前言¶

在 DeepSeek Harness（DSH）里，如果主对话仍由纯文本大模型承担，本地图片常常无法直接参与推理：截图、订单页、Logo、代码图、文档图都需要另找入口处理。

tdf1995/dsh-plugin-vision 的思路是：不要求文本模型本身读图，而是通过 Gemini / GLM 免费视觉 API 完成图像描述、OCR 与视觉问答，再把结果交回 DSH 会话。

这是什么¶

一句话定位：它是面向 DSH 的视觉能力插件，为纯文本大模型补上本地图片理解能力。

仓库由 tdf1995 维护，许可证为 MIT。

核心功能¶

图像分析工具¶

see_image 用于分析本地图片，支持 png / jpg / jpeg / webp / gif，单张上限 20MB。

调用时可以自定义提问，例如询问商品、价格、配色，或要求做 OCR。

双提供商与路由¶

插件支持 Gemini 与 GLM 两类视觉提供商。

auto 模式会自动选择可用 Key 的提供商，并支持粘性路由、故障转移，以及 429 / 限流退避重试。

大图压缩¶

超过 4MB 的图片会自动压缩到最长边 1920px、JPEG 质量 85 后再上传。

该压缩依赖 pwsh + System.Drawing，仅 Windows 生效；其他平台自动回退原图。

Key 与状态¶

vision_set_key 用于在会话内保存提供商 API Key 至 DSH 凭据库，并立即生效。

vision_status 用于查看各提供商 Key 配置状态，不回显 Key 本身。

Web UI 图片输入¶

浏览器端支持 Ctrl+V 粘贴、拖入或点击图片按钮添加图片，并展示附件卡片。

安装与启用¶

前置要求：

Node.js >= 20
已部署 DeepSeek Harness (DSH)
至少一个 Gemini 或智谱 GLM 视觉 API Key

安装命令：

npm i -D dsh-plugin-vision

API Key 可以放在环境变量、~/.dsh/.credentials.yaml，或通过 vision_set_key 写入 DSH 凭据库。仓库本身不包含 API Key。

插件以当前 dsh 进程权限运行。安装前应检查源码、依赖与许可证。

典型用法¶

下面是文档示例，可直接作为对话输入：

帮我看看这张图 D:\work\screenshot.png
这张订单截图里商品是什么？多少钱？
用 GLM 分析 code/my/logo.png，描述一下配色
用 gemini-3.6-flash 看 baojia/data/purchased_items/xxx.jpg，做 OCR

前两个例子是直接给本地图片路径或围绕截图提问；第三个例子显式指定 GLM 提供商；第四个例子显式指定模型名并要求 OCR。

适用场景与注意¶

适合在 DSH 中使用纯文本大模型，但经常需要处理本地图片的开发者，例如截图解读、订单信息提取、Logo 配色分析、文档 OCR。

注意以下边界：

• 粘贴、拖入等浏览器输入能力只对 Web UI（dsh web）生效；TUI 等无 Web 界面时这些功能会缺席。
• /vision/save-image 路由仅监听回环地址；即使如此，仍建议只在本机使用。
• Gemini 在国内访问需要代理；智谱 GLM 可直连。
• 大图压缩只在 Windows 生效，其他平台会回退原图；使用时仍需满足 20MB 读取上限。
• 这是社区插件，不应理解为 DeepSeek 或幻方官方应用商店中的官方能力。

结尾¶

如果你已经在 DSH 中使用纯文本大模型，但经常需要处理本地图片，dsh-plugin-vision 提供了一个直接的桥接方案：用外部视觉 API 完成读图，再把结果送回会话。

项目地址：

• GitHub: https://github.com/tdf1995/dsh-plugin-vision