前言¶

用 DeepSeek Harness（DSH）搭智能体时，推理交给 DeepSeek 的文本模型没有问题，但很多任务需要“看”：从截图里读报错文字、比较两版界面的布局差异、从设计稿里取主色。常见做法是把图片手动丢给另一个多模态服务，再把结果搬回会话，链路断在中间。

dsh-vision-suite 解决的就是这个问题。它在保留官方 deepseek-official 文本路由的同时，把图片理解、OCR、截图裁剪、像素比较、主色提取和安全网页截图接进了 Harness。文本推理仍然由 DeepSeek 负责，只有调用远程视觉工具时，插件才会把用户选定的图片发送给已配置的 OpenAI-compatible 视觉模型。

这是什么¶

dsh-vision-suite 由 princefrogdida-ux 维护，许可证为 MIT，插件包名为 dsh-vision-workbench（GitHub 仓库名为 dsh-vision-suite），当前版本 0.7.1，面向 Windows。DSH 的理念是“一切皆插件”，这个插件就是给文本为主的工作流补上视觉这一环。

运行环境要求 Node ^22.19.0 || >=24.0.0。本地像素处理、OCR 和浏览器能力分别依赖 sharp、tesseract.js 和 playwright-core，三者均为可选依赖，按需加载——不用本地工具就不会引入这些开销。

核心功能¶

六个视觉工具¶

可以看到分工：需要模型理解内容的走视觉 Provider，纯像素操作（裁剪、比较、取色）和网页截图都在本机完成，图片不必离开机器。

其他基础能力¶

• 支持 PNG、JPEG 和 WebP。
• 图片附件使用持久 ID，工具结果可随会话保存和回放。
• 支持一个主视觉 Provider 和最多三个顺序后备 Provider，失败时执行有限回退，并通过冷却机制避免持续请求故障端点。
• 支持图片数量、文件大小、像素数、工作像素、超时和缓存限制。
• API Key 通过 Harness Credentials 保存，不写入插件配置、日志或页面响应。
• 可为插件请求单独配置 HTTP/HTTPS 代理（proxyUrl，默认为空），不修改全局网络设置。

安装与启用¶

本文整理资料时，README 与 package.json 中均未包含可直接引用的一行安装命令，这里不自行拼接，具体安装方式请以 GitHub 仓库的 README 为准。

安装后插件默认保持关闭（enabled 默认 false），不会自动接管模型路由，也不会自动发送图片。启用走 Harness 原生配置页面：

1. 启动安装了本插件的 Web Profile。
2. 打开“设置 → 插件 → 插件配置”。
3. 点击 Vision Workbench 展开全部配置项。
4. 填写文本模型、视觉 Provider 和 API Key。
5. 打开“启用插件”，保存配置。
6. 重启当前 Profile，使路由和工具配置生效。

关于 API Key 的输入框：页面刷新后不会回显密钥，只会显示对应凭据是否已经配置；密码框为空时会保留已保存的密钥，不需要重复粘贴。

最小可用配置¶

第一次使用只需要以下几项：

保存并重启 Profile 后，在模型选择器中选择：

DeepSeek + Vision Workbench / <配置的 DeepSeek 模型>

随后上传图片并直接提问，例如“识别这张截图中的文字”或“比较这两张图片的布局差异”。

配置远程视觉服务¶

任何兼容 OpenAI /chat/completions 且支持 image_url 图片输入的服务都可以接入。README 给出了几个常用服务的入口：

配置时按三步走：

1. 把服务商的 API 地址填入 visionProvider.baseURL。
2. 从服务商官网复制一个支持图片输入的模型 ID，填入 visionProvider.model。
3. 为该服务设置独立的 credentialRef，例如 OPENAI_VISION_KEY 或 OPENROUTER_VISION_KEY，真实 Key 粘贴到对应 Provider 卡片的密码框。

