前言¶
做智能体开发时经常遇到这类问题：模型本身是纯文本的，用户贴一张截图问“这个报错是什么”，模型答不上来；想生成一张图，得自己另开工具、下载文件、再拖回会话；想让它操作网页，主流方案要么跑无头浏览器不可见，要么直接接管用户自己的浏览器 profile，风险不低。
dsh-mindseye（MindsEye）针对的就是这三个缺口。它是 DeepSeek Harness（DSH）的一个插件，用一句话概括：Intent-driven vision, image generation, and visible browser automation for DeepSeek Harness。下文按功能、安装、配置、注意事项的顺序介绍。
这是什么¶
MindsEye 由 kanchengw 维护，仓库为 kanchengw/dsh-mindseye，当前版本 0.2.8，许可证 MIT，Node 引擎要求 >=22.19。
它的设计原则是让 DSH 会话保持主要交互界面：图片以 DSH 附件的形式保留，生成结果也以原生 DSH 附件显示在会话中，用户不需要手动选本地文件或在多个工具间倒腾。
核心功能¶
图像理解¶
- 保留 DSH 图片附件；图片轮次自动挂载视觉工具，纯文本轮次保持单一激活入口。
mindseye_read_image：回答单图/多图问题，支持 OCR、版面、图表、颜色、像素差异等聚焦视觉任务，返回包含图像、证据、答案和调用元数据的结构化结果。mindseye_ground：定位目标并返回像素边界框，供点击、裁剪等下游动作使用。- 纯文本轮次需要视觉能力时，通过
mindseye_vision_activate手动挂载视觉工具。 mindseye_plan负责提取当前请求、准备下游工具使用的意图上下文。
图像生成与编辑¶
mindseye_generate_image：将用户的图像请求发送到配置的图像生成路由，生成结果以原生 DSH 附件返回并显示在会话中。mindseye_edit_image：将 DSH 图片附件与编辑请求发送到配置的图像编辑路由。- 注意：生成图像不会自动保存到项目，也不会运行验证 pass，需要落盘时要自己处理。
浏览器自动化¶
配置 gui.enabled 开启后，插件会打开一个独立的可见 Chrome 或 Edge 会话。GUI 工具可以打开页面、快照、等待、点击、输入、按键、滚动和关闭会话，对应 mindseye_gui_open / snapshot / wait、mindseye_gui_click / type / keypress / scroll、mindseye_gui_close。
遇到 CAPTCHA、登录或权限确认时，运行会通过原生 DSH 问题卡暂停，用户可以：
1、接管可见浏览器，手动完成该步骤；
2、如果该步骤可能已完成，跳过第一次交接询问；
3、放弃本次运行。
用户恢复后，MindsEye 会先检查页面状态，再把控制权交回模型。另外，每次 GUI 动作之后都要求一次新快照，避免元素引用和坐标悄悄过期。
可选记忆工具¶
插件还提供一组可选的记忆工具，暴露显式 DSH 操作，用于存储、检索、搜索和比较图像相关记录。
安装与启用¶
安装两步：
npm install dsh-mindseye
npx @deepseek-ai/dsh plugin --profile web add dsh-mindseye
安装完成后重启 DSH Web，然后在 MindsEye 设置卡中至少配置一个 vision route。未配置的聚焦视觉路由（如 extract、locate）在可用时会回退到通用理解路由，所以最小可用配置只需要一条路由。
配置¶
通过 DSH 设置卡或插件配置进行设置，主要配置项如下：
vision.routes：understand/extract/locate三个独立路由。vision.fallbacks：视觉调用的回退路由。image.generate：图像生成路由，按顺序尝试。image.edit：图像编辑路由，按顺序尝试。gui.enabled：开启可见浏览器工具，默认关闭。gui.browser：auto、chrome或edge。gui.restrictHosts：设为true时启用主机白名单。gui.allowedHosts：主机限制开启时允许访问的主机列表。gui.maxSteps和gui.timeoutMs：单次浏览器运行的步数与超时上限。
视觉路由使用 OpenAI 兼容的 Chat Completions 或 Responses API；图像路由支持 JSON 和 multipart 请求体，因此不同的图像 provider 可以独立配置。
数据与安全¶
几个值得在接入前确认的设计：
1、图像字节和问题只在 MindsEye 工具调用对应 provider 时发送；凭证来自 DSH credentials、环境变量或插件设置，且只发送给匹配的 provider。
2、浏览器自动化只在显式启用时启动本地 Chrome/Edge 子进程，使用隔离会话，不附加用户现有的浏览器 profile，也不执行下载的代码；导航可通过 gui.restrictHosts / gui.allowedHosts 限制到白名单。
3、图像能力模型保留原生 DSH 图像块；纯文本回退路径使用为当前粘贴操作创建的隔离临时文件。
适用场景与注意¶
适合的场景：纯文本模型需要读截图、图表、OCR；需要在会话内直接生成和编辑图片；需要模型操作网页但要求过程可见、可人工接管。
注意事项：
1、插件以当前 dsh 进程的权限运行，安装前建议检查源码与许可证。本项目为 MIT 许可，仓库公开可查。
2、gui.enabled 默认关闭，浏览器自动化只在显式启用时启动，不开启则不会有本地浏览器子进程。
3、需要接入的视觉/图像服务需兼容 OpenAI 兼容 API 或支持 JSON / multipart 请求体，具体路由在设置卡中逐条配置。
想参与开发的话，仓库提供标准命令：
pnpm install
pnpm test
pnpm typecheck
pnpm build
小结¶
dsh-mindseye 把图像理解、图像生成和可见浏览器自动化整合进 DSH 的插件体系，同时把交互、权限边界和人工接管都留在 DSH 会话里。如果你的 DSH 工作流缺多模态和网页操作能力，可以一试。
仓库地址：https://github.com/kanchengw/dsh-mindseye
社区目录收录地址：https://www.skillhub.cn/plugins/kanchengw/dsh-mindseye（该地址来自插件收录线索，请以实际站点为准）。DSH 的理念是“一切皆插件”，上述社区目录为独立站点，与 DeepSeek、幻方无官方从属关系。
