Плагины

Четыре инструмента только для чтения поверх базы знаний WeKnora: список баз знаний, гибридный поиск фрагментов, повторная сборка чанков одного документа по порядку и собственный ответ RAG или ReAct-агента WeKnora с возобновляемым идентификатором сессии.

Закрепляет язык рассуждений модели на уровне из Settings - General - Thinking language (упрощённый китайский или уровень по умолчанию, ограничивающий только ответы и оставляющий рассуждение модели). Добавляет секцию системного промпта с порядком -1000000 и повторно поднимает её на первое место в конце сборки; необязательная копия ставится перед каждым сообщением пользователя для моделей, слабо соблюдающих статичные секции.

Визуально настраивает промпт агента, инструменты, видимые навыки, субагентов и резервные модели, а также собирает нескольких агентов в команду. Он никогда не пишет и не редактирует файлы пресетов хоста.

Плагин управления системным промптом DeepSeek Harness по умолчанию: просмотр, поиск и переопределение итогового промпта, собираемого в каждом раунде сессии в разделе «Settings» Web GUI.

OMK — Observe. Measure. Know. Подтверждённые доказательствами изменения знаний для приложений ИИ.

Ролевая команда Multi-Agent для DeepSeek Harness: продукт, архитектура, frontend, backend, ревью и QA проходят девять этапов с проверками; доступна постоянная команда. Нет runtime-зависимостей и сборки.

Китайская локализация для DeepSeek Harness: переводит во время выполнения все системные промпты, описания инструментов и контексты выполнения на китайский через водопад system-prompt/assemble (1788 записей, без модификации исходного кода, удаление восстанавливает английский).

Плагин Context Assembler для DeepSeek Harness: сборка контекста тематическими блоками, разделение тем по принципу давления воды, трассировка/перезапись инструментов, инъекция реальных воспоминаний и планирование передачи.

A full-screen novel-writing workbench: chapter board, draft candidates reviewed and merged paragraph by paragraph, plot summaries carrying an index header, and a writing pack assembled from the outline, character cards and earlier chapters. It also reads a shelf of finished books you import, extracts their writing habits in one run, merges them into a single style standard, and puts that standard in the prompt for every later generation.

Ядро суждений DeepSeek Harness: цикл познания указывает источник каждого решения и завершает планирование; память hippocampus превращает опыт в знания (журнал, эпизодический архив, снижение низкой уверенности); архитектура закрепляет ответственность и единые критерии; команда A2A управляет памятью через dsh-linghun-assembler. Требуется DSH ^0.1.0-rc.7 (поддерживается rc.2).

Memory-assembly team for DeepSeek Harness: every message triggers a five-step cognition loop (judge, retrieve, assemble, feedback, calibrate) carried by role-playing subagents (judge, retriever, archivist, advocate, editor, scribe), using BM25 retrieval, time-ordered material, and LLM assembly to build useful material packs injected into linghun. Works with dsh-linghun.

Model attribution panel for the dsh web chat — local, zero-network structural fingerprinting (template token leaks, glitch canaries, tokenizer usage-vector matching) that scores which of 29 AI vendors a session's responses most resemble, with a per-claim evidence ledger and a 12-probe active battery.

Council of High Intelligence: соберите экспертную группу из 18 исторических деятелей для структурированных дебатов с разных точек зрения, с живой боковой панелью DAG, историей запусков SQLite и настройками по умолчанию для каждого проекта через .council.yaml.

Позволяет инспектировать, измерять, искать и сравнивать точный провайдерно-нейтральный контекст, собираемый DeepSeek Harness.

Двухвременная (bi-temporal) память на базе демона SodaMem: воспоминания подмешиваются в промпт при сборке каждого хода, и каждый закрытый ход загружается в память — без вызова инструмента и без вызова модели на пути чтения; каждый вспомненный факт ссылается на ход, из которого пришёл, и несёт даты действия, поэтому вытесненные факты перестают извлекаться.

DSH hardware sandbox plugin: assemble a 3D scene of ESP32 / BME280 / PIR / LED components with protocol- and voltage-checked port wiring, run real Python project code in the loop against simulated I2C/GPIO hardware with fault injection, let networked device simulators report over HTTP to a real backend (validated end-to-end against a live seat-reservation system), observe a real device read-only and map its state onto the scene, and add support for new boards through data-driven pin definitions. Ships 16 hw_* agent tools plus a bundled SKILL.md.

Помощник по SSQ (китайская благотворительная лотерея «Двойной цветной шар») для DeepSeek Harness: отслеживание тенденций по 1000 тиражам, шесть предсказательных моделей с ансамблевым голосованием, анализ структуры и генерация дань-туо/случайных комбинаций через инструмент ssq.

Turns a Minecraft Java save into a Blender cover or animation: scans the .mca region files for flat open ground, exports the terrain to OBJ, and drives Blender headless with MCprep materials, the BPS character rig and three-point lighting. After each render it reviews the frame with OpenCV for facing, ground contact, exposure, lighting and composition, then re-renders with adjusted parameters when a check fails. Requires Blender 4.2 LTS or newer and Python 3.10+ with opencv-python and numpy; the first run assembles the Minecraft assets with the bundled setup command.

Semantic code search for DeepSeek Harness: registers two native tools, semble_search (find code by describing its behaviour, returning ranked file:line hits) and semble_find_related (neighbours of a known location), which run the Semble CLI via uvx, plus one bundled routing skill. Requires uv on PATH; the first query on a repository builds its index.

Standalone prompt assembly with a source registry, custom text, strategy editing and previews, and per-session strategy snapshots through DSH public hooks.

System-prompt surface drift gate: every section any plugin or preset contributes to the assembled system prompt is hashed and baselined; a silent rewrite of what the model is told fails loud.

Host-side long-task detection for small-context local models: long outputs are scaffolded into a parts skeleton (one part per reply, then assemble), and multi-step work into a PLAN.md ledger with notes/ (plan first, one step per reply). Detection is heuristic and host-side, so it does not depend on the model judging its own limits.

Read, build and take apart EPUB 3 books with no external dependency — the ZIP reader/writer and the XML scanner are both built in. Inspect metadata, reading order and TOC for structural problems, assemble a book from chapters, or split one back into per-chapter HTML.

Wire-level LLM inspector: captures the raw HTTP request and response bodies of model provider calls and attributes each capture to the session that caused it through the llm/stream waterfall. The request pane renders the body as a collapsible tree with per-node sizes — one measured request was 98.6% a single 973-entry array — and the response pane reassembles the OpenAI-style SSE chunk stream into reasoning, content, tool calls and usage. Shown in a Conversation View tab and a loopback viewer page.