前言¶

在 DeepSeek Harness（DSH）裏用 DeepSeek 這類純文本模型當主模型時，有一個繞不開的限制：Harness 默認不允許向「當前模型不支持圖片」的會話發送帶圖消息。想讓模型看一張報錯截圖、一段界面佈局或一張表格照片，要麼自己先把圖裏的內容轉成文字再發過去，要麼換一個多模態主模型。

dsh-eyes 提供了另一種做法：圖片照常粘貼和發送，留在後臺持久化保存；主模型在自己需要的時候調用 view_image 工具看圖，識別部分由任意 OpenAI 兼容的視覺接口完成（默認百鍊 Qwen）。對使用方式來說，效果接近模型原生具備多模態。下面介紹它的功能、安裝和用法。

這是什麼¶

dsh-eyes 是 DeepSeek Harness 的一個插件，作者是 Leeminjing，以 MIT 協議開源，在社區目錄裏歸在「模型推理」分類下。它解決的問題很具體：讓帶圖消息在純文本主模型的會話裏能通過發送准入、被持久化保存，並且模型能按需查看。

DSH 的理念是「一切皆插件」，能力補齊交給插件來做。dsh-eyes 就屬於這一類：不改主模型、不加開關，把「看圖」做成一個模型可以隨時調用的工具。

核心功能¶

• 發送准入放行：讓帶圖消息能通過發送准入檢查並被持久化保存；
• 派發前剝離圖片：把請求裏的圖片塊換成帶序號的引用說明（【圖片N attachment_id=…】），主模型收到的是純文本；
• view_image 工具：支持按單個 attachment_id、attachment_ids 數組一次看多張，或用本地 image_path 讀圖；
• OpenAI 兼容視覺接口：同時支持 Chat Completions 與 Responses API，由 VISION_API_STYLE（auto / chat / responses）控制；
• 會話隔離與持久化：圖片引用索引按 sessionId 分片，持久化到 .dsh/attachments/v1/dsh-eyes-index.json，重啓或上下文壓縮後仍能通過 attachment_id 查看歷史圖片；
• 主模型自動適配：任何純文本主模型（不限 provider）自動被保護；本身原生支持圖片的多模態主模型不受干預。

安裝與配置¶

先安裝插件，再配置視覺接口的環境變量，最後重啓 dsh。以 Windows 爲例，完整步驟如下：

# 1) 安裝插件（github 方式，也可以換成 npm 包名）
dsh plugin --profile web add github:Leeminjing/dsh-eyes

# 2) 配置 API Key（換成你所用視覺提供商的 key）
setx VISION_API_KEY "sk-你的key"

# 3) 配置視覺模型（必填，無默認值）
setx VISION_MODEL "qwen-vl-plus"

# 4) 配置接口端點（默認百鍊；換其他提供商時必改）
setx VISION_ENDPOINT "https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions"

# 5) 重啓 dsh，讓環境變量生效

四個環境變量的含義：

注意 setx 只對新啓動的進程生效，配置後必須重啓 dsh。VISION_API_STYLE 取 auto 時按端點路徑自動判斷：路徑含 chat/completions 走 Chat Completions，含 responses 走 Responses API，裸 base URL 默認按 Chat Completions 並自動補全路徑；也可以強制指定 chat 或 responses，插件會把端點路徑歸一化到對應協議。

常見視覺提供商¶

Anthropic 和 Gemini 的原生接口不直接支持，需要走它們各自的 OpenAI 兼容網關。

用 cordis.patch.yml 覆蓋配置¶

除了環境變量，也可以在 cordis.patch.yml 裏給該行傳 config，會覆蓋默認值和環境變量：

- 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

目標主模型由代碼內的 targetProvider 決定，默認 deepseek-official；maxImageBytes 控制本地圖片大小上限，默認 15 MB。

典型用法¶

不需要開關，也不需要手動調用工具：

1. 在會話裏直接 Ctrl+V 粘貼一張截圖，或拖拽/點附件添加；
2. 像發普通消息一樣提問，例如「這張圖裏寫了什麼？」；
3. 主模型收到的是圖片引用說明，它在思考中自行決定調用 view_image(attachment_id=…)；
4. 視覺模型提取描述或 OCR 文字，主模型基於這些文字繼續回答。

圖片會一直留在後臺。後續任意一輪都可以繼續追問同一張圖，比如「再看一下圖裏第二行的數字」。因爲引用索引已持久化，即使上下文被壓縮或 dsh 進程重啓，模型仍能通過 attachment_id 查看歷史圖片。

工作原理¶

插件在三個環節介入：

1. 准入放行：包裝 llm.resolveModelInfo，讓目標主模型聲明 inputModalities: ['text','image']，帶圖消息由此通過 Host 的發送准入檢查並被持久化，生成 attachment_id。
2. 圖片剝離：包裝 llm.streamWithRegistration，在請求派發給模型之前，把每個 image 塊（含嵌套在 tool-result 裏的）換成 【圖片N attachment_id=…】 引用說明，並按 sessionId 分片登記 attachment_id → ImageAttachmentRef。
3. view_image 調用：主模型需要看圖時，插件按 attachment_id（或 attachment_ids、image_path）讀出圖片字節，轉成 data: URL，POST 到配置的視覺接口，把返回的文本交給主模型作答；一次看多張時，返回文本按【圖片N】分段。

之所以直接包裝這兩個方法，是因爲 Harness 目前沒有公開的擴展點用於「發送准入的圖片能力判斷」和「派發前剝離圖片」。

適用場景與注意¶

適合的場景：主模型必須是 DeepSeek 或其他純文本模型、又需要偶爾看圖（截圖 OCR、界面檢查、表格識別等）的 DSH 用戶。如果你的主模型本身是多模態的，這個插件不會介入，也沒有安裝的必要。

安裝與使用前注意幾點：

• 插件以當前 dsh 進程的權限運行。安裝前建議先閱讀源碼和許可證（MIT），確認無誤再裝；
• API Key 請用環境變量或憑證服務管理，不要硬編碼進倉庫；
• 大小限制有兩套且互不相關：本地 image_path 讀圖上限 15 MB（maxImageBytes）；粘貼/附件圖片受 Harness 附件存儲限制（默認 5 MB）；
• 純文本主模型會在模型選擇器裏顯示爲「支持圖片」，這是有意爲之，目的是放行帶圖消息，不代表模型本身變成了多模態；
• 視覺接口必須 OpenAI 兼容（Chat Completions 或 Responses API）。

小結¶

dsh-eyes 的思路是把「看圖」從主模型的能力要求裏拆出來：圖片留在後臺，模型按需調用 view_image，識別交給外部的 OpenAI 兼容視覺接口。對被「純文本模型發不了圖」擋住的 DSH 用戶來說，這是一個改動很小、可以立刻試用的方案。

• GitHub：https://github.com/Leeminjing/dsh-eyes
• 社區目錄：https://www.skillhub.cn/plugins/Leeminjing/dsh-eyes

需要說明的是，社區目錄是獨立站點，與 DeepSeek、幻方沒有官方從屬關係，插件信息以 GitHub 倉庫爲準。