DeepSeek Harness（DSH）把智能體能力拆成可插拔的插件，但不少開發者日常用的仍是純文本模型：對話裏不能直接貼圖，報錯截圖只能手打路徑，長截圖裏的聊天記錄得自己 OCR，想從設計稿還原前端頁面更是無從談起。社區目錄裏有一款星標超過 800 的插件 dsh-vision-toolkit（維護者 Anionex），目標很明確：給 DSH 裏的文本模型裝上「眼睛」，並把看圖、定位、裁剪、像素對比等能力收進一套可組合的工具箱。
需要說明的是：DSH 的核心理念是「一切皆插件」，而 SkillHub 插件庫 等社區目錄由第三方維護，與 DeepSeek / 幻方並無官方從屬關係；安裝前建議自行查閱源碼與 MIT 許可證，並記住插件以當前 dsh 進程權限運行。
這是什麼¶
dsh-vision-toolkit 是上游項目 agent-vision-toolkit 面向 DeepSeek Harness 的原生集成。它不只是把圖片丟給多模態模型做一段泛泛描述，而是圍繞當前任務提取證據——例如「報錯在哪」「按鈕座標是多少」——並配合本地圖像處理與 vision-skills Skill，讓 Agent 知道何時看圖、何時定位、何時做像素 diff。
項目提供兩層能力：
- 10 個視覺工具 + vision-skills Skill：覆蓋問答、OCR、UI 還原、GUI 操作等 playbook。
- DSH 原生接入：與 Profile、會話、Settings、Artifacts 和 Web UI 打通；粘貼圖片可自動路由到
(Vision Toolkit)變體（2026-08-19 起默認開啓「透明變體路由」，模型列表可只保留原名一項）。
在 SkillHub 目錄中，該插件歸類爲「模型推理」；GitHub 倉庫當前約 821 star、34 fork，npm 包版本 0.1.38，許可證 MIT。
核心功能與亮點¶
粘貼圖片，直接提問¶
在 DSH Web 中粘貼截圖，純文本模型可自動切換到對應的 Vision Toolkit 變體，保留縮略圖、會話歷史與工作區路徑，無需手動複製文件路徑或換模型。
任務導向的看圖，而非萬能描述¶
多數視覺橋接會讓多模態模型生成通用描述再交給文本模型，多一層語義損失。Vision Toolkit 把用戶消息或 Agent 調用原因作爲 focus hint 傳給視覺模型，輸出圍繞當前步驟的重點信息，token 更少、針對性更強。
十項工具，可單獨調用也可串聯¶
| 工具 | 典型問題 | 主要結果 |
|---|---|---|
vision_glance |
圖裏發生了什麼？ | 針對性回答、OCR、多圖比較 |
vision_ground |
目標在哪？ | 原圖像素座標、可選框選預覽 |
vision_detect |
有哪些按鈕/圖標？ | 編號元素清單與座標 |
vision_crop |
裁出某塊區域 | PNG/JPEG 裁剪圖 |
vision_trace |
圖形變矢量 | SVG |
vision_pixel_diff |
實現與參考差在哪？ | 差異比例、熱力圖、JSON |
vision_long_screenshot_ocr |
讀完長截圖 | Markdown、分塊與審計輸出 |
vision_extract_foreground |
摳出主體 | 透明 PNG |
vision_dominant_colors |
主色是什麼？ | 色板或候選色排序 |
vision_html_screenshot |
渲染本地頁面截圖 | PNG，可選 pageHeight |
座標統一爲原圖像素 x1,y1,x2,y2，可直接交給裁剪或後續自動化。
vision-skills：帶方法論的操作手冊¶
隨插件附帶的 Skill 攜帶上游 playbook，例如：長截圖 OCR、截圖還原 UI、圖標/Logo 矢量化、草圖轉結構化代碼（Mermaid/Graphviz）、基於截圖的 GUI 操作等。提示詞里加上「使用 vision-skills」即可引導 Agent 按步驟選工具並驗證結果。
典型場景演示（來自官方 README）¶
- 截圖 → 可編輯 HTML：左爲參考頁，右爲 HTML/CSS 還原，並可繼續截圖渲染 + 像素對比迭代。
- 手繪稿 → 可用界面：草圖直接變成可交互前端頁面。
- 快速 UI 還原：約三分鐘內產出佈局近似的首版截圖（允許顏色與圖標庫近似）。
安裝與啓用¶
官方 README 推薦通過 npm 包名安裝到指定 Profile（web / headless / desktop 等，按你實際使用的 profile 名替換）：
