前言¶

DeepSeek Harness（dsh）是 DeepSeek AI 开源的智能体框架，官方仓库把架构概括成一句话：一切皆插件。模型适配器、工具、会话、界面都可以替换，不必改框架源码。社区里还有一份独立的插件目录站点（deepseek-harness-plugin.com），用来检索带 dsh-plugin 话题的仓库。它和 DeepSeek / 幻方没有官方从属关系，不要把它当成官方应用商店。

在 Web 界面里贴一张截图，是很常见的操作：报错画面、设计稿、表格、表情包。问题出在模型能力声明上。Harness 会按当前模型的 inputModalities 决定是否放行图片附件；DeepSeek 的 chat-completions 线路是纯文本的，选中它再附加图片，会被原生拒绝。社区里已有提供 view_image 一类工具的视觉插件，适合文件路径，但 GUI 里直接附加的图片，对纯文本模型依然过不去。

dsh-vision-proxy 补的就是这个缺口：识图交给视觉模型，对话仍然由 DeepSeek 作答。

这是什么¶

dsh-vision-proxy 是一款界面增强插件，由 Flyvhidbwo 维护，许可证为 MIT，主要语言是 JavaScript。本文核对时，GitHub 仓库版本为 0.2.5，声明需要 Node.js >=22.19.0、DeepSeek Harness >=0.1.0-rc.6。社区目录页分类为「界面增强」；星标以仓库为准，核对时 GitHub 显示 10 星（目录页当时显示 7 星，存在滞后）。

它做的事情可以概括成一条链路：

用户附加图片 ──▶ deepseek-vision 路由 ──▶ 经 VLM 转译（OCR + 版式 + 细节）
                   │                        │
                   ▼                        ▼
            DeepSeek 作答 ◀── 纯文本对话（图片已替换为 [图片转译] 文字）

插件会注册一条新的提供商路由 deepseek-vision，包装真正的 DeepSeek 适配器。对外它声明支持图片输入，附件预检因此放行；请求真正发出前，每张附加图片会先经 OpenAI 兼容的视觉语言模型（VLM）转成文字，再交给 DeepSeek。对话大脑还是 DeepSeek，识图只是附加能力。

仓库 README 把痛点写得很直接：工具型视觉插件解决的是「按路径读图」，解决不了「在输入框里粘贴图片」。这个插件针对的是后一种。

核心功能¶

不换大脑，只补眼睛¶

默认包装的内部适配器是 deepseek-official，模型选择器里显示为 DeepSeek + 自动识图。纯文本消息不会被拦截，直达 DeepSeek；只有带图片块的消息才会走转译。原生 read_image 工具在这条路由下同样可用，因为它读的是同一份模型能力信息。

任意 OpenAI 兼容端点¶

转译端点只要讲 /chat/completions 即可。仓库列出的常见组合如下：

默认主模型是百炼的 qwen3.7-flash。密钥读取顺序是：配置里的 apiKey → 环境变量 $VISION_API_KEY → $DASHSCOPE_API_KEY。没有密钥的非匿名条目会被跳过，而不是整条链路失败。

fallbackModels 里每一项都可以带自己的 baseURL / model / apiKey，一次安装就能把多家端点串成降级链。

没有密钥时走本地，而不是卡死¶

autoLocalOllama 默认开启。启动时探测 http://localhost:11434，发现 Ollama 就自动加入降级链，图片不出本机。没有密钥、也没有本地 Ollama 时，转译会在数秒内失败，并提示去配置密钥或安装 Ollama，而不会静默挂起。

仓库明确写了：不再内置任何第三方匿名免费端点作为默认兜底。作者说明，实测中这类端点（例如 OVHcloud AI Endpoints）限速很严，还可能无响应挂起。如果仍要使用匿名端点，需要自己写进 fallbackModels，并设 anonymous: true。匿名端点会强制 20 秒超时上限；遇到 HTTP 429 立即失败，不做 Retry-After 等待；刚失败的端点进入 60 秒冷却。

安装时问一句，启动时标明端点¶

postinstall 会问：你有 VLM API key 吗？回答 y 走付费快速通道，默认 N 走本地 / 零配置路径。非交互环境（CI、没有 TTY）会自动跳过，安装本身不会卡住。启动时会打印一行摘要（路由 id、被包装的提供商、VLM 模型、端点、超时、key 来源等，密钥本身不打印），以及 PRIVACY NOTICE，标明当前把图片发到哪里。

缓存与大图处理¶

转译结果按图片字节的 SHA-256 做进程内缓存，上限 200 条，不落盘。同一张图在当前进程里最多转译一次，重新附加或换对话也能命中。

可选依赖 sharp 装上之后，超过 maxImagePixels（默认 400 万像素）的图会在转译前自动缩小；没装则原图直发。密集 UI 截图仍可能丢掉小字，这是视觉模型能力上限，不是插件逻辑错误。OCR 很重的场景，仓库建议换成更强的模型（例如 qwen3-vl-plus），或调大 maxTokens（默认 4096）。

