前言¶

在 DSH 这类插件化运行环境里，一个常见的问题是：文本模型本身不接收图片，但开发者经常需要把截图、票据、界面文字交给模型处理。常见做法是把模型配置成多模态，或者直接把图片字节发给远端模型 API。本文介绍的 maxwell-feng/dsh-windows-ocr 是另一个做法：在 Windows 本机先用 Windows.Media.Ocr 识别图片，再把识别出的文本发送给模型。下面介绍它的功能、安装方式和注意事项。

这是什么¶

maxwell-feng/dsh-windows-ocr 是 DeepSeek Harness (dsh) 插件，由 maxwell-feng 维护，采用 MIT 许可证。

它的作用是：让 text-only 模型接受附加图片；插件先用 Windows 内置 OCR 引擎 Windows.Media.Ocr 在本地识别图片，再把识别文本发给模型。对于真正的视觉模型，是否透传原始图片字节是可选行为。

核心功能¶

下面这些是已核实的插件能力：

• 让 text-only 模型接受附加图片。
• 使用 Windows.Media.Ocr 在本地识别图片。
• 默认只向模型 API 发送识别出的文本，不发送原始图片字节。
• 支持可选 passthrough: true，让真正的视觉模型接收原始图片字节。
• 不需要在 settings.yaml 中把模型改成 input: [text, image]。
• 支持 dsh 中任意 provider/model；默认在请求离开本机前对附加图片做 OCR。
• fail-closed：插件未加载时，模型保持 text-only 并拒绝图片附件。
• 缺失附件会被替换为 refusal text block，而不是保留 raw image。
• 提供 language、passthrough、ocrScript、timeoutMs、maxCacheEntries 配置项。
• 从 npm 安装的版本预构建并带 Sigstore provenance，无需源码构建或 allowBuilds。

安装与启用¶

安装前先确认环境满足：Windows 10/11，Windows PowerShell 5.1+，目标语言的 Windows OCR 语言包；中文需要可用的 Chinese language pack；已有 dsh 和 profile，package.json 声明 Node.js >= 20。README 说明测试版本为 dsh 0.1.0-rc.8。

从 npm 安装¶

先执行下面命令，将插件安装到 web profile：

dsh plugin --profile web add @maxwell-feng/dsh-windows-ocr

如果使用的是其他 profile，把 web 替换为 tui 等 profile 名。

npm 安装版本会自行注册 windows-ocr loader entry，不要再手动添加同一个 entry id。

永久安装¶

如果是源码或手动文件方式，先准备插件文件路径。下面示例追加到 profile 的 cordis.patch.yml：

- insert:
    - id: windows-ocr
      name: 'file:///C:/absolute/path/to/windows-ocr/lib/index.js'
      config:
        language: ''
        passthrough: false

Windows 文件路径必须使用 file:// URL；裸 C:/... 路径会被 loader 拒绝。

配置 passthrough 时，false 表示默认 OCR 所有图片；true 才让视觉模型接收未处理图片。

修改后重启 dsh web。

临时安装¶

临时安装可以先准备同样的 rows 到 overlay 文件，再执行：

dsh --profile web --patch C:/path/to/overlay.yml

这种方式不会修改 profile。

覆盖配置¶

如果 windows-ocr row 已存在，用 id-targeted row 覆盖配置，而不是再 insert 一个同名 row。示例：

- id: windows-ocr
  config:
    language: zh-Hans

典型用法¶

下面从安装到验证按顺序做。

1、安装完成后，启动 dsh web，在启动日志中查看 windows-ocr。

2、给一个文本模型会话附加图片。

3、观察模型是否用识别出的文本回答。

模型看到图片时，每个 image block 会被替换为类似下面的文本块：

<image_ocr>
...
</image_ocr>

如果启动 dsh web 时出现 EADDRINUSE，先执行下面命令找到占用 3080 端口的旧实例并停止它：

netstat -ano | findstr :3080

适用场景与注意¶

适合的场景：

• 在 Windows 10/11 上运行 dsh，并希望文本模型能处理本地图片中的文字。
• 希望默认不把原始图片字节发送到模型 API，而只发送本地 OCR 后的文本。
• 需要在 dsh 中切换不同 provider/model，但不想逐个修改模型能力配置。

注意：

• 不要同时使用 npm bundle 和手动 insert 注册同一个 windows-ocr entry id；否则 dsh 启动会失败，报错为 duplicate loader entry id: windows-ocr。
• passthrough: false 是默认行为，OCR 所有图片；只有显式设置 passthrough: true，真正的视觉模型才接收未处理图片。
• 插件未加载时是 fail-closed：模型保持 text-only 并拒绝图片附件，缺失附件会被替换为 refusal text block，而不是保留 raw image。
• 插件以当前 dsh 进程权限运行；安装前应检查源码、依赖和 MIT 许可证。
• 中文 OCR 需要可用的 Chinese language pack；其他语言也需要对应的 Windows OCR 可用语言包。

结尾¶

maxwell-feng/dsh-windows-ocr 的价值在于：把“文本模型处理图片”这件事落成本地 OCR 与文本注入，默认只向模型 API 发送识别文本。下面链接可用于查看项目：

• 插件目录页：https://www.skillhub.cn/plugins/maxwell-feng/dsh-windows-ocr
• GitHub 仓库：https://github.com/maxwell-feng/dsh-windows-ocr