Плагины

Применяет брендинг OpenQuantum, метаданные браузера и PWA-ассеты к нативному веб-интерфейсу DeepSeek Harness.

QA по соответствию дизайну для текстовых моделей: инструмент `deepseek_vision` заимствует «глаз» из любого OpenAI-compatible vision route, чтобы модель могла определить, соответствует ли реализация макету; вместе с бенчмарком, стоящим за этим суждением (четыре fixture, 23 внедренных дефекта, raw transcripts) и дисциплиной вопросов, на которой это основано.

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 мультиагентный пресет для написания романов для DeepSeek Harness: один агент-дирижёр распределяет задачи между пятью специализированными субагентами — построение мира, сюжет, управление персонажами, написание прозы и контроль качества.

Рабочая среда QA-проектов для dsh: управление тестовыми проектами, требованиями, тест-кейсами, дефектами, вехами, отчётами и этапами согласования через браузерный интерфейс и 18 инструментов QA-домена.

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.

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.

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.

Выполняет работу как команда агентов по ролям: продакт-менеджер пишет PRD или DoD, ждёт вашего подтверждения, затем запускает архитектора, инженера, QA и ревьюеров, чьи наборы инструментов заблокированы по роли, и обменивается работой через файлы на диске.

Плагин зрения DeepEye для DeepSeek Harness (DSH): описание изображений, OCR, VQA, разметка UI и анализ буфера обмена.

Вкладка вопросов в боковой панели на основе DSH-better-sidebar, реализующая функциональность боковых вопросов в стиле Codex или /btw в Claude Code.

Плагин-оркестратор QA для DeepSeek Harness: агент исследует ваше приложение и оставляет доказательства, после чего пройденный путь воспроизводится детерминированно. Управляет драйверами браузера, рабочего стола macOS, iOS и Android.

Набор инструментов академического письма для агентов DSH: планы статей, каркасы для заголовка и аннотации, ссылки GB/T 7714 / APA / MLA, QA формулировок и контрольный список перед подачей.

A focused end-user QA surface backed by native DeepSeek Harness sessions

Product Design workflow suite for DeepSeek Harness - a router plus nine pd-* skills carrying ideas from a minimum design brief through visual directions, evidence-grounded research and audits, URL cloning, frontend builds and a blocking design-QA gate.

Набор инструментов перевода для агентов DSH: сегментация предложений, извлечение терминов и глоссариев, QA пары «исходник — перевод» (числа, единицы, скобки), руководства по тону и долговечная память переводов в workspace.

Image and video production toolkit for DeepSeek Harness - background removal with quality tiers, local inpainting retouch, headline and logo compositing, batch platform-size exports and image QA reports; for video, AI subject matting with background replacement (RVM ONNX, plus a chroma-key path), animated titles with fade/slide/typewriter/karaoke presets, 53 transitions with stylized variants, and light-effect and grading presets with LUT support, alongside footage inventory, accurate cutting, subtitle burn-in, music mixing and platform-spec exports; it provisions its own local Python runtime through a bundled bootstrap script.

Quality suite: background tsc --noEmit diagnostics fed back after the agent edits TypeScript, plus a /code-review command running five parallel review lenses with confidence scoring; absorbs dsh-code-check and dsh-command-code-review.

Design mode for DeepSeek Harness: the design-loop agent preset plus design-principles and design-qa skill packs

Зрение для текстовых LLM: описание изображений / OCR / VQA через бесплатные vision API Gemini и GLM.