前言¶

DeepSeek Harness（DSH）按模型声明的 inputModalities 决定是否放行 GUI 图片附件。DeepSeek-V4-Pro、普通 Flash 等 chat-completions 线路是纯文本模型，选中它们时直接粘贴图片会被原生拒绝。社区里已有视觉插件提供 view_image 等工具，但那是面向文件路径或 URL 的路径；对话中途附加的图片块，对纯文本模型仍然过不去。

dsh-vision-proxy 由 Flyvhidbwo 维护，在 DSH 里注册一条 deepseek-vision 提供商路由，对外声明支持图片输入，在请求流里把每张附加图片经 VLM 转译成文字，再委托给真正的 DeepSeek 适配器作答。对话大脑仍是 DeepSeek，识图是附加桥接能力。插件当前版本 0.4.1，MIT 许可，GitHub 14 stars，分类为模型推理。

需要说明的是：自 dsh 0.1.1 起，官方视觉模型（如 DeepSeek-V4-Flash-Vision-Exp）已原生多模态，直接发图即可，不必装本插件。本插件主要面向 Pro/文本 Flash 识图、本地 Ollama、以及自定义 OpenAI 兼容 VLM 场景。插件已适配 dsh 0.1.1-rc.2 的 adapter prepareCall 接口。

这是什么¶

dsh-vision-proxy 是 DeepSeek Harness 的 bundle 插件。它包装现有 DeepSeek 适配器，注册 deepseek-vision 路由（模型选择器显示为 DeepSeek + 自动识图），在附件预检阶段放行图片，随后用视觉语言模型把图片内容（OCR、版式、细节）转译为带 [图片转译] 前缀的纯文本，再交给 DeepSeek 生成回答。

数据流如下：

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）

GUI 附加图片默认经官方 deepseek-v4-flash-vision-exp 做识图转译（与 V4-Pro 同档价约 1/3）；也可在配置里换成百炼、智谱、OpenRouter 等任意 OpenAI 兼容 VLM，或依赖 autoLocalOllama 自动探测本地 Ollama。

核心功能¶

路由与转译¶

注册 providerId: deepseek-vision，内部委托 innerProvider: deepseek-official。
每张 GUI 图片块经 VLM 转译后再进入 DeepSeek 对话；同一路由下原生 read_image 工具同样可用。
转译结果按图片字节 SHA-256 做进程内缓存（上限 200 条），同一张图每个进程最多转译一次。

多后端与降级¶

支持任何 OpenAI 兼容 /chat/completions 端点：百炼/Qwen、QwenCloud 国际站、智谱、OpenRouter、本地 Ollama、自建网关等。
fallbackModels 可串联多家，每条可带独立 baseURL / model / apiKey。
autoLocalOllama 默认开启：启动时探测 http://localhost:11434，检测到 Ollama 即加入降级链，图片不出本机，免 key。
API key 读取顺序：配置 apiKey → 环境变量 VISION_API_KEY → DASHSCOPE_API_KEY。无 key 的非匿名条目会被跳过而非直接失败。

稳定性¶

匿名端点强制 20 秒超时；遇 HTTP 429 立即失败，不做 Retry-After 等待；刚失败端点进入 60 秒冷却。
没有 key 也没有本地 Ollama 时，转译在几秒内失败并给出可操作指引，不静默挂起。
错误按 rate_limit / quota / auth / region / model_not_found / context_too_large / http 分类提示。
装有可选依赖 sharp 时，超过 maxImagePixels（默认 4000000）的图片转译前自动降采样；未安装则原图直发。

安装交互¶

postinstall 脚本会询问是否有 VLM API key：回答 y 走付费快速通道，回答 N（默认）走本地/零配置路径；非交互环境自动跳过。
启动时打印 PRIVACY NOTICE，标明当前使用的端点。

安装与启用¶

运行环境要求 Node >= 22.19，dsh >= 0.1.0-rc.6。官方安装命令如下：

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

pnpm >= 10 默认拦截依赖构建脚本，首次安装可能以非零码退出并提示 Ignored build scripts: dsh-vision-proxy, sharp。需要在 profile 的 pnpm-workspace.yaml 里批准两者，然后重跑安装：

