前言¶
在 DeepSeek Harness（DSH）裏，如果主對話仍由純文本大模型承擔，本地圖片常常無法直接參與推理：截圖、訂單頁、Logo、代碼圖、文檔圖都需要另找入口處理。
tdf1995/dsh-plugin-vision 的思路是：不要求文本模型本身讀圖，而是通過 Gemini / GLM 免費視覺 API 完成圖像描述、OCR 與視覺問答，再把結果交回 DSH 會話。
這是什麼¶
一句話定位：它是面向 DSH 的視覺能力插件，爲純文本大模型補上本地圖片理解能力。
倉庫由 tdf1995 維護，許可證爲 MIT。
核心功能¶
圖像分析工具¶
see_image 用於分析本地圖片，支持 png / jpg / jpeg / webp / gif，單張上限 20MB。
調用時可以自定義提問，例如詢問商品、價格、配色，或要求做 OCR。
雙提供商與路由¶
插件支持 Gemini 與 GLM 兩類視覺提供商。
auto 模式會自動選擇可用 Key 的提供商，並支持粘性路由、故障轉移，以及 429 / 限流退避重試。
大圖壓縮¶
超過 4MB 的圖片會自動壓縮到最長邊 1920px、JPEG 質量 85 後再上傳。
該壓縮依賴 pwsh + System.Drawing，僅 Windows 生效；其他平臺自動回退原圖。
Key 與狀態¶
vision_set_key 用於在會話內保存提供商 API Key 至 DSH 憑據庫，並立即生效。
vision_status 用於查看各提供商 Key 配置狀態，不回顯 Key 本身。
Web UI 圖片輸入¶
瀏覽器端支持 Ctrl+V 粘貼、拖入或點擊圖片按鈕添加圖片，並展示附件卡片。
安裝與啓用¶
前置要求：
Node.js >= 20
已部署 DeepSeek Harness (DSH)
至少一個 Gemini 或智譜 GLM 視覺 API Key
安裝命令：
npm i -D dsh-plugin-vision
API Key 可以放在環境變量、~/.dsh/.credentials.yaml，或通過 vision_set_key 寫入 DSH 憑據庫。倉庫本身不包含 API Key。
插件以當前 dsh 進程權限運行。安裝前應檢查源碼、依賴與許可證。
典型用法¶
下面是文檔示例，可直接作爲對話輸入：
幫我看看這張圖 D:\work\screenshot.png
這張訂單截圖裏商品是什麼？多少錢？
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
前兩個例子是直接給本地圖片路徑或圍繞截圖提問；第三個例子顯式指定 GLM 提供商；第四個例子顯式指定模型名並要求 OCR。
適用場景與注意¶
適合在 DSH 中使用純文本大模型，但經常需要處理本地圖片的開發者，例如截圖解讀、訂單信息提取、Logo 配色分析、文檔 OCR。
注意以下邊界：
- 粘貼、拖入等瀏覽器輸入能力只對 Web UI（
dsh web）生效；TUI 等無 Web 界面時這些功能會缺席。 /vision/save-image路由僅監聽迴環地址；即使如此，仍建議只在本機使用。- Gemini 在國內訪問需要代理；智譜 GLM 可直連。
- 大圖壓縮只在 Windows 生效，其他平臺會回退原圖；使用時仍需滿足
20MB讀取上限。 - 這是社區插件，不應理解爲 DeepSeek 或幻方官方應用商店中的官方能力。
結尾¶
如果你已經在 DSH 中使用純文本大模型，但經常需要處理本地圖片，dsh-plugin-vision 提供了一個直接的橋接方案：用外部視覺 API 完成讀圖，再把結果送回會話。
項目地址：
- GitHub: https://github.com/tdf1995/dsh-plugin-vision
