前言¶

DeepSeek Harness（簡稱 dsh）把模型、工具、技能、會話、沙箱、存儲、循環、調度和 UI 都做成可替換插件，官方說法是「一切皆插件」。裝好 Node.js 之後，可以用下面這條命令拉起網頁界面：

npx @deepseek-ai/dsh web

Harness 解決的是「智能體怎麼在真實環境裏持續幹活」。但很多日常任務並不是純文本：報錯彈窗、設計稿、長網頁截圖、手繪線框，都得先看圖。DeepSeek 這類純文本模型本身接不了圖片，粘貼截圖會被拒絕；即便接上通用看圖接口，得到的也常常是一段籠統描述——按鈕在哪、報錯寫了什麼、實現和參考圖差在哪，仍然沒法直接動手。

社區目錄把這類能力歸在「界面增強」。dsh-vision-toolkit 的做法不是換一個多模態主模型，而是給當前文本 Agent 掛上一套視覺工具和 Skill：看圖帶着當前問題的意圖，定位返回原圖像素座標，長截圖可以分塊 OCR，UI 還原還能拿像素差異做下一輪修正。本文按社區目錄詳情頁、GitHub 倉庫 README / 中文說明 / package.json / CHANGELOG.md / MIT 許可證、npm 包頁，以及 DeepSeek Harness 官方倉庫 交叉覈對後整理。

需要先說清楚來源：社區插件目錄 deepseek-harness-plugin.com 是獨立站點，與 DeepSeek / 幻方沒有官方從屬關係，不要把它當成官方應用商店。截至 2026-08-17，GitHub 倉庫 Anionex/dsh-vision-toolkit 爲 539 星；目錄頁標註 386 星、分類爲「界面增強」，並標爲精選。npm 包 @anionex/dsh-vision-toolkit 當前版本爲 0.1.20，許可證爲 MIT。

這是什麼¶

一句話：它是 agent-vision-toolkit 面向 DeepSeek Harness 的原生接入，給 Web 和 Headless Profile 裏的純文本模型補上圖片問答、定位、OCR、裁剪、描摹和像素級驗證。

維護者是 Anionex。倉庫主要語言是 TypeScript。視覺能力來自打包並固定版本的上游工具箱快照，插件自己負責安裝、會話級工具暴露、Credential、路徑校驗、超時取消、結果文件和 Web 展示；運行時不會在後臺拉取上游 main。package.json 裏記錄的上游快照爲 v0.1.0+snapshot.bc9803d。

它分兩層：

1. 視覺工具和 vision-tools Skill：讓 Agent 判斷何時該看圖、定位、OCR、裁剪、描摹或做像素對比。
2. DSH 原生接入：把這些能力放進 Profile、會話、Settings、Artifacts 和 Web 界面，並提供安裝後即可使用的免費視覺服務。

對宿主明確標記爲純文本的模型，插件會註冊名爲 <模型名> (Vision Toolkit) 的變體。默認情況下，在 DSH Web 裏粘貼圖片會切到這個變體，並把工作區路徑以及圍繞當前問題的視覺描述一起交給文本模型。

核心功能¶

倉庫 README 列出 10 個可以單獨調用、也可以串成工作流的工具。座標統一用原圖像素 x1,y1,x2,y2，定位結果可以直接交給裁剪、描摹或後續自動化。

1、帶着意圖看圖。 vision_glance 不是寫一篇看圖作文，而是圍繞「報錯在哪裏」「提交按鈕是什麼顏色」提取證據。多圖比較也走這條工具。

2、定位和清點界面元素。 vision_ground 回答「我要找的東西在哪」，返回像素框，可選帶框預覽。vision_detect 清點按鈕、圖標等元素，給出編號清單和座標。

3、從截圖裏拿出可繼續用的素材。 vision_crop 裁出 PNG 或 JPEG；vision_trace 把圖形描成可編輯 SVG；vision_extract_foreground 摳主體得到透明 PNG；vision_dominant_colors 給出主色板或候選色排序。README 寫明：裁剪、像素對比、顏色分析、前景提取、SVG 描摹和 HTML 截圖在本地完成，不消耗視覺 API 請求。

4、長截圖 OCR。 vision_long_screenshot_ocr 會分塊讀取，並保留 Markdown、分塊圖、清單和審計結果，失敗後也能繼續，用來處理容易漏行、重複的長網頁截圖。

5、UI 還原閉環。 vision_html_screenshot 按指定視口渲染本地頁面；長文檔可傳 fullPage=true，生成覆蓋整頁的 PNG，並以 CSS 像素返回 pageHeight。vision_pixel_diff 對比參考圖和實現截圖，給出差異比例、重點區域、熱力圖和 JSON。倉庫內置了可復現的 UI 還原示例：先渲染參考圖和實現，再用差異結果指導下一輪修正。