注意三点：同一个服务商可能同时提供纯文本模型和视觉模型，选模型前必须确认它支持 image_url 输入及 /chat/completions 接口；baseURL 中不能嵌入用户名、密码或 API Key；正常使用必须是 HTTPS，只有 allowInsecureLocalhost 显式开启时才允许连接本机回环地址上的 HTTP 测试服务。

本地 OCR¶

vision_ocr 默认走远程视觉 Provider，只有明确选择 backend="local" 时才进入本地 Tesseract。本地 OCR 默认关闭（localOcr.enabled 默认 false），且需要自行准备可信来源的语言数据文件——插件不会自动下载语言包、访问 CDN、写入 Tesseract 缓存，本地识别失败后也不会自动切换到远程 Provider。

Windows 配置示例：

localOcr:
  enabled: true
  languagePath: 'D:\vision-data\tesseract'
  languages: [eng, chi_sim]
  gzip: true
  timeoutMs: 60000
  maxLanguageBytes: 52428800
  maxRegions: 50
  pageSegMode: auto
  autoRotate: true
  lowConfidenceThreshold: 40

languagePath 指向的目录中应存在 eng.traineddata.gz、chi_sim.traineddata.gz 等与配置一致的文件。默认启用 gzip、自动处理方向，低置信度提示阈值为 40。

网页截图¶

vision_browser_capture 默认关闭（browserCapture.enabled 默认 false）。开启后必须填写精确的主机白名单，插件使用独立的无头浏览器（browserCapture.browserChannel 默认 msedge，可选用 chrome）只截取白名单内的页面。

Provider 回退与限制¶

除了主 Provider（visionProvider），最多可以配置三个后备 Provider（fallbackProviders）。插件按列表顺序逐个尝试，不会并发把图片发给多个端点；主备 Provider 之间不能重名。

回退行为由三个参数控制：

总超时 timeoutMs（默认 120000）应大于 attemptTimeoutMs，否则可能没有足够时间尝试后备 Provider。

图片与缓存方面的默认限制：单次调用最多 4 张图片，单张最大 10485760 字节（10 MiB）、40000000 像素；视觉结果缓存默认开启，200 条，TTL 3600 秒；本地处理最大工作像素 16000000；视觉模型最大输出 maxTokens 默认 4096。这些都有对应配置项，可按需调整。

另外，vision_compare 要求两张截图尺寸完全相同，插件不会自动缩放或对齐图片，以免掩盖真实布局变化。

适用场景与注意¶

这个插件适合在 Windows 上使用 DSH、需要处理截图和图片的智能体开发者：比如让智能体读界面截图里的文字、对比两版 UI 的变化区域、从图片里取色，或者把白名单网页截图作为会话证据。前提是你手上有一个兼容 OpenAI image_url 格式的视觉服务 API Key，或者愿意自行准备 Tesseract 语言文件做本地 OCR。

使用前有几点需要清楚：

1. 插件以当前 dsh 进程的权限运行，本地工具能读写你的工作区图片、调用本机浏览器。安装前建议检查仓库源码与许可证（MIT），确认符合自己的安全要求。
2. 插件默认关闭，不会在你不知情时接管路由或发送图片；图片只会在调用远程视觉工具时发送给你自己配置的端点。
3. 远程视觉服务必须 HTTPS、baseURL 不夹带密钥、网页截图走精确白名单，这三条是插件内置的边界，配置时不要绕开。

小结¶

dsh-vision-suite 做的事情很聚焦：不替换 DeepSeek 的文本推理，只在需要“看”的时候补上六个工具，并把凭据、回退、限制这些工程细节都做成了显式配置。如果你在 DSH 上经常和截图打交道，值得装上试一次。

• 插件目录页：https://www.skillhub.cn/plugins/princefrogdida-ux/dsh-vision-suite
• GitHub 仓库：https://github.com/princefrogdida-ux/dsh-vision-suite