前言¶

在 DeepSeek Harness（DSH）里用 DeepSeek 这类纯文本模型当主模型时，有一个绕不开的限制：Harness 默认不允许向「当前模型不支持图片」的会话发送带图消息。想让模型看一张报错截图、一段界面布局或一张表格照片，要么自己先把图里的内容转成文字再发过去，要么换一个多模态主模型。

dsh-eyes 提供了另一种做法：图片照常粘贴和发送，留在后台持久化保存；主模型在自己需要的时候调用 view_image 工具看图，识别部分由任意 OpenAI 兼容的视觉接口完成（默认百炼 Qwen）。对使用方式来说，效果接近模型原生具备多模态。下面介绍它的功能、安装和用法。

这是什么¶

dsh-eyes 是 DeepSeek Harness 的一个插件，作者是 Leeminjing，以 MIT 协议开源，在社区目录里归在「模型推理」分类下。它解决的问题很具体：让带图消息在纯文本主模型的会话里能通过发送准入、被持久化保存，并且模型能按需查看。

DSH 的理念是「一切皆插件」，能力补齐交给插件来做。dsh-eyes 就属于这一类：不改主模型、不加开关，把「看图」做成一个模型可以随时调用的工具。

核心功能¶

• 发送准入放行：让带图消息能通过发送准入检查并被持久化保存；
• 派发前剥离图片：把请求里的图片块换成带序号的引用说明（【图片N attachment_id=…】），主模型收到的是纯文本；
• view_image 工具：支持按单个 attachment_id、attachment_ids 数组一次看多张，或用本地 image_path 读图；
• OpenAI 兼容视觉接口：同时支持 Chat Completions 与 Responses API，由 VISION_API_STYLE（auto / chat / responses）控制；
• 会话隔离与持久化：图片引用索引按 sessionId 分片，持久化到 .dsh/attachments/v1/dsh-eyes-index.json，重启或上下文压缩后仍能通过 attachment_id 查看历史图片；
• 主模型自动适配：任何纯文本主模型（不限 provider）自动被保护；本身原生支持图片的多模态主模型不受干预。

安装与配置¶

先安装插件，再配置视觉接口的环境变量，最后重启 dsh。以 Windows 为例，完整步骤如下：

# 1) 安装插件（github 方式，也可以换成 npm 包名）
dsh plugin --profile web add github:Leeminjing/dsh-eyes

# 2) 配置 API Key（换成你所用视觉提供商的 key）
setx VISION_API_KEY "sk-你的key"

# 3) 配置视觉模型（必填，无默认值）
setx VISION_MODEL "qwen-vl-plus"

# 4) 配置接口端点（默认百炼；换其他提供商时必改）
setx VISION_ENDPOINT "https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions"

# 5) 重启 dsh，让环境变量生效

四个环境变量的含义：

注意 setx 只对新启动的进程生效，配置后必须重启 dsh。VISION_API_STYLE 取 auto 时按端点路径自动判断：路径含 chat/completions 走 Chat Completions，含 responses 走 Responses API，裸 base URL 默认按 Chat Completions 并自动补全路径；也可以强制指定 chat 或 responses，插件会把端点路径归一化到对应协议。

常见视觉提供商¶

Anthropic 和 Gemini 的原生接口不直接支持，需要走它们各自的 OpenAI 兼容网关。

用 cordis.patch.yml 覆盖配置¶

除了环境变量，也可以在 cordis.patch.yml 里给该行传 config，会覆盖默认值和环境变量：

- insert:
    - id: dsh-eyes
      name: dsh-eyes
      config:
        apiKey: sk-xxx          # 同 VISION_API_KEY
        model: qwen-vl-plus     # 同 VISION_MODEL
        # endpoint, targetProvider, maxImageBytes 同理

目标主模型由代码内的 targetProvider 决定，默认 deepseek-official；maxImageBytes 控制本地图片大小上限，默认 15 MB。

典型用法¶

不需要开关，也不需要手动调用工具：

1. 在会话里直接 Ctrl+V 粘贴一张截图，或拖拽/点附件添加；
2. 像发普通消息一样提问，例如「这张图里写了什么？」；
3. 主模型收到的是图片引用说明，它在思考中自行决定调用 view_image(attachment_id=…)；
4. 视觉模型提取描述或 OCR 文字，主模型基于这些文字继续回答。

图片会一直留在后台。后续任意一轮都可以继续追问同一张图，比如「再看一下图里第二行的数字」。因为引用索引已持久化，即使上下文被压缩或 dsh 进程重启，模型仍能通过 attachment_id 查看历史图片。

工作原理¶

插件在三个环节介入：

1. 准入放行：包装 llm.resolveModelInfo，让目标主模型声明 inputModalities: ['text','image']，带图消息由此通过 Host 的发送准入检查并被持久化，生成 attachment_id。
2. 图片剥离：包装 llm.streamWithRegistration，在请求派发给模型之前，把每个 image 块（含嵌套在 tool-result 里的）换成 【图片N attachment_id=…】 引用说明，并按 sessionId 分片登记 attachment_id → ImageAttachmentRef。
3. view_image 调用：主模型需要看图时，插件按 attachment_id（或 attachment_ids、image_path）读出图片字节，转成 data: URL，POST 到配置的视觉接口，把返回的文本交给主模型作答；一次看多张时，返回文本按【图片N】分段。

之所以直接包装这两个方法，是因为 Harness 目前没有公开的扩展点用于「发送准入的图片能力判断」和「派发前剥离图片」。

适用场景与注意¶

适合的场景：主模型必须是 DeepSeek 或其他纯文本模型、又需要偶尔看图（截图 OCR、界面检查、表格识别等）的 DSH 用户。如果你的主模型本身是多模态的，这个插件不会介入，也没有安装的必要。

安装与使用前注意几点：

• 插件以当前 dsh 进程的权限运行。安装前建议先阅读源码和许可证（MIT），确认无误再装；
• API Key 请用环境变量或凭证服务管理，不要硬编码进仓库；
• 大小限制有两套且互不相关：本地 image_path 读图上限 15 MB（maxImageBytes）；粘贴/附件图片受 Harness 附件存储限制（默认 5 MB）；
• 纯文本主模型会在模型选择器里显示为「支持图片」，这是有意为之，目的是放行带图消息，不代表模型本身变成了多模态；
• 视觉接口必须 OpenAI 兼容（Chat Completions 或 Responses API）。

小结¶

dsh-eyes 的思路是把「看图」从主模型的能力要求里拆出来：图片留在后台，模型按需调用 view_image，识别交给外部的 OpenAI 兼容视觉接口。对被「纯文本模型发不了图」挡住的 DSH 用户来说，这是一个改动很小、可以立刻试用的方案。

• GitHub：https://github.com/Leeminjing/dsh-eyes
• 社区目录：https://www.skillhub.cn/plugins/Leeminjing/dsh-eyes

需要说明的是，社区目录是独立站点，与 DeepSeek、幻方没有官方从属关系，插件信息以 GitHub 仓库为准。