安装与启用¶

社区目录页给出的安装命令如下，在 DeepSeek Harness 终端中运行即可：

dsh plugin add github:Flyvhidbwo/dsh-vision-proxy

如需可复现安装，按目录页说明固定 commit 哈希：

dsh plugin add github:Flyvhidbwo/dsh-vision-proxy#<commit>

仓库 README 还提供了针对 web profile、从 npm 安装的写法（本插件主要挂在网页界面的模型选择器上，一般走这条）：

dsh plugin --profile web add dsh-vision-proxy

国内访问 npm 官方源较慢时，可以把镜像参数转发给 pnpm：

dsh plugin --profile web add dsh-vision-proxy --registry=https://registry.npmmirror.com

pnpm 10 及以上默认拦截依赖的构建脚本。第一次安装可能以非零码退出，并提示 Ignored build scripts: dsh-vision-proxy, sharp。需要在该 profile 的 pnpm-workspace.yaml 里批准二者，然后重跑一次安装，bundle 才会注册完成：

allowBuilds:
  dsh-vision-proxy: true
  sharp: true

如果碰到 pnpm 11 的 ERR_PNPM_MINIMUM_RELEASE_AGE_VIOLATION（新版本发布未满一天），仓库给出的处理是：在同一文件里加 minimumReleaseAge: 0，或给 dsh plugin add 加上 --config.minimum-release-age=0，再重跑。

插件以当前 dsh 进程的权限运行，安装时可能执行代码。安装前应检查源代码仓库和许可证。

典型用法¶

1. 安装完成后重启 dsh web。
2. 在模型选择器里选中 DeepSeek + 自动识图（对应路由 id deepseek-vision）。这一步不能省：只有这条路由对外声明了图片输入，附件预检才会放行。
3. 把图片粘贴进对话，配一句问题即可。

仓库 README 里有一段示例：在 deepseek-vision 路由上，以 DeepSeek-V4-Flash 为大脑，用户粘贴一张表情包并问「你看到了什么」。图片先被 VLM 转成带 OCR 和版式的文字，DeepSeek 再基于这段文字作答；文档写的是单步、大约 7.6 秒。转译文本前会带上默认标记 [图片转译]。

安装后可用下面的命令确认配置里只有一条插件记录。注意：--dump-config 会明文打印配置，其中可能包含密钥。

dsh --profile web --dump-config | grep -A3 dsh-vision-proxy

验收标准按仓库说明是：

• 模型选择器出现 DeepSeek + 自动识图。
• 粘贴图片后，先看到 [图片转译]，再由 DeepSeek 作答。
• 没有密钥、也没有本地 Ollama 时，回合应在数秒内失败并给出指引。这是预期的防卡死行为，不是安装损坏。

需要改配置时怎么写¶

bundle 已带默认值，多数情况不用改。要覆盖时，在 $DSH_HOME/profiles/web/cordis.patch.yml 里用 id 定向覆盖，不要用 insert：

- id: dsh-vision-proxy
  name: 'dsh-vision-proxy'
  config:
    baseURL: https://dashscope.aliyuncs.com/compatible-mode/v1
    apiKey: 'sk-…'          # 也可留空，改读环境变量
    model: qwen3.7-flash
    maxTokens: 4096
    timeoutMs: 120000
    maxImagePixels: 4000000
    marker: '[图片转译]'
    autoLocalOllama: true
    fallbackModels: []

仓库特别提醒：dsh 的 patch 语义里，insert 是往列表追加。写成 - insert: [{id: dsh-vision-proxy, …}] 会让 bundle 自带条目和用户条目同时实例化，deepseek-vision 适配器注册两次，行为未定义。顶层 - id: 才会命中已有行并整体替换 config；没写的键回落到插件 schema 的默认值，所以只写 apiKey 或 model 也可以。

Windows 上还有一个已记录的坑：资源管理器会缓存环境变量，进程启动后再导出的 $VISION_API_KEY 可能到不了正在运行的 dsh，日志里会看到 skipped — no API key。仓库的建议是把 apiKey 直接写进插件配置。另外，dsh rc.6 不加载 .env 文件，不能靠它绕过。

适用场景与注意事项¶

适合这些用法：

• 继续用 DeepSeek 写代码、改文案、做推理，但偶尔需要看截图、表格或示意图。
• 希望 GUI 里直接粘贴图片，而不是先存盘再调 view_image。
• 国内有百炼 / 智谱密钥，或本机已经在跑带视觉能力的 Ollama。
• 需要把多家 VLM 串成降级链，而不是绑死一家。

使用前要清楚边界：

• 图片会离开本机，除非 baseURL 指向本地服务（例如 Ollama）。转译以 base64 经 HTTPS 发到配置的 VLM 端点。敏感截图应走自己的端点或本地模型；不能接受这一点，就不要装。
• 插件以当前 dsh 进程权限运行，能读工作区文件、用已有凭据、访问网络。工具审批框不会把它沙箱化。
• 社区目录不是 DeepSeek 官方商店。安装命令以目录页原文为准，来源以 GitHub 仓库为准。
• 价格会变。仓库 README 给出的是 2026 年 8 月百炼国内站参考：一张约 1080p 的截图按约 2000 token 估算，qwen3.7-flash 大约几厘钱量级；以控制台实时标价为准。本地 Ollama 不产生这份费用。
• DeepSeek Harness 仍处于开发者预览，官方仓库写明后续可能出现破坏兼容性的变更。本插件声明基于 rc.6 的公共接口（ctx.llm.registration、registerAdapter、代理 resolveModel / stream）。

小结¶

dsh-vision-proxy 不把 DeepSeek 换成多模态模型，而是在 GUI 附件这一层补了一座桥：图片先变成带 [图片转译] 标记的文字，再进入原来的纯文本对话。有密钥走百炼等兼容端点，没密钥则尝试本机 Ollama；两者都没有就快速失败，而不是把一轮对话卡死。

目录页：https://deepseek-harness-plugin.com/zh-CN/plugins/dsh-vision-proxy/

GitHub：https://github.com/Flyvhidbwo/dsh-vision-proxy