插件
浏览、筛选并安装 DeepSeek-Harness 插件。
共 37 个插件
OpenQuantum (openquantum-web-branding)
xi-zhao/openquantum
为 DeepSeek Harness 原生 Web 界面应用 OpenQuantum 品牌、浏览器元数据与 PWA 资产。
dsh-quant
pengpengyi92/dsh-quant
面向 DeepSeek Harness 的量化研发工具箱,59 个工具覆盖行情、指标、因子评价、滚动样本外机器学习验证、风险(VaR/CVaR/回撤/Beta 与 Kupiec POF)、期权、债券、FICC 和基金模拟,并提供端到端 PDAT→PET 研究管线。
quantum-practices
unitarylab/quantum-practices
量子算法最佳实践。
dsh-novel-solo
tkingxiao/dsh-novel-solo
DeepSeek Harness 的「单核写作」插件:面向量化小模型做了充分的工具瘦身与输出加固,适合在本机用本地模型跑长篇小说流水线。
dsh-expert-mode
asher-2000/dsh-expert-mode
专家模式 agent preset(v0.9.2,npm 包 dsh-expert-mode,双语双份):首席协调官 + 17 位领域专家子代理,按任务特性自动委派。特性:任务调度器(文件系统任务状态机 pending/ready/running/done/failed + 依赖DAG + 原子认领 + 重试 + 崩溃恢复)、质量门禁(高风险任务五段式:需求澄清→实现→验证→独立评审→集成,最多回炉2轮)、五锚约束(每轮回顾/收敛/反跑题/协作检查/资源感知自检)+ 近距离引导(身份/任务/输出格式模板)+ 渐进式披露(省token约28%)+ 专家持久化 + 专家间文件消息总线(P2P直连,零协调官中转)+ 交叉评审 + 经验沉淀 + 简单任务快速通道 + 故障自动重试。专家:数据分析/文案/法务/产品/前端/UI-UX/架构/社交运营/增长/量化/财务/后端/DevOps/数据库/QA/安全/生图短视频。
stock-analysis-plugin
weaxs/stock-analysis-plugin
DeepSeek Harness(dsh)股票分析插件:覆盖 A 股/港股/美股/日股/韩股/台股的分析、选股与策略回测。
dsh-rigorquant
linxichen/dsh-rigorquant
RigorQuant 预设与技能包:面向实证与计算数学(经济学、金融、组合)的无人值守隔离多智能体研究,内置四重实现前校验与 jacobian/Lean 升级通道。
dsh-plugin-stock-x
xuexiaolei1997/dsh-plugin-stock-x
全景金融量化工作台与股票盯盘:悬浮球与抽屉面板、A/港/美/全球指数实时行情、多周期K线与5日分时、五档盘口、资金流向、板块热点榜与AI投研诊断。
bigA
kobenfang/biga
A股智能选股技能:实时行情、技术面择时分、买卖信号与动态股票池。
dsh-openrouter-providers
moranyue/dsh-openrouter-providers
配置 OpenRouter 请求使用的提供商列表与量化位数上限,注入 provider.only/order(allow_fallbacks)与 provider.quantizations 路由参数。
data-asset-inspector (data-asset-quality-score)
liuhange789/data-asset-inspector
依据 GB/T 36344-2018 国家标准,从规范性、完整性等六个维度对数据质量进行量化评分,为企业数据资产入表提供可审计的底稿。
dsh-plugin-mlquant-benchmark
initial-d/dsh-plugin-mlquant-benchmark
用于复现并校验 ml-quant-trading protocol v1 CPU 基准测试,并生成可提交 issue 报告的 DSH 工具。需要本地 clone initial-d/ml-quant-trading,并将其设为 workspace 或 repoPath,同时自行准备 Python 和 PyTorch;本插件不会获取仓库或安装依赖。
