Плагины

Мост ShiGuang Memory Engine (SGME): общая долговременная память для нескольких агентов через HTTP — дистилляция L0/L1/L1.5/L2, внедрение по сценарию, единый поиск и проактивные сигналы заботы (memory_search / wiki_search / signal_pull / signal_claim / signal_ack), устанавливается как `dsh-sgme`.

AI может написать текст резюме, но шаблоны могут выглядеть неправильно, страницы переполняться, оставаться лишние пробелы, а небольшие правки нарушать макет. dsh-resume предоставляет сквозной DSH-процесс для правдивой доработки содержания, выбора шаблона, настройки макета A4, визуальной проверки и версий резюме под разные сценарии поиска работы.

Практика собеседований с ИИ для DeepSeek Harness Web: генерирует вопросы в четырёх режимах (повторение концепций, пробное собеседование, сценарии, LeetCode Hot 100), оценивает ответы и даёт пояснения.

Пресет агента в режиме обучения: агент кодирования, который обучает во время кодирования — конкретные сценарные объяснения, сократическое руководство и практические заготовки TODO(你), смоделированные по стилю вывода Learning Claude Code; устанавливается через dsh plugin add (dsh-learning-mode в npm).

Пресет агента Learning Mode: кодирующий агент, который обучает во время кодирования — конкретные сценарные объяснения, сократическое руководство и TODO(你) практические пропуски, смоделированные по стилю вывода Learning Claude Code; устанавливается через dsh plugin add (dsh-learning-mode в npm).

Плагин конфигурации сценариев: разные комбинации плагинов образуют разные сценарии, единое управление включением/выключением плагинов (страница конфигурации автоматически обнаруживает установленные плагины и горячо переключает по сценариям); модель выбирается пользователем в окне сессии по необходимости.

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.

Team knowledge base for offline knowledge sharing (FDE box scenario): browse, full-text search and refinement entry points; raw material is queued automatically and distilled into wiki pages by a serial bot session (Karpathy LLM Wiki pattern: immutable raw, two-step refinement, log stream, monthly lint).

DeepSeek Harness plugin that aggressively saves tokens without affecting task quality: lossless head/tail truncation of tool results (default), grep-result folding, pressure-triggered dsh-compaction-basic delegation, and an LLM-summary CompactionEngine subclass for the aggressive mode. Saves 97.6% of input tokens on an 8-scenario synthetic suite, with all reductions routed through dsh event flow so model-visible = logged stays intact.

Live token cost for every chat in the DSH Web UI: the chat, its subagents and the whole session tree, priced from a bundled models.dev snapshot of seven providers and 139 priced models, with cache read and write rates wherever the provider publishes them and DeepSeek from its own peak and off-peak table. Every finished answer carries its own price in the transcript, and a chat that is not currently open is priced from the log instead of disappearing. Spend is costed per interval from an append-only JSONL ledger in the project folder, so logged work keeps the tariff it was billed at. On top of it: budget-aware work plans packed against a money limit, routing scenarios that show which models are worth connecting, a generated plan document in English, Chinese or Russian, and a warning when spend belongs to no plan unit.

Skill dossier + work report for DSH: browse, search and archive each skill (direction, scope, boundaries, scenarios), review or delete it, and roll daily briefs into daily, weekly and monthly reports.

An agent preset that turns a one-line idea into requirements, tech plan and maintenance baseline — every step is restated and confirmed by you before proceeding. No scenario presets: 73 atomic skills (6 master skills + a verify dispatcher + 66 sub-skills) load by context.

Routes dsh requests by conversation scenario and retries with fallback models when requests fail.

Scenario bundles of dsh plugins (插件界的 dotfiles): a recipe tool that lists, searches, applies and composes ready-made plugin environments with ordered install sequences.

Beginner starter pack for DeepSeek Harness: welcome flow, 0→1 learning path, scenario-based plugin recommendations and a self-check checklist, paired with the dsh-handbook-zh Chinese tutorial repo.