dsh-vision-tools

DeepSeek Harness（DSH）视觉能力全家桶 —— 让 DeepSeek 纯文本模型"看得见"。

• vision_understand 工具：调用 OpenAI 兼容视觉大模型 API 理解本地图片（描述画面、识别文字、回答问题），注册为全局工具，所有会话可用。
• 三入口识图：Cmd/Ctrl+V 粘贴截图、拖图到按钮、点按钮选文件 → 图片自动落盘到 $DSH_HOME/pasted-images/ → 输入框填入 请识别这张图片：<路径> → 发送后模型自动调用识图工具。

默认使用智谱 GLM-4V-Flash（免费），支持 4 家 provider 切换。

安装

# 方式一：npm 安装（推荐）
dsh plugin --profile web add dsh-vision-tools

# 方式二：GitHub 安装
dsh plugin --profile web add "github:moon09300731/dsh-vision-tools#main"

重启 dsh web 后生效。

配置（vision_understand 工具需要）

创建 ~/.dsh/vision.env（全局生效，推荐）：

VISION_PROVIDER=zhipu        # zhipu | dashscope | siliconflow | openai
VISION_API_KEY=你的APIKey

可选覆盖：

VISION_BASE_URL=https://open.bigmodel.cn/api/paas/v4/chat/completions
VISION_MODEL=glm-4v-flash

provider	默认模型	说明
zhipu	glm-4v-flash	智谱，免费
dashscope	qwen-vl-plus	阿里百炼
siliconflow	Qwen/Qwen2.5-VL-7B-Instruct	硅基流动
openai	gpt-4o-mini	OpenAI

工作区回退：在项目目录放 .dsh-vision.env（同格式），仅该项目生效。配置每次调用实时读取，改完无需重启。

使用

1. 粘贴：直接 Cmd/Ctrl+V 粘贴剪贴板截图（捕获阶段拦截，优先于 GUI 自身附件处理）
2. 拖拽：拖图片到输入框左侧的「📷 识图」按钮
3. 选择：点「📷 识图」按钮选文件

发送后 agent 会自动调用 vision_understand 识别图片。

安全边界

• 图片会经外部视觉 API 出网（base64 传输），敏感数据请改用本地 OCR（tesseract/paddleocr），或自建内网视觉服务用 VISION_BASE_URL 指向
• vision.env 含 API Key，不要提交到 git（本仓库 .gitignore 已忽略）
• 粘贴路由仅监听 DSH 本机端口，图片保存于 $DSH_HOME/pasted-images/

技术说明

⚠️ 依赖约定：@deepseek-ai/dsh-tools 是 DSH 宿主运行时自带（bundle 机制提供），本插件不声明为 dependencies。若声明，dsh plugin add 触发 npm install 会在 profile 里装出第二份 dsh-tools，与宿主全局那份形成模块双实例，导致工具执行层 scheduler.prepare 崩溃（Cannot read properties of undefined (reading 'prepare')）。安装后建议确认 profile 的 node_modules/@deepseek-ai/dsh-tools 是符号链接或单实例。

• 宿主半区：src/index.mjs（Cordis 插件，inject: ['tools', 'webServer']）
  • vision_understand 工具经 defineTool 注册（@deepseek-ai/dsh-tools）
  • POST /api/vision-paste 路由落盘粘贴图片
• 浏览器半区：lib/client.bundle.js（手写 __ModuleLoader__ bundle，零构建依赖）
  • conversation.input.left slot 注册「📷 识图」按钮
  • 捕获阶段 paste 监听拦截剪贴板图片

License

MIT