dsh-bayes-predict
pg527322814/dsh-bayes-predict
贝叶斯个股预测插件:多指标信号融合的上涨概率估计、趋势状态识别与持仓风险度量(A 股 + 美股)。
dsh-local-trim
leonlee114514/dsh-local-trim
给小本地模型的一步到位接入 + 轻量 harness。装载时自动探测回环与私有网段上的推理端点(llama.cpp、Ollama、vLLM、LM Studio),从后端读出每个模型的窗口与输出预算,再经 settings 注册 provider —— 不用手写配置就能在模型选择器里选到本地模型。随后只对这一个 provider 裁剪:用 tools.restrict 收缩工具面、按段名丢弃系统提示词段落与记忆 context、把注入的指令块换成一页纸同时保留其首 80 与末 96 字符、截断工具 schema 的 description 而不动结构与 required。云端 provider 原样返回同一个 assembly 对象,不做任何改动。注入正文每次装配都重新读盘,改文件下一次请求就生效,不用重载。插件详情页的面板是一块实时运行视图:显示接管是否生效、走的是哪个钩子,最近一次装配的字符进→出与省下的比例,以及各 provider 的在线灯(多路并发点灯,每个本地 provider 还能发一次真实的最小请求,把延迟与回复原文报出来)。本地后端没起来时,面板能一键拉起:先探测端口(已在应答就不重复启动),再按端口拉起对应后端(ollama serve,或你自己填的启动命令),进程独立于宿主存活,随后轮询到端口应答为止,等待上限夹在 3–600 秒,超时会把刚起的那个进程回收掉不留孤儿,找不到可执行文件时会把搜过的路径写清楚。面板上还有停止按钮,只肯停本插件自己起的后端(先 SIGTERM,1.5 秒不退再 SIGKILL),别人的服务一概不动。模型刚下好、后端还不存在时,面板能扫描本机 .gguf(跳过 .mmproj. 视觉投影、按大小降序,并带 300 个模型 / 20000 个目录项 / Downloads 只扫一层这三道上限),选一个就用它拉起 llama-server(端口上已有服务就复用),按后端自报的模型 id 注册 provider,再发一条真实请求证明能用。真正起之前会做一次装得下算账:只算显存装不下的那部分(hostBytes = 文件体积 − 显存),拿它比 max(总内存 − 2GB, 空闲内存)。文件比「显存 + 内存」还大直接拦;落到宿主的内存太多时先不替你起,要你确认;同样的情况若走 mmap 只给警告,因为权重落在可回收的页缓存里。加载方式下拉(auto / mmap / none / mlock / mmap+mlock)对应 llama.cpp 的 --load-mode,默认交给引擎自己决定。0.4.2 起上面每一条都改成按平台推导,而不是假设本机长什么样:家目录与数据目录走 os.homedir() 和各系统惯例(Windows 用 LOCALAPPDATA,macOS 用 ~/Library/Application Support,其它用 XDG_DATA_HOME);后端二进制按各系统官方安装位置找,也可以用 OLLAMA_BIN / LLAMA_SERVER_BIN / VLLM_BIN / LMSTUDIO_BIN 钉死;找模型依次走 DSH_LOCAL_MODELS_DIR、~/models、~/llama.cpp/models、~/.cache/llama.cpp 与 LM Studio 数据目录,WorkBuddy 的布局降级成其中一个候选。显存先问 nvidia-smi,再问 rocm-smi,Apple Silicon 上问 sysctl hw.memsize 并标成统一内存(同一块字节不重复扣两次)。拼命令行之前会跑一次 llama-server --help,只保留这个 build 真有的参数 —— 老引擎给 --n-gpu-layers 99 且不下发 KV 量化,新引擎给 auto 加 q8_0;探测不出来的参数一律照传,不因为探不到就丢掉。