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

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

npm 官方源较慢时，可指定镜像：

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

安装完成后重启 dsh web，在模型选择器里选 DeepSeek + 自动识图（deepseek-vision 路由），即可在对话里直接粘贴图片。

典型用法¶

GUI 粘贴识图¶

启动 DSH Web，选中 deepseek-vision 路由。
在对话输入框粘贴图片并提问，例如「你看到了什么」。
插件把图片块经 VLM 转译为文字（含 OCR 与版式描述），DeepSeek 基于转译文本作答。

README 中的示例：用户粘贴表情包并提问，VLM 输出类似「我是吃白饭的 / 蓝色大肥鱼！……Q 版蓝发女仆装少女，身后蓝鲸尾巴，端碗举筷，表情兴奋」，DeepSeek 据此做完整视觉分析。单步约 7.6 秒（README 现场演示数据）。

自定义 VLM 后端¶

如需改用百炼或其他端点，在 profile 里用 id 定向覆盖，不要用 insert（否则会重复注册 adapter）。示例：

# $DSH_HOME/profiles/web/cordis.patch.yml
- id: dsh-vision-proxy
  name: 'dsh-vision-proxy'
  config:
    baseURL: https://dashscope.aliyuncs.com/compatible-mode/v1
    apiKey: 'sk-…'
    model: qwen3.7-flash
    maxTokens: 4096
    timeoutMs: 120000
    maxImagePixels: 4000000
    marker: '[图片转译]'
    autoLocalOllama: true
    fallbackModels: []

常用后端参考（均走 OpenAI 兼容模式）：

场景	baseURL	model
百炼（国内）	`https://dashscope.aliyuncs.com/compatible-mode/v1`	`qwen3.7-flash` / `qwen3-vl-flash`
本地 Ollama（自动探测）	`http://localhost:11434/v1`	第一个视觉模型
QwenCloud（国际）	`https://dashscope-intl.aliyuncs.com/compatible-mode/v1`	`qwen3-vl-plus` 等
智谱	`https://open.bigmodel.cn/api/paas/v4`	`glm-4.6v-flash`

适用场景与注意¶

适合谁

想在 DSH GUI 里用 DeepSeek-V4-Pro 或纯文本 Flash 处理图片附件。
希望图片经本地 Ollama 转译、不出本机。
已有百炼、智谱、OpenRouter 等 OpenAI 兼容 VLM key，想统一接入。

不必安装的情况

已选用官方原生多模态模型 DeepSeek-V4-Flash-Vision-Exp，直接发图即可。

安全与权限

插件以当前 dsh 进程权限运行，会向配置的 VLM 端点发送图片数据；安装前应阅读源码与 MIT 许可证，确认端点与隐私策略可接受。
启动时的 PRIVACY NOTICE 会标明实际使用的转译端点；本地 Ollama 路径下图片不出本机。

配置注意

覆盖配置请用顶层 - id: dsh-vision-proxy，勿写 - insert: [{id: dsh-vision-proxy, …}]，否则同 id 条目重复实例化，行为未定义。
Windows 下环境变量变更可能不生效，建议在 cordis.patch.yml 里直写 apiKey。
插件不再内置匿名免费端点作为默认兜底；若自行添加匿名端点，须设 anonymous: true，20 秒超时上限仍生效。

结尾¶

dsh-vision-proxy 把「DeepSeek 作对话大脑」和「GUI 图片附件」接在一起：纯文本 DeepSeek 模型也能看图，转译后端可走官方视觉模型、百炼等云端 VLM，或零配置的本地 Ollama。对于需要在 Harness 里保持 Pro 推理、又不想放弃粘贴识图的工作流，这是一条可直接落地的路径。

SkillHub 目录页：https://www.skillhub.cn/plugins/Flyvhidbwo/dsh-vision-proxy
GitHub 仓库：https://github.com/Flyvhidbwo/dsh-vision-proxy

dsh-vision-proxy：DeepSeek 纯文本模型也能在 GUI 里识图

前言¶

这是什么¶

核心功能¶

路由与转译¶

多后端与降级¶

稳定性¶

安装交互¶

安装与启用¶

典型用法¶

GUI 粘贴识图¶

自定义 VLM 后端¶

适用场景与注意¶

结尾¶

精选优惠券

dsh-vision-proxy：DeepSeek 纯文本模型也能在 GUI 里识图

前言¶

这是什么¶

核心功能¶

路由与转译¶

多后端与降级¶

稳定性¶

安装交互¶

安装与启用¶

典型用法¶

GUI 粘贴识图¶

自定义 VLM 后端¶

适用场景与注意¶

结尾¶

精选优惠券

相关文章