Плагины

Проверки гигиены pull request перед отправкой внутри DeepSeek Harness: сканирует текущий diff на оставшиеся TODO, жёстко прописанные секреты и неконвенциональные subjects коммитов.

Страж инженерной дисциплины: проверка требований перед первым редактированием, ворота тестовых доказательств красный/зелёный, ветвлённый adversary-обзор и отчёт о поставке с рабочим процессом верификации по измерениям.

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

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.

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.

Интеграционный слой DSH для механизма памяти Minta: компонует официальную строку dsh-mcp-client, регистрирует skill minta-memory-governance плюс предварительный прогрев памяти при старте сессии и поставляет пресет агента Minta; требует отдельно развёрнутый механизм Minta (Python/Docker) для предоставления 19 инструментов MCP — без него непригоден.

Многомерная оценка качества для плагинов DeepSeek Harness, которая оценивает репозиторий или npm-пакет по успешности установки, активности сопровождения, полноте документации, проверке безопасности и соответствию протоколу на основе реальных CLI-доказательств и формирует отчёт таблицы лидеров в JSON или Markdown.

Навык проверки кода на основе шаблонов: пятиэтапный процесс ревью, градация серьёзности (критическая/средняя/незначительная), четырёхмерная оценка (качество, безопасность, производительность, поддерживаемость), двойной вывод отчётов в текстовом и HTML-формате и справочная база знаний по запросу.

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.

Пробуждает главного агента после любого перезапуска DSH, чтобы прерванная работа возобновлялась автоматически — добавляет инструмент перезапуска и опциональную канарейку, валидирующую загрузку и прерывающуюся с предупреждением перед сломанным перезапуском.

Подключает DeepSeek Harness к пайплайну Hermes: шаблон спецификации диспетчеризации, маршрутизация по уровню модели, контрольные точки качества, запускаемые оркестратором, правило единственного writer'а в git — в виде пакета SKILL.md (устанавливается как бандл).

Ролевые ИИ-рой для DeepSeek Harness: архитектор планирует, параллельные сборщики выполняют, ревьюеры контролируют качество, а интегратор поставляет. Закрепление моделей по ролям с цепочками отката, циклы ревью, контракты доказательств, ревью с участием человека, пауза/возобновление с учётом квот, живой канбан + блок-схема в веб-интерфейсе. 40 тестов; установка из GitHub или npm.

Набор инструментов финансовых данных для агентов DSH: форматирование чисел и валют (включая китайские единицы wan/yi), расчёт доходности и CAGR, коэффициенты оценки и рентабельности, PV/FV, метрики риска и контрольный список качества данных.

База знаний по паттерну Karpathy LLM Wiki для DSH: навыки wiki-write/wiki-search, конвейер без зависимостей (lint/индекс/синхронизация памяти mnemon/обратная связь по качеству), минимальный плагин жизненного цикла, внедряющий схему и предпросмотр знаний, семантическое вспоминание SiliconFlow через Ollama-совместимый прокси.

Рендерит обои-сцены Wallpaper Engine в реальном времени в браузере (плеер three.js плюс симуляция частиц на CPU через Rust/WASM) и воспроизводит видео- и веб-обои с откатом к превью-изображению, без наличия рантайма Wallpaper Engine. Сканирует локальную библиотеку Steam workshop (431960) автоматически или по вручному пути и предлагает панель настроек для выбора обоев, каталогов библиотеки и движка, свечения, паузы и качества.

Плагин DeepSeek Harness, агрессивно экономящий токены без ущерба качеству: без потерь обрезает начало и конец результатов инструментов (по умолчанию), сворачивает результаты grep, делегирует в dsh-compaction-basic по триггеру давления и использует подкласс CompactionEngine с LLM-сводкой для агрессивного режима. Экономит 97,6 % входных токенов на синтетическом наборе из 8 сценариев, и все сокращения идут через поток событий dsh, так что «видно модели = записано» сохраняется.

Проактивный плагин мультимодельной диспетчеризации: приём мультиисточниковых сигналов с дедупликацией и ранжированием срочности, движок решений из четырёх направлений (выполнить/отложить/отклонить/спросить пользователя), генерация DAG-планов с параллельным выполнением моделей, рефлексия качества с автоматическим повтором и сменой модели, долгосрочная память о паттернах задач и уроках, эволюция стратегии через генетические алгоритмы с песочничной оценкой и канареечным развёртыванием.

Ограничители, обеспечиваемые движком, для роёв агентов DeepSeek Harness: контроль качества отклоняет незавершённую работу, отказоустойчивые контрольные точки возобновляют на месте — ИИ-команды не просто работают, а не ломаются.

Магазин плагинов: основной каталог npm + курируемый список awesome (550+ плагинов, 11 категорий), проверка качества по полю dsh, официальная установка в один клик через `dsh plugin add/remove`, вход из сайдбара и настроек.

Оркестрирует устойчивые мультиагентные команды из одной DSH-сессии: капитан порождает подагентов-участников, ведёт DAG задач с учётом зависимостей и шлюзами качества, координирует через постоянные почтовые ящики, с живой панелью активности.

Шестиэтапный рабочий процесс публикации контента для официального аккаунта WeChat с инструментами контроля качества и встроенным навыком.

Предустановка агента технической документации для DeepSeek Harness: шаблонно-управляемое написание с самообучающейся библиотекой шаблонов, удаление ИИ-привкуса для технических документов и набор инструментов обеспечения качества (аудит документов, междокументная согласованность, перенумерация, синхронизация версий, экспорт в PDF и Word, автоматизация скриншотов).

Регистрирует навык commercial-ui-ux для DSH: проектирование, проверка, исправление и реализация коммерческих UI/UX/GUI с учётом задач (SaaS, панели мониторинга, админ-панели, формы, таблицы, дизайн-системы) с системой справочных документов и контрольными точками качества.

Folio (兰亭) @nyantused/folio-dsh-tools: 15 проверенных по схеме инструментов (память + контроль качества), а также защита L0 механизма создания консультационных документов; используйте совместно с @nyantused/folio-dsh-events для полного протокола сеанса.