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`.

Командная база знаний для офлайн-обмена знаниями (сценарий FDE box): точки входа для просмотра, полнотекстового поиска и уточнения; исходный материал автоматически ставится в очередь и дистиллируется в вики-страницы последовательной бот-сессией (шаблон Karpathy LLM Wiki: неизменяемый исходник, двухэтапное уточнение, поток логов, ежемесячный lint).

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).

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.

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.

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.

Помощник регистрации активов данных: предварительно проверяет запрещённые сценарии и споры о владении, подбирает агентство по типу данных и региону, выдаёт список по стандарту тройного аудита и процессу из семи шагов.

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).

Многоуровневая память для DeepSeek Harness: каждый ход внедряет персона-профиль и индекс по релевантности; полные стенограммы остаются на диске и раскрываются по запросу, не переполняя контекст. Факты привязаны к слотам: новое значение заменяет старое. Модель выводит персона-профиль из памяти. Три фильтра отсеивают разговоры о разработке, блокируют эхо собственных внедрений и объединяют переформулировки по общим смысловым словам. Консолидация объединяет почти дубли, сжимает длинные темы и архивирует малополезные старые записи только тегами; исходный текст не удаляется. Добавочное хранилище уплотняется на месте (измерено: 4,7 МБ → 355 КБ). Нет сторонних зависимостей и сборки. Внедрение на каждом ходу неизбежно снижает попадания в кэш prompt; для работы не рекомендуется.

Звуковая обратная связь для веб-интерфейса DSH: нажатия кнопок классифицируются по смыслу (normal, primary, toggle, send, close, danger, link), а переходы задачи текущей сессии (started, finished, failed) и ожидающие взаимодействия сопровождаются сигналом. Для каждого сценария есть отдельный выбор сигнала и переключатель на странице настроек. Все 78 сигналов и 12 наборов звуков синтезируются в браузере с помощью Web Audio API, поэтому пакет не содержит аудиофайлов и не отправляет сетевых запросов. Это порт dsh-plugin-uisfx на DSH 0.2.0, созданный сообществом; изменения зафиксированы в PROVENANCE.md.

Объединяет пять навыков TIA Portal (поиск документации Siemens PLC, генерация ladder-логики, рендер SimaticML в PNG, симуляция скан-цикла со сценариями PASS/FAIL и шлюз TiaLink для работы с реальным проектом TIA Portal) и пять конечных точек MCP. Для реального проекта нужен платный TiaLink (Windows + TIA Portal V19/V20 + Openness). Четыре облачных сервиса требуют API-ключи: по 100 бесплатных вызовов, далее оплата. Рендеринг оплачивается за вызов даже при сбое. Нужны Node 22+ и сеть; фрагменты программ загружаются на tia.hubwiz.com.

Пятислойный конвейер распознавания намерений (правила, поиск pgvector, оценка Jev, дообученная арбитрация и резервный LLM) с интерфейсом управления сценариями, хранилищем PostgreSQL и распространяемыми API-сервисами.

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.

Оценивает только для чтения, можно ли восстановить базу Dameng DM8 и до какого LSN или времени, по 16 сценариям; формирует HTML-отчет. Нужны Java 8+ и предоставленный вами JDBC-драйвер Dameng (DmJdbcDriver8.jar).

Стоимость токенов в реальном времени для чата, субагентов и всего дерева сессий. Встроенный snapshot `models.dev`: 7 провайдеров и 139 моделей с ценами; также учитывает опубликованные тарифы чтения/записи кэша, а для DeepSeek — официальные пиковые/непиковые цены. Цена каждого завершённого ответа видна в стенограмме; закрытые чаты считаются по журналу. Добавочный JSONL-журнал проекта фиксирует расходы по интервалам и сохраняет тариф, действовавший при оплате. Есть планы под денежный лимит, сценарии выбора моделей, документ плана на английском/китайском/русском и предупреждение о расходах без назначенной единицы.

Панель практики испанского для DeepSeek Harness: шесть локально оцениваемых типов упражнений (спряжение в 11 временах, род существительных, множественное число, распознавание лексики, пропуски в предложениях, грамматика ser/estar и сослагательного наклонения), вкладка написания сценариев с оценкой модели, интервальное повторение в 8 уровней и четыре agent-инструмента. Ответы вычисляет и оценивает сам плагин; модель нужна только для обучения и объяснений.

Плагин проверки решений для DSH на основе «Ицзина»: шестислойный механизм взвешенной агрегации (от 384 яо к тайцзи) с правилами вето для сильных ассоциаций. Чистый JS без зависимостей от решателя. Бесплатный тариф ограничен 9 запусками в день; коды активации повышают лимит. В сценарии биржевых трендов котировки Tencent запрашиваются в реальном времени для кодов акций из запроса.

Подключает semantic service tsm-core-dlr (векторы и граф LanceDB) как MCP tools, включает независимый от сценария skill DLR/TSM, статус и правила. Обязательная зависимость: сервис должен работать до активации bundle.

Досье Skills и отчет о работе для DSH: просмотр, поиск и архивирование каждой Skill (направление, область, границы, сценарии), проверка или удаление; объединение ежедневных сводок в дневные, недельные и месячные отчеты.

Пресет агента превращает идею в одну строку в требования, техплан и основу сопровождения; каждый шаг повторно излагается и подтверждается вами до продолжения. Сценарных пресетов нет: по контексту загружаются 73 атомарных skill (6 основных, диспетчер проверки и 66 подчиненных).

Маршрутизирует запросы dsh по сценарию разговора и при сбое повторяет их с резервными моделями.

Сценарные наборы плагинов dsh (dotfiles мира плагинов): инструмент для просмотра, поиска, применения и комбинирования готовых окружений плагинов с упорядоченной установкой.

Стартовый набор DeepSeek Harness: приветствие, путь обучения 0→1, рекомендации плагинов по сценариям и чек-лист самопроверки вместе с китайским учебным репозиторием dsh-handbook-zh.