前言¶
用 DeepSeek Harness（DSH）做智能体开发时，你大概率遇到过这个问题：内置的 read_image 工具会把图片块直接塞进当前模型的上下文，只有当前主模型本身支持图片才能用。如果你的主模型是 deepseek v4 flash 这类纯文本模型，调用 read_image 会被直接拒绝——主模型看不见图，读图这条路径就断了。
dsh-auto-vision 换了一条路：由插件内部把图片转发给一个多模态模型识别，主模型全程只看到文本。本文介绍它的原理、安装和配置方式。
这是什么¶
dsh-auto-vision 是一个 DSH 插件，由 NormanFxxkingRockwell 维护，MIT 协议开源，当前版本 0.4.0（2026-08-24 发布）。它的定位一句话可以说清：自动发现你已配置的多模态模型，给纯文本主模型装上 vision 工具，识别结果以纯文本返回，零配置，一条命令安装。
前提是你的 dsh 里至少配置了一个声明了图片输入的多模态模型。没有的话，插件会在启动时报错并给出处理建议。
核心工作方式¶
插件做了三件事：
1、自动隐藏 read_image。纯文本主模型的会话里，插件会藏掉必然失败的 read_image，让模型只能走 vision，不会先撞一次失败再换路。切到多模态主模型时，原生 read_image 自动恢复，两者互不干扰。
2、vision 工具调用多模态模型。主模型给你一个图片文件路径（或让它访问某个图片文件），它会自动调 vision，插件把图片转给多模态模型，识别结果以纯文本返回。
3、图片不进主会话。图片块只存在于插件内部的视觉请求中，主模型上下文里不会有任何图片，不会被污染、不会报错。
识别请求走的是宿主自己的模型运行时（ctx.llm），用你已配置的 key 和重试策略，不需要任何额外的 API key 或服务。整个插件零运行时依赖，不依赖任何 npm 包，只用宿主服务。
自动发现与 failover¶
默认零配置。插件把已注册 provider 中所有声明 image 模态的模型列为候选，按「显式 prefer → 你在 settings 配置的 provider → 其余已注册 provider」排序。
候选模型按序尝试，遇到空内容、报错或中止会自动切换下一个——目录里声明了 image 但实际不可用（比如未配 key 的官方占位模型）不会被卡住。插件还会记录上次成功的模型，下次优先使用它。
启动时有预检：如果手动指定的模型不支持图片，或自动发现落空，插件会在启动时就报出可操作的错误，而不是等你调用时才崩。
vision 工具的参数：
file_path：单图路径file_paths：多图路径数组，一次请求最多 10 张，按编号逐张描述instruction：可选，识别要求
它与 read_image 共用同一套附件管线和大小限制。
安装¶
两种方式任选。方式一，npm 安装（推荐）：
dsh plugin --profile <你的profile名> add dsh-auto-vision
方式二，GitHub 源码安装（纯 JS、零构建步骤，无需构建授权）：
dsh plugin --profile <你的profile名> add github:NormanFxxkingRockwell/dsh-auto-vision
装好后直接用，不需要额外配置。
配置（均可选）¶
所有配置项都是可选的，不配置也能通过自动发现工作。
在 profile 的 cordis.patch.yml 里覆盖插件配置，比如手动指定视觉模型：
- id: dsh-auto-vision
config:
provider: bailian
model: qwen3.7-plus
可用配置项：
| 配置项 | 说明 |
|---|---|
provider + model |
手动指定视觉模型，两个必须成对给出，启动时校验确实支持图片，否则报错 |
prefer |
自动发现时优先尝试的 provider 顺序，例如 prefer: [bailian] |
discovery: false |
关闭自动发现，此时必须手动指定 provider/model，否则插件报错 |
autoHideReadImage: false |
关闭「自动隐藏 read_image」 |
transcribeImages: false |
关闭「粘贴图片转述」（实验性功能，见下文） |
自动发现靠的是「模型声明了 image 模态」。如果你的模型还没声明，在 settings.yaml 里给支持图片的模型加上 input: [text, image]：
providers:
bailian:
models:
- id: qwen3.7-plus
name: Qwen3.7-Plus
contextWindow: 100000
input: [text, image]
典型用法¶
装好后，在主对话里直接说：
读这张图
C:\path\to\image.jpg描述一下
主模型会自动调用 vision 工具，把识别结果以文本形式返回给你。多张图也一样，把多个路径放进 file_paths，一次请求最多 10 张，按编号逐张描述。
有一点要明确：在聊天框直接粘贴图片，目前无法自动读。dsh 官方在消息准入层硬编码拒绝了纯文本模型携带图片（报错 MODEL_DOES_NOT_SUPPORT_IMAGES），这一步发生在任何插件钩子之前，且没有公开扩展点。所以请把图片保存为文件，再把文件路径给模型——文件路径读图这段是全自动的。
插件已经实现了「粘贴图片自动转述」（agent/pre-step 钩子，把会话内消息的图片块转述为【图片转述】开头的文字，带缓存），但受上述准入限制，该路径当前不可达，属于实验性功能，等官方开放后可自动生效。
适用场景与注意¶
这个插件适合的场景很明确：主模型用纯文本模型（如 deepseek v4 flash），但手头有其他已配置的多模态模型（如 qwen3.7-plus），想让前者获得读图能力，又不想改主模型或加服务。
使用前注意三点：
1、必须已配置至少一个声明了图片输入的多模态模型，否则插件启动即报错。
2、手动指定视觉模型时，provider 与 model 必须成对给出，且启动时会校验该模型确实支持图片。
3、插件以当前 dsh 进程的权限运行，安装前建议先检查源码与许可证。dsh-auto-vision 是 MIT 协议，源码在 GitHub 上可查。
结尾¶
dsh-auto-vision 解决的是一个具体问题：纯文本主模型读不了图。它不引入新服务、不加新 key，靠自动发现你已有的多模态模型，把文件路径读图变成一条命令装好就能用的能力，且启动时就把配置错误报出来。如果你在 DSH 里用纯文本主模型，又偶尔需要读图，值得一试。
- GitHub：https://github.com/NormanFxxkingRockwell/dsh-auto-vision
- 社区目录页：https://www.skillhub.cn/plugins/NormanFxxkingRockwell/dsh-auto-vision （独立社区站点，与 DeepSeek / 幻方无官方从属关系）
