Плагины

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.

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.

Управляет научным построением графиков OriginLab Origin из ИИ-чата через MCP: 62 инструмента. Сторож модальных диалогов, предохранитель LabTalk, release/reconnect, подгонка с начальными/фиксированными/взвешенными параметрами, детальная правка графиков и листов, матричные инструменты, декларативный FigureSpec YAML (сравнимый по diff и воспроизводимый), снимок MCP Resources только для чтения, мост matplotlib-figure, сборка PowerPoint с подписями панелей, поиск шаблонов в Graph Gallery, экспорт в EPS, белый список доступа к файлам, базовая линия визуальной регрессии и редактируемый результат OPJU с детерминированной проверкой обратного чтения.

Тестовая среда оценки для плагинов DSH: YAML-кейсы запускают реальные безголовые прогоны агента, проверяют вызовы инструментов, аргументы, результаты и использование токенов, с базовым порогом для регрессий в CI.

Навык проверки утверждений, сверяющий проектные документы и планы с фактами кодовой базы, с эскалацией поведенческих утверждений до исполняемой проверки логическими примитивами для машин состояний и моделей данных, с регрессией до/после, доменными ограничениями и поиском рисков параллелизма.

Самоэволюционирующий плагин для DeepSeek Harness: наблюдает за работой агента, предлагает улучшения своих ресурсов через LLM, проверяет каждое предложение в пробном агенте в песочнице и применяет только проверенные изменения — с версионируемым журналом и автоматическим откатом при регрессии.

Запуск Stata через DeepSeek Harness: нативная служба Stata AI Skill автоматически стартует вместе с DSH (бинарные файлы для macOS/Windows включены), позволяя выполнять регрессии, do-файлы и эконометрические процессы без ручной настройки.

Отчёты о дрейфе поведения для сессий DSH: сравнивает два журнала сессий и сообщает о согласованности последовательностей инструментов, их составе, объёме рассуждений, таймингах, повторах и целевых файлах, с необязательным порогом для CI. Без зависимостей.

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.

Память решений и целей с отслеживанием происхождения: явные команды и модельный инструмент детерминированно фиксируют решения, карточка статуса заново закрепляет их при компакции, безошибочный поток событий с поиском BM25+jieba служит основой, а сценарный набор регрессионных тестов на точность контролирует релизы.

Запускайте Stata через DeepSeek Harness: нативный сервис Stata AI Skill запускается автоматически вместе с DSH (бинарники macOS/Windows включены), так что регрессии, do-файлы и эконометрические рабочие процессы работают без ручной настройки.

Мобильный адаптер для веб-оболочки DSH: выдвижные боковая панель и панели деталей, адаптивные редактор сообщений и настройки ниже 768px, ноль регрессий на десктопе.

Контрактный регрессионный harness для авторов плагинов: скриптованный LLM-адаптер проводит реальный пайплайн в изолированных дочерних процессах с проверками событий сессии (слои load/contract/behavior/fault); без API-ключа, готов к CI.

Measure whether a dsh setup change actually helped: register repeatable cases, run them, and diff the results before and after you change rules, skills, or models.

Evidence-first frontend release checks: real-browser content, accessibility, runtime, network, and baseline regression reports with screenshots.

Adds a /dshpp slash command that reports session and token usage, cache-hit rate, and estimated cost from harness session logs; the repo also ships a CLI and local web console for lifecycle, provider, session, and plugin-security management.

Codex-style fuzzy skill search for the DeepSeek Harness Web GUI: /bug, /diag, /regression all find diagnosing-bugs in the / skill menu.