Skip to main content
Всі новини
AI RADARАгенти
1•04.11.2026, 10:51•3 хв читання

Шість плагінів для DeepSeek Harness, які скорочують витрату токенів і наводять порядок у контексті

АгентиGotBurnout Radar

Шість плагінів для DeepSeek Harness, які скорочують витрату токенів і наводять порядок у контексті

AI Daily Digest•Verified Tech Release
Коротко про головне30 сек

Огляд шести плагінів для DeepSeek Harness: безкоштовний доступ до моделей, керування пам’яттю, маршрутизація запитів і контроль контексту.

Деякі з них відповідають за збір і зберігання інформації, інші розширюють можливості ШІ-агентів, треті дозволяють контролювати їхню роботу. Кожен плагін вирішує своє завдання, тому перед встановленням варто розібратися з його призначенням.

  1. dsh-our-free-model — 49,7 тис. зірок

Дозволяє використовувати сучасні моделі без реєстрації, авторизації та введення API-ключів. Достатньо вибрати потрібну модель. Також підтримується локальна переадресація портів.

Безкоштовний пул має обмеження на частоту запитів, тому передавати через нього конфіденційні дані не рекомендується.

  1. OpenViking — 41,1 тис. зірок

Організовує пам’ять, знання та Skills у вигляді файлової системи. Замість завантаження всього контексту агент отримує короткі зведення й витягує інформацію лише з потрібних розділів.

Заявлена точність роботи з пам’яттю становить 80–83%, а економія токенів — від 34 до 91%.

Для роботи потрібно попередньо налаштувати сервіс. Початкове встановлення триває від 30 хвилин.

  1. Reasonix — 36 тис. зірок

Відкритий ШІ-агент для програмування, який підключається до DeepSeek Harness через ACP як субагент.

Він уміє аналізувати вихідний код, редагувати файли, запускати тести та скасовувати внесені зміни.

Передбачено двоетапне налаштування. Важливо враховувати, що за відключеного плагіна оболонка може імітувати виконання дій.

  1. routing-suite — 7 тис. зірок

Автоматично підбирає модель залежно від поставленого завдання. Спочатку класифікує запит, а потім спрямовує його до підходящої моделі.

Заявлена точність маршрутизації становить 96%, а частка влучень у кеш — 92–94%.

Встановлення відбувається в три етапи. При цьому плагін висуває суворі вимоги до версії основної системи.

  1. dsh-ops — 4,723 тис. зірок

Скорочує обсяг повернутих результатів і приховує частину вбудованих інструментів. PDF- і Word-документи завантажуються за потреби.

Завдяки цьому системні інструкції не перевантажуються зайвою інформацією, а витрата токенів зменшується.

Проте заявлені показники економії поки не отримали незалежного підтвердження від сторонніх розробників.

  1. dsh-context — 3,823 тис. зірок

Надає п’ять способів відстежувати склад контексту, витрату токенів, стан кешу та взаємодію між субагентами.

Проєкт також отримав зірку від офіційного акаунта DeepSeek.

Працює виключно в режимі перегляду й не зберігає зміни.

Чому це важливо

Аналітика

Ці плагіни допомагають зменшити вартість роботи ШІ-агентів і структурувати контекст, але частину заявлених показників економії ще не підтверджено незалежно.

Обговорити новину у спільноті

Діліться своїм досвідом та думками з ШІ-розробниками

Спільнота Андрія Орлова
+5 Points
← До стрічки новин

Пов'язані матеріали екосистеми

Практичні гайди, термінологія та агентські скіли

Новина

DeepSeek Harness представив Creator Mode для створення власних плагінів

У DeepSeek Harness з’явився Creator Mode, який дозволяє створювати власні плагіни, робочі простори та інтерфейси. Розробники також опублікували промпти англійською та китайською, використані для демонстраційних плагінів.

Новина

Вісім корисних плагінів для DeepSeek Harness

Ця добірка охоплює пошук плагінів, генерацію зображень, довгострокову пам’ять, віддалене керування та аналіз контексту.

Термін у глосарії

DeepSeek (Китайський прорив у відкритому ШІ)

Серія проривних відкритих моделей від китайської лабораторії DeepSeek (V3, R1). Демонструє найвищий рівень у кодингу та міркуванні за вартістю у 10–20 разів нижчою за західні комерційні аналоги.

Практичний гайд

Jev та System One AI: повний практичний гайд по моделі рішень від TypeSafe

Глибокий інженерний розбір флагманської моделі Jev: архітектура System One проти LLM, примітиви Choice/Score/Noul, паралелізм запитів, математика впевненості, відео-кейси, код та огляд локальних open-weight альтернатив (Laya, GLiNER2.5, CLM-8B).