускаемые координатором T4 аналитик, T5 писатель, T6 критический компаньон, T7 аудитор, T8 финализатор, T9 рецензент. На 6 фазах с треугольной проверкой доказательств, M-гейтом из 23 проверок, аудитом G0-G14 включая китайский шлюз ИИ-следа, оценкой peer-review с подбором журналов и 4 человеческими контрольными точками. Установка через `dsh plugin add lunheng-article-pipeline` (package.json#dsh.bundle.patch плюс запись lib/index.js регистрирующая навык); карточки ролей T1-T9, шаблоны и 11 скриптов проверки без зависимостей, README на пяти языках.