前言¶

在 DeepSeek Harness（DSH）中，如果希望 agent 能读取屏幕内容或描述图片，可以把视觉能力作为工具挂入现有会话。下面介绍的 dsh-tool-eyes 就是这类本地视觉“眼睛”插件。

它提供两个工具：screen 用于视觉描述，ocr 用于文字提取。

这是什么¶

dsh-tool-eyes 是 go-farther-and-farther 维护的 DSH 插件，许可证为 MIT。

它解决的核心问题是：在 Windows 环境下，让 DSH agent 能调用本地视觉端点描述屏幕或图片，或调用 Windows 内置 OCR 引擎逐字提取文本。

核心功能¶

screen¶

screen 捕获屏幕或描述已有图片文件，经本地 OpenAI-compatible 视觉端点返回文字描述。

它接受可选 image 路径；不提供时捕获屏幕。

screen 的提示词要求视觉模型只描述可见内容，降低小模型名称幻觉。

本地优先方面，screen 可指向本地端点，使图片不出本机。

ocr¶

ocr 使用 Windows 内置 OCR 引擎逐字提取文本，零模型、零 GPU、零云端。

它也接受可选 image 路径；不提供时捕获屏幕。

ocr 完全本地，无网络。

安装与启用¶

先确认环境要求：

• Windows 10/11
• Node.js >= 22.19
• DeepSeek Harness >= 0.1.0-rc.6
• screen 需要任一 OpenAI-compatible VLM endpoint，例如 llama.cpp、LM Studio、Ollama 或任意网关

该包仅发布在 GitHub，不在 npm。安装命令如下：

dsh plugin --profile web add https://github.com/go-farther-and-farther/dsh-tool-eyes

安装后重启 dsh web，screen 和 ocr 工具会自动出现在 agent toolkit。

配置¶

如果需要指定 screen 使用的视觉端点，可以在 profile 的 cordis.patch.yml 中按 id tool-eyes 配置 baseUrl、model、timeoutMs。

结构示例如下：

- id: tool-eyes
  name: 'dsh-tool-eyes'
  config:
    baseUrl: <baseUrl>
    model: <model>
    timeoutMs: <timeoutMs>

其中 baseUrl 指向 OpenAI-compatible 视觉端点，model 用于指定模型，timeoutMs 用于指定超时参数。

典型用法¶

在对话中，可以这样使用：

• 让 screen 回答 what is on my screen? 或 describe this image file，并可加 prompt 聚焦区域或细节。
• 让 ocr 执行 read all the text on screen 或 transcribe this error dialog。

两者都可传 image 路径；不传则截图。

插件捆绑了 lib/capture.ps1 与 lib/ocr.ps1，也可独立运行：

powershell -NoProfile -ExecutionPolicy Bypass -File lib\capture.ps1 -Prompt "<focus>" -BaseUrl <baseUrl>
powershell -NoProfile -ExecutionPolicy Bypass -File lib\ocr.ps1 -Image <image path>

capture.ps1 可带 -Prompt 和 -BaseUrl 参数，ocr.ps1 可带 -Image 参数。

适用场景与注意¶

适合以下情况：

• 在 Windows 10/11 上使用 DSH，并想让 agent 读取屏幕文字或描述图片。
• 希望 ocr 完全本地、无网络。
• 希望 screen 指向本地端点，使图片不出本机。

注意：

• screen 会将捕获图片发送到配置的 baseUrl。
• 插件以当前 dsh 进程权限运行。安装前应检查源码与许可证；当前许可证为 MIT。

结尾¶

经过上面的步骤，dsh-tool-eyes 可以给 DSH agent 增加两个本地视觉工具：screen 负责描述，ocr 负责逐字提取。

GitHub：https://github.com/go-farther-and-farther/dsh-tool-eyes
目录页：当前未提供可确认链接。