LM Studio 用 lms server start --port N 起,不再和「必须先给模型参数」的引擎混在一起;vLLM 单独给 --model 的示例,不再套 llama.cpp 的写法。Windows、macOS、Linux 三套都在 CI 里跑,另加 windows-latest 与 macos-latest 两个 job —— 只在一个系统上跑过的「跨平台」不算跨平台。其中两套专门用来抓这台开发机的盲区:一套把 process.platform 改掉、整套测试按各系统重跑;另一套把开发机的所有有利条件全删掉(没有 nvidia-smi、没有 rocm-smi、没有 sysctl、PATH 是空的、家目录里没有模型),要求优雅退化而不是崩。后一套抓到过真实的一类 bug:好几处断言写死了 lms.exe,在可执行文件不带后缀的系统上根本不可能过。参考机实测:16.9GB 的 27.2B MoE 配 14.5GB 显存,进程工作集只有 285–691MB,预热 1000–2000 token 后稳定 76 tok/s —— 光看文件大小判断装不装得下是错的。0.4.3 起扫出来的模型是一张表而不是下拉框(每个 gguf 一行,带体积和偏大提示),选之前能看清磁盘上到底有什么。0.4.4 起 provider 表上的删除键删的是这条 provider 配置,不是磁盘上的权重文件。这个区别很重要:真正想清掉的是那种僵尸条目 —— 指向一个从没应答过的端口、同一个端口注册了两遍、或者模型文件早就删了还留着的那几条,而不是一个 15.8GB 的 gguf。删配置随时可以重新导入,删 gguf 不行。删除走settings.mutate 的 unset,路径是 \['providers', id]:不能用 update,因为 update 是合并层,往那儿写null 只会留下一个 null 的 provider 键,loader 会当成配置坏了而不是「没有这一条」;只有 mutate 的unset 内部是 Reflect.deleteProperty。删完会回读一次,因为对「来自下层(profile 的 cordis.patch.yml或 home patch)的键」做 unset 不是删除而是恢复继承值 —— 调用成功但条目还在。条目还在时面板会直说,并把该改哪个文件指出来,不谎报成功;settings 服务太老没有 mutate() 的版本也会明说,而不是默默忽略。删除要点两次,点别的行就撤回确认;删成功会清掉在线缓存与 baseURL 缓存并重算工具面,因为 provider列表变了。gguf 本身插件一个字节都不动 —— 扫描出来的那张表只用来展示和选中。且显存能不能读到取决于驱动。0.4.5 起模型扫描也读 Ollama 自己的存储:它的 blob 叫 sha256-… 、没有后缀,光按扩展名永远列不出来。现在认权重看后缀或文件头 GGUF 魔数(只开「无点号且 ≥8MB」的文件,一趟最多读 600 次魔数;.json/.md/.safetensors/.part 这类明显不是权重的后缀一次都不开)。Ollama 的模型从 manifest 还原:只取 mediaType 为 application/vnd.ollama.image.model 的层(mmproj/adapter 层不算主模型),人话名从 manifest 路径还原(…/qwen3/8b → qwen3:8b,latest 不加冒号),同一份 blob 被多个 tag 引用时合并成一行,metadata 的 kv 给出名称、量化和 context 上限。对 Ollama 的模型点「一键配置」不会再拿同一份权重重复起一份 llama-server:它确认 11434 上的 ollama 在应答(不在就 ollama serve),并按端点自己报的 tag 注册 provider —— 11434 上报的是 qwen3:14b,拿 blob 的 sha256 名永远匹配不上。顺带修掉两个只有真机才暴露的坑:Windows 上 existsSync('<文件>/') 返回 true,manifest 与目录的分岔改成按内容判定,不再依赖尾斜杠语义;量化标签表照搬了旧一代 ggml 枚举,把 ggml_type 15 标成 Q5_K_S,而 ollama show 实测报 Q4_K_M,整表按真实序号重写。