dsh plugin --profile web add @anionex/dsh-vision-toolkit
Headless Profile：
dsh plugin --profile headless add @anionex/dsh-vision-toolkit
DSH Desktop 用戶需從托盤打開 DSH 終端，在桌面版自帶 CLI 中執行（桌面版不寫入系統 PATH）：
dsh plugin --profile desktop add @anionex/dsh-vision-toolkit
DeepSeek Harness 插件庫 目錄頁給出的另一種寫法是從 GitHub 解析安裝：
dsh plugin add github:Anionex/dsh-vision-toolkit
需要可復現安裝時，可在命令後固定 commit 哈希，例如 dsh plugin add github:Anionex/dsh-vision-toolkit#commit。
安裝後重啓對應 Profile，打開 設置 → 視覺工具，配置視覺模型提供方（API Key 存爲 DSH Credential），並運行 測試視覺模型 確認連通。首次啓動會準備隔離 Python 運行時：優先使用系統 Python 3.11+，否則從國內鏡像下載約 35MB 的託管 Python（失敗時回退 GitHub 發佈源），並安裝 Pillow、NumPy、vtracer 等鎖定依賴。
典型用法示例¶
在會話中粘貼截圖，或將圖片放入工作區後調用 /vision-skills，可直接用自然語言描述目標：
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。
帶 Skill 引導的 UI 還原示例：
（使用 vision-skills）把這張圖片還原成 HTML。
也可在 Profile patch 中配置視覺提供方（OpenAI Chat Completions 兼容或 Anthropic Messages）：
- id: vision-toolkit
config:
provider:
baseUrl: https://api.example.com/v1
credential: MY_VISION_KEY
model: your-vision-model
protocol: openai
官方文檔提供了 AIHubMix 申請 API Key 並配置 Gemini 3.7 Flash 識圖 的圖文教程。
適用場景與注意事項¶
適合誰：
- 日常用純文本模型寫代碼、排錯，卻希望獲得接近多模態的「貼圖即問」體驗。
- 需要從長截圖提取聊天/文檔、從設計稿或截圖還原 UI、做圖標矢量化、GUI 截圖操作等更高價值視覺任務。
- 希望在 DSH Web / Headless / Desktop 間統一使用同一套視覺工具鏈的 Harness 用戶。
注意事項：
- 插件以 當前 dsh 進程權限 運行，安裝前請閱讀源碼與許可證，勿在未審計的倉庫上盲目安裝。
- 視覺能力依賴你配置的多模態端點；每次檢查只發送必要意圖與圖片，調用間不累積上下文，額外成本通常可控；也可用本地小型多模態側模型進一步降本。
- HTML 頁面截圖需要本機 Chrome/Chromium/Edge；缺失時僅該功能不可用，其餘工具仍可用。
- 本地 OpenAI 兼容服務（LM Studio、Ollama 等）的
baseUrl需帶/v1前綴，否則模型測試可能報incompatible response structure。 - DSH Desktop 2.0.1 內置插件市場存在已知安裝問題，建議優先用終端命令安裝。
小結¶
如果你已經在用 DeepSeek Harness，卻常被「模型不能看圖」卡住，dsh-vision-toolkit 值得列入短名單：一行命令接入、粘貼圖片即可提問、十項工具覆蓋從 OCR 到 UI 還原的完整鏈路，再配 vision-skills 把經驗固化成 Agent 可執行的操作手冊。
- SkillHub 目錄頁：https://www.skillhub.cn/plugins/Anionex/dsh-vision-toolkit
- GitHub 倉庫：https://github.com/Anionex/dsh-vision-toolkit
- 上游工具箱：https://github.com/Anionex/agent-vision-toolkit
- 項目網站：https://agent-vision.anionex.me