6、Web 側粘貼即用。 粘貼後保留原生縮略圖、會話記錄和工作區路徑；Web 可以預覽產物，Headless 繼續使用同一份結構化結果。

安裝與啓用¶

目錄頁給出的安裝命令是：

dsh plugin add github:Anionex/dsh-vision-toolkit

如需可復現安裝，目錄頁建議固定 commit 哈希：

dsh plugin add github:Anionex/dsh-vision-toolkit#commit

把 #commit 換成實際提交哈希。倉庫 README 另外給出 npm 包寫法，並要求指定 Profile，當前版本更貼近這條路徑：

dsh plugin --profile web add @anionex/dsh-vision-toolkit

Headless Profile 可以單獨裝：

dsh plugin --profile headless add @anionex/dsh-vision-toolkit

升級和卸載：

dsh plugin --profile web update @anionex/dsh-vision-toolkit
dsh plugin --profile web remove @anionex/dsh-vision-toolkit

如果是從已停止發佈的 @dsh-external/dsh-vision-toolkit 遷過來，README 要求先移除舊包，再安裝 @anionex/dsh-vision-toolkit。

安裝後需要重啓正在運行的 Web Profile，打開 設置 → 視覺工具。默認免費服務已經配好，可以直接點 測試視覺模型。這個測試會走真實看圖請求，而不是隻打通 /models。首次啓動會準備隔離的 Python 運行時，因此需要能訪問 Python 包緩存或網絡；普通安裝不需要再克隆 agent-vision-toolkit，也不需要填本地路徑。

運行要求以 README 和 package.json 爲準：

• DeepSeek Harness Web 或 Headless Profile；對等依賴聲明爲 @deepseek-ai/dsh-agent ^0.1.0-rc.6 及同線包。
• Node.js ^22.19.0 或 >=24.0.0。
• Python 3.11+；插件默認自動創建隔離環境。CHANGELOG 在 0.1.13 起支持 Windows 上的 Microsoft Store Python。
• 只有 vision_html_screenshot 需要 Chrome、Chromium 或 Edge。
• 圖片需爲 PNG、JPEG、GIF 或 WebP，並位於會話工作區或明確允許的目錄中。

典型用法¶

重啓並確認設置頁連通之後，在會話裏粘貼截圖，或把圖片放進會話工作區，然後調用 /vision-tools。README 給出的示例包括：

看看這張截圖，告訴我報錯原因和最值得先修的地方。
找到右上角的登錄按鈕，返回原圖像素座標並生成帶框預覽圖。
把這個圖標裁出來並轉成 SVG。
按照 reference.png 還原頁面，每輪截圖後做像素對比，直到主要差異消失。

常見任務可以按倉庫推薦的工作流來組合工具：

粘貼後如果仍提示模型不支持圖片，README 的處理順序是：重啓 Web Profile 並刷新頁面，確認當前模型已切到帶 (Vision Toolkit) 後綴的變體；也可以先把圖片放進會話工作區，再調用 /vision-tools。

配置、限制與注意事項¶

默認免費視覺服務的入口是：

Base URL: https://vision.anionex.me/v1
Model:    qwen/qwen3.6-27b

這是共享入口，不是無限量私有端點。CHANGELOG 寫明 0.1.14 起默認後端切到 Groq Qwen3.6。README 記錄的請求保護規則爲：單次最多 5 張圖、單張不超過 4 MiB、單張解碼像素不超過 20,000,000、單次輸出最多 4,096 tokens。共享容量用盡時會返回帶 Retry-After 的 429，而不是含糊的模型失敗。

需要更高額度、私有端點或其他模型時，在 設置 → 視覺工具 裏改提供方，並把 API Key 存成 DSH Credential。Settings 只保存 Credential 引用，不會把密鑰回顯到瀏覽器。也可以在 Profile patch 裏寫：

- id: vision-toolkit
  config:
    provider:
      baseUrl: https://api.example.com/v1
      credential: MY_VISION_KEY
      model: your-vision-model
      protocol: openai

支持 OpenAI Chat Completions 兼容端點和 Anthropic Messages。臨時禁用可以在同一處設置 disabled: true。重新啓用或升級 Web 插件後，需要重啓 Web Profile 並刷新頁面。

當前版本的能力邊界也寫在 README 裏：專注截圖理解、視覺定位、OCR、素材提取、UI 還原和像素級驗證；不是視頻、音頻或攝像頭輸入系統，也不會自動點擊 GUI。交互式框選編輯、遠程服務集羣、模型投票和跨會話視覺緩存都不在當前範圍。

目錄頁有一條需要單獨看的安全說明：插件以當前 dsh 進程的權限運行，安裝時可能執行代碼。安裝前應檢查源代碼倉庫和許可證；生產或可復現環境建議固定 commit。找不到 Chrome 時，只有 HTML 截圖不可用，其他工具不受影響。圖片過大時先裁剪或縮放，錯誤會標明是字節限制還是像素限制。

小結¶

純文本模型缺的往往不是「再寫一段圖片描述」，而是能定位、能裁、能讀長圖、能用像素差驗證還原結果的工具鏈。dsh-vision-toolkit 把這套流程接到 DeepSeek Harness 的 Web / Headless Profile 裏，粘貼圖片後切到 (Vision Toolkit) 變體，本地圖像處理和遠程看圖可以在同一次 Agent 工作流裏銜接。

目錄頁：https://deepseek-harness-plugin.com/zh-CN/plugins/dsh-vision-toolkit/

GitHub：https://github.com/Anionex/dsh-vision-toolkit

上游工具箱：https://github.com/Anionex/agent-vision-toolkit

項目站點：https://agent-vision.anionex.me