同一份文件的去重按 (dev,ino),谁有名字留谁。参考机实测:扫描从 1 行变 4 行 —— qwen3:14b(8.64G)与 qwen3:8b(4.87G)带着 Q4_K_M 徽标出现 —— 耗时 4ms;npm run verify 退出码 0(launcher 57 项、portable 35 项、panel-host 含 linux/darwin 模拟平台两套全绿);panel-host 新增的用法在 tmpdir 里现造一份迷你 Ollama 存储再把 OLLAMA_MODELS 指过去,测试结果不再取决于跑测试的机器装没装 ollama。0.4.6 起面板显示的是模型自己的真名,不再是文件名:有些下载工具会把任何权重都落成同一个通用文件名,真名只写在 GGUF 头部里。扫描会读每个文件的 GGUF KV 区 —— 不是先读一段固定大小的头部,因为 tokenizer.ggml.tokens(大 MoE 模型动辄几十万条字符串)和 chat_template 会把 general.file_type 挤出任何窗口;而且 GGUF 的字符串数组是交错存储(每条 u64 长度加载荷),把它当长度表读会让游标跑偏、算出天文数字的读取量。读与走位分开记账:键名与类型必读,超过 256KB 的字符串值和字符串数组只走位不复制,非字符串数组超过 64 个元素直接跳过,游标越过文件末尾立刻停 —— 越界说明游标错了,不是该把上限调大。显示名依次取 Ollama 的 tag、general.basename 加 size_label、general.name、文件名,整串留在悬停里因为常带内部编号;视觉投影文件现在也靠 general.type 认,不只看文件名。短读(文件被截断)不再把半截字节喂给解析器。参考机实测:读一个文件的头部解析出 44 个键耗时约 16ms,整趟扫描约 31ms。0.4.7 起「试跑」不再出现「第一次失败、第二次成功」。老代码让两轮请求共用一个 AbortController 和一个 30 秒定时器,也就是两轮加起来只有 30 秒:大模型的冷加载第一轮就烧完它,abort 之后 signal 永久处于已中止状态,第二轮(换成 Ollama 认的 reasoning_effort: none 再试一次)连请求都发不出去 —— 这正是第一次点报 This operation was aborted、第二次却能成功的原因。现在每轮各自一个 controller 和定时器;超时自动再来一轮(retryOnTimeout 默认开),因为第一次请求超时几乎总是「权重还在读盘」;非超时错误(连不上、HTTP 报错)完全不重试。超时也会自己说清楚:文案里写明超过了多少秒、是否已自动重试,并指向新增的「试跑超时(秒)」配置项(默认 60,可设 5-600)—— 端口通了不等于能出字,它和「拉起后等端口(秒)」是两个不同的旋钮。顺带:面板提示里那句绑定某一个具体模型的举例去掉了,不是每台机器都下了那个模型,说明改成讲机制。0.4.8 起「一键配置」一个普通 .gguf 不再注册出不相干的 Ollama 模型。端口这一栏原来跟着上一次点击走而不是跟着文件走:选中 Ollama 的条目会把端口挪到 11434,选中普通 .gguf 时却不挪回来,于是一次先前点击留下的 11434 就一直留着。服务端照单全收,去探那个端口,发现 Ollama 在应答就直接借了它(日志里那句「端口本来就在应答,跳过拉起」就是这条路径),接着按文件名拼出来的模型 id 在 Ollama 的 /v1/models 里对不上,而兜底是抓列表里的第一个 —— embedding 模型往往排在第一位,于是注册出了一个用户从没点过的模型。现在端口跟着文件走:普通 .gguf 落在别的引擎的端口上(ollama 11434、vLLM 8000、LM Studio 1234)就改到 8090 并在面板里说明一句;只改「已知引擎的端口」,自己手填 9999 指向另一台 llama-server 的情况一概不动。模型 id 的兜底也不再瞎猜:只有一个条目时才取它(单模型后端报的 id 本来就可能和文件名不同),有多个而对不上就报错并列出实际看到的 id,而不是注册出一个错的 provider。