前言¶

DSH（DeepSeek Harness）采用“一切皆插件”的方式扩展能力。社区目录是独立站点，与 DeepSeek / 幻方无官方从属关系，也不等同于官方应用商店。

对只使用纯文本模型的 agent 来说，图片通常不能直接进入上下文。如果要让模型看图、读图中文字、定位界面元素，往往需要额外接入视觉后端。dsh-img 是 DeepSeek Harness 插件，目标是给纯文本模型提供 analyze_image 图片问答、OCR 和布局理解，以及 vision_ground 目标元素定位；同时提供一组免 key 的本地像素工具。

下面介绍它的核心能力、安装方式和使用边界。

这是什么¶

• 插件标识：gmleong/dsh-img
• 定位：DeepSeek Harness 视觉插件，给纯文本模型增加图片理解能力
• 许可证：MIT
• 运行前提：Node.js >= 20，且已安装 dsh 本体

这个插件既可以通过视觉后端处理图片，也可以调用本地像素工具完成部分图片处理。视觉后端默认接智谱 GLM-4V-Flash，备选通义 Qwen-VL，也支持 Ollama 本地视觉模型与任意 OpenAI 兼容视觉端点。

核心能力¶

视觉后端工具¶

如果使用需要 API key 的视觉后端，key 必须注入 dsh 进程。

• analyze_image：用于图片问答、OCR 和布局理解
• vision_ground：用于目标元素定位

免 key 本地像素工具¶

以下本地像素工具无需 key：

• vision_crop
• vision_pixel_diff
• vision_colors
• vision_ocr
• vision_trace
• vision_extract_foreground

后端、缓存与运行环境¶

• 支持 preset 单后端配置
• 支持 backends 多后端自动回退
• 识别结果按图片内容和问题 hash 缓存到 ~/.dsh/dsh-img-cache/
• web 设置页可可视化修改 preset 和填写 apiKey
• 支持 dsh --profile headless 下使用工具
• 支持 .png .jpg .jpeg .webp .gif .bmp

安装与启用¶

先确认当前环境满足 Node.js >= 20，并且 dsh 本体已经可用。插件会以当前 dsh 进程权限运行，安装前建议检查源码与许可证。

安装到 web profile¶

下面命令把 dsh-img 安装到 ~/.dsh/profiles/web 对应的 profile：

cd ~/.dsh/profiles/web && pnpm add dsh-img --registry https://registry.npmjs.org

配置视觉后端 key¶

如果只使用本地像素工具，可以不配置 key。如果使用需要 API key 的视觉后端工具，需要准备对应 API key。下面以默认智谱 GLM-4V-Flash 的 ZHIPU_API_KEY 为例：

export ZHIPU_API_KEY=your-key-here

这个 key 必须注入 dsh 进程。只在当前 shell 中 export，不一定对已经运行的 dsh 进程生效。

重启 dsh web¶

重启后，让 dsh 进程携带 key 启动：

pkill -f "dsh web"
ZHIPU_API_KEY=your-key-here dsh web

headless profile¶

如果要在 dsh --profile headless 下使用，先在该 profile 安装一次：

dsh plugin --profile headless add dsh-img

之后在 dsh --profile headless 下即可使用工具。本地像素工具无需 key；识图类工具可按需使用 Ollama 本地视觉模型或 API key。

后端与配置¶

可以在 cordis.patch.yml 中配置后端。单后端使用 preset，多后端回退使用 backends 列表。

• preset: ollama：使用本地 Ollama 视觉模型
• backends：配置多后端回退链

如果使用 API key 后端，key 需要注入 dsh 进程；web 设置页也可填写 apiKey。

典型用法¶

图片问答¶

经过上面的安装步骤，新建会话后，可以直接贴图进对话框，也可以对 agent 说：

用 analyze_image 看一下 ./screenshot.png 里写了什么

本地像素工具¶

本地像素工具无需 key。经过上面的步骤后，可在会话中按需调用 vision_crop、vision_pixel_diff、vision_colors、vision_ocr、vision_trace、vision_extract_foreground。

目标元素定位¶

如果需要让 agent 找到图片中的某个目标元素，可让其调用 vision_ground。

设置页¶

web 设置页可可视化修改 preset 和填写 apiKey。

适用边界与注意¶

下面这些边界来自插件说明，选型时先看是否匹配：

• vision_trace：不适合彩色插画、照片或有渐变的图
• vision_extract_foreground：适合均匀背景，不适合复杂背景、纹理背景
• vision_pixel_diff：适合同尺寸 UI 截图、设计稿还原度比对
• vision_ocr：适合印刷体文字、屏幕截图文字；手写体、艺术字识别率可能下降

其他注意：

• API key 必须注入 dsh 进程；本地像素工具无需 key
• 识别结果会缓存到 ~/.dsh/dsh-img-cache/
• 支持 .png .jpg .jpeg .webp .gif .bmp
• README 排错提到旧版 <=0.2.3 存在双实例 bug，可用下面命令升级：

pnpm add dsh-img@latest

• 旧会话可能被旧 bug 毒化，新建会话即可

参考链接¶

• GitHub：https://github.com/gmleong/dsh-img
• 目录页：https://www.skillhub.cn/plugins/gmleong/dsh-img

目录页为社区目录页面，不等同于官方应用商店。