Плагины

Межсессионный движок памяти для DeepSeek Harness: хранилище SQLite + редактируемое человеком зеркало в Markdown, консолидация autoDream, офлайн-семантический поиск (локальная векторизация/переранжирование/кластеризация), временная шкала сущность-атрибут, режим Sleep Mode, autoSummarize с пользовательской моделью и 7 инструментов памяти.

Пресет агента Multitask: основной диалог только планирует, инструктирует субагентов и подводит итоги; чтение файлов, команды, поиск и сборки выполняются в контекстах субагентов. Четыре типа workers, подтверждение опасных действий и отсутствие изменений исходников DSH.

Глубокое чтение и резюмирование для DSH: книги, статьи, видео и веб преобразуются в структурированные заметки Obsidian через парсеры плагинов, параллельные подагенты глубокого чтения MapReduce, вывод JSON Schema и идемпотентный кэш.

Память проекта для dsh с нативной интеграцией с task-system: session todos и чтения файлов автоматически сворачиваются в кросс-сессионные записи задач (связи task↔file), так что рабочие процессы можно переключать и возобновлять без повторного контекстуального прогрева. Память на чтении (без предварительного скана): извлекает code symbols, суммирует docs и связывает docs↔symbols; опциональное семантическое усиление TS (включается автоматически при наличии TS). Experience notes автоматически дедуплицируются. Каждый recall содержит отслеживаемую цитату. Pure JS, одна зависимость, работает сразу, тихо, без накладных расходов.

Умные заголовки сессий для DSH: после каждого хода беседы независимый вспомогательный вызов LLM суммирует полную расшифровку пользователя+ассистента в заголовок, отражающий реальную тему сессии, а не повторяющий первое сообщение; первое сообщение озаглавливается сразу, неудачные встроенные заголовки повторяются на следующих ходах, ручные переименования никогда не перезаписываются, а сессии субагентов/форков пропускаются.

Заменяет встроенный суммаризатор компакции DSH сводкой-передачей из пяти разделов и сохраняет каждое вытесненное сообщение читаемым в каталоге сегментов.

Multi-agent roundtable discussion: each member runs as a subagent on its own model and speaks in turn, a host summarizes each round, and termination writes meeting-minutes Markdown.

Вход в DeepSeek Harness с подпиской Claude Pro/Max (без API-ключа), уменьшение изображений в запросах Anthropic до 2000px по длинной стороне, облегчение полезной нагрузки суммаризатора /compact, а также отображение использования 5-часового/недельного плана и счётчиков сообщений DSH.

Голосовой чат в стиле Doubao для DSH: удержание микрофона в поле ввода преобразует речь в текст и отправляет автоматически, а ответы ИИ озвучиваются. Необязательное сжатие с помощью LLM (длинные ответы сводятся к коротким озвучиваемым репликам в соответствии с моделью текущего диалога), очистка текста для TTS, выбираемые голоса Edge TTS, настраиваемая автоостановка по тишине, а настройки встроены в диалог настроек DSH.

Select text in any Windows app to explain, summarize, translate, or read it aloud with DeepSeek Harness — answered in a streaming always-on-top overlay with a horizontal capsule menu.

Preview conversation context and selectively keep, summarize, or omit exchange groups before applying persistent compaction through Harness session services.

Переформатирует заголовки сессий dsh в формат «дата | тип | тема» (тип и тема обобщаются моделью из полного диалога) и скрывает неиспользуемые сессии из боковой панели без их удаления.

Менеджер контекста для DeepSeek Harness: автоматически суммирует каждый ход в записи, отсортированные по приоритету, внедряет их вместе с закреплёнными заметками между сессиями и пользовательским текстом в каждый запрос к модели и сворачивает реальные диапазоны беседы любого размера в сводки для экономии токенов. Работает постоянно и безопасен при перезапуске. ВНИМАНИЕ: установка вручную в несколько шагов — скопируйте три папки пакета в profiles/node_modules, добавьте указанные строки cordis.patch.yml и перезапустите DSH; это не стандартная установка одной командой.

Зелёная interrupt button рядом с полем отправки: молча останавливает работающего агента, который затем резюмирует свой прогресс и запрашивает новые требования, с настраиваемым interrupt prompt.

Windows only. Bilibili video summarizer: downloads the audio track, transcribes it locally with faster-whisper (Python + faster-whisper, about 725 MB of models on first run), then writes the analysis markdown and renders a one-page infographic PNG.

Model-callable compact_agents tool that force-compacts context in every live session (main session, ordinary sub-agents and AgentTeams members alike), queues busy targets and compacts them when the turn ends, reports the shadowed node count and estimated tokens per target, and ships a browser form for the trigger ratio, retained ratio, controlled-phase output budget, auto-continue budget and an end-of-turn pre-compaction ratio that compacts near the trigger line once a turn ends, so a reply no longer opens with a wait for the summarizer.

Single-file persistent companion memory: interests, preferences, tasks, and past works summarized into the system prompt, with read/update tools.

Передача длинных сессий в чистую новую: /handoff суммирует диалог с помощью LLM, создаёт новую сессию и агента в том же рабочем пространстве, добавляет документ передачи как первое сообщение и открывает её автоматически; исходная сессия не меняется.

Вкладка «轨迹解读» (разбор траектории), которая суммирует каждый ход пользователя — что требовалось, как ассистент рассуждал и действовал, файлы, команды и ошибки — с помощью движка правил и необязательного LLM-повествования; сообщения пользователя остаются дословными.

Передача сфокусированного контекста без ожидания или прерывания активного агента: заморозка ограниченного снимка сессии, асинхронное резюмирование изолированной no-tool LLM и доставка капсулы с доказательствами происхождения другой сессии или авторизованной Room — по умолчанию тихо для сессий, с возможностью явного пробуждения.

Saves architecture and validated plans, runs native AgentTeams workers with approval, parallel coding and independent review, and summarizes progress and verification results.

Notes-backed context compression for DeepSeek Harness: replaces LLM-summarized compaction with a model-written persistent notebook plus recoverable raw history, so the rollover boundary itself costs zero model calls.

Chunked compaction for oversized sessions: takes over only when the live context exceeds 85% of the model window (or the request exceeds 4 MB), summarizes the history in 1.5 MB chunks and merges them; smaller sessions keep the built-in compaction.