0.4.9 起面板不会再整块消失。以前插件详情页里那一块可能凭空不见,而宿主照常运行、HTTP bridge 照常应答、连崩溃日志都不留一条。原因是一个作用域错误:某个辅助函数声明在一个组件里面,却被另一个组件引用 —— 这是合法 JavaScript,语法检查完全通过,于是它只在渲染期炸,也就是用户按下扫描按钮、React 执行状态更新函数的那一瞬间。宿主给每个插槽条目都包了一层错误边界,兜底渲染是一个空的锚点,所以异常被就地吞掉:插件没有被卸载、进程也没有崩,面板只是被换成了一个空 div。现在这两个辅助函数放在两个组件共享的模块作用域里。客户端这一半也有了专门的用例 —— 一个最小 React 替身载入真正的面板模块,真调用组件、真在渲染期执行状态更新函数、真去按扫描按钮,这类错误不会再走到发布版里。
dsh-astock
hzy1522/dsh-astock
A 股 / 港股量化工作台:自选股、K 线图、公司数据、策略配置与回测,为 DeepSeek Harness 提供行情研究能力。
dsh-wakatime-plugin
julardepick/dsh-wakatime-plugin
将DSH的每一次Agent交互量化为可视化表现指标并自动同步至WakaTime,用数据展示你与Agent协作的生产力
dsh-hhxg-market
niceck/dsh-hhxg-market
恢恢量化 A 股数据插件,通过 hhxg MCP server 提供 13 项行情、资讯、情绪、诊断、选股与策略研究工具。
stockproof (dsh-plugin)
taoqizhang55-code/stockproof
通过 stockproof MCP 服务(Python 3.10+,需先 pip install "stockproof\[mcp,cn]";A 股/港股数据需 Python 3.11+)为 DSH 提供美股、A 股、港股研究工具:带出处的新闻、财报和公告解读,涨跌原因解释,全市场 A 股选股,用不偷看未来的历史数据回测想法的量化实验室(近两年数据锁定),持仓体检和本地网页看板;共 23 个工具。
dsh-plugin-baiguangda-style
browhitebyte/dsh-plugin-baiguangda-style
把机核网编辑白广大的中文文风做成可执行的判据:注册一份 40 KB 风格技能,并提供 style_lint / style_audit / style_rules 三个工具——4 条硬错误 + 27 条警告(空转转折、金句通胀、冗余量词、段落过于均匀、孤证数字、AI 口头禅等),阈值按 444 篇 / 80.2 万字语料标定;设置页带总开关、单篇与批量试跑、阈值 JSON 覆盖。
dsh-jev-preset
yum-wu/dsh-jev-preset
JEV Agent 预设包:提示词引导的任务路由、交叉验证与量化检查清单。
dsh-plan-adversarial
gendui123/dsh-plan-adversarial
通过命令触发红蓝对抗评审任意计划:要求两个独立子智能体攻击与辩护,收敛为共识方案并设置执行门禁。
dsh-vertical-kit (dsh-weekly-report-check)
zjukop3/dsh-vertical-kit
周报的结构检查:本周完成与下周计划分开写、风险与阻塞在场、至少一行带量化数字——让读者分得清进展和动作。空泛承诺按计划语句计数:在场可判定,空洞不可判定。它的 HTTP 路由没有 DSH 的访问检查,浏览器里打开的网页可以调用它们。
dsh-verify-kit (dsh-numberlint)
zjukop3/dsh-verify-kit
文档内数字一致性:同一数量既写 4,985 又写 4985、百分比空格不一致、区间连接号混用——写法比较而非数值比较。它的 HTTP 路由没有 DSH 的访问检查,浏览器里打开的网页可以调用它们。
party-eco-agent
liuhange789/party-eco-agent
面向党建引领街道产业生态场景的轻量规则工具:生成企业画像卡片、按品类与数量匹配供需、规整政策记录字段(不解析原文)、按优先级给出诉求处理人角色与预计天数;不调用